基于ADIES-PCA与动态距离加权的改进型体素化GICP点云配准算法

《Neurocomputing》：An improved voxelized GICP point cloud registration algorithm via ADIES-PCA and dynamic distance weighting

　　

刘一阳|徐浩红|傅玉凯

中国科学院工业人工智能研究所，中国南京，211135

摘要

为满足工业工件3D重建对速度和精度的要求，本文提出了一种两阶段从粗略到精细的点云配准算法IP-WVGICP。在粗略配准阶段，采用经过ADIES改进的最小误差PCA算法。通过评估稀疏降采样骨架的定向歧义，该策略能够消除密度偏差，降低计算开销，并获得可靠的初始姿态。在精细配准阶段，提出了动态距离加权VGICP算法。该算法在体素化过程中引入逆距离权重，以惩罚异常值并捕捉明确的结构对应关系。这种组合方法有效解决了传统VGICP对初始对齐的敏感性问题。在Stanford、ModelNet40以及实际工件数据集上的大量实验表明，所提方法具有高效性。IP-WVGICP的运算速度提升了60%以上，且在所有对比算法中始终具有最低的均方根误差。在高斯噪声条件下，其配准误差相比传统VGICP降低了两个数量级，展现出极高的稳健性及在实际工业应用中的价值。

引言

目前，得益于3D传感技术的持续创新，各类深度感知设备的应用极大地简化了三维空间点云数据的采集过程。由于三维数据能够反映更多关于物体的信息，三维重建技术逐渐成为学术研究的热点领域。点云配准是3D重建系统中的核心技术，其速度和精度直接影响3D重建的效果[1]。

在3D视觉处理流程中，刚性点集对齐始终是一个关键的预处理步骤，尤其对于那些需要精确传感器融合的自主系统而言[2]、[3]、[4]、[5]。其核心目标是通过求解最优变换矩阵，使得所有点云数据能够准确叠加，从而确保它们在空间中的正确对齐，进而获取目标的完整信息。

目前常用的配准算法包括迭代最近点（ICP）算法[6]、[7]、[8]以及正态分布变换（NDT）算法[9]、[10]，还有基于这两种算法的改进版本。在ICP算法的变体中，最经典的是广义迭代最近点算法（GICP）[11]。GICP在传统ICP算法的基础上，通过分布比对的方法实现更精确的配准，虽然提升了配准精度，但仍然依赖大量的最近邻搜索。NDT算法及其变体[12]、[13]、[14]则采用基于体素的方法来避免昂贵的最近邻搜索，提升处理速度，但其精度会受到体素分辨率的显著影响。Kenji Koide等人结合GICP和NDT的特点，提出了体素化广义迭代最近点（VGICP）算法[15]，该算法通过体素化扩展了GICP方法，在保持精度的同时避免了繁琐的最近邻搜索。同时，该方法还增强了分布的稳健性，通过将多点分布转换为单个体素分布，减少了体素分辨率变化带来的影响。不过，该方法在将多点分布转换为体素分布时仅对对应分布进行简单求和，未能描述分布之间的对应关系，且在对初始姿态敏感的情况下，体素划分不够清晰。

综上，本文的主要贡献如下：

• •
  提出了一种基于最小误差PCA和动态距离权重的VGICP点云配准方法，我们将其称为IP-WVGICP算法。该方法可通过距离权重反映对应分布之间的几何关系，提升配准的收敛速度与精度。同时，通过采用基于PCA的点云粗略配准算法，解决了原始算法对初始姿态敏感的问题。
• •
  为粗略配准提出了经过ADIES改进的最小误差PCA算法。为解决主轴符号歧义问题，该算法不在密集点云上而是通过在稀疏降采样骨架上评估最小误差来实现配准。这种非对称策略能够消除密度偏差，确保获得正确的初始姿态，同时大幅降低歧义消除过程的计算复杂度。
• •
  通过公共数据集和实测数据进行了大量实验，充分证明了所提配准策略的有效性。实验结果表明，与其他算法相比，本算法在配准速度和精度方面都具有优势。

本文的结构如下：第2节简要介绍当前配准算法的研究现状以及本文提出该算法的原因。第3节阐述所提算法的构成与原理，并通过公式分析改进后的PCA和WVGICP算法的优势。第4节通过公共数据集和实测数据验证该算法的有效性。第5节对全文进行总结。

章节要点

相关工作

配准是计算机视觉和机器人学领域的经典研究课题，在3D重建等诸多领域都有广泛应用。本文重点探讨VGICP算法的实现方案以及如何确定良好的初始姿态。通过这些步骤，算法能够快速精准地收敛到满足实际应用要求的最低值，从而完成点云配准。

常用的粗略配准算法包括基于局部特征的算法

提出的方法

本节介绍一种改进的体素化GICP算法，用以提升配准的速度与精度。该方法采用从粗略到精细的两阶段处理流程：首先，利用经过ADIES改进的最小误差PCA算法确定可靠的初始姿态；随后，再通过动态距离加权的VGICP算法进行精细配准，以实现高精度结果。这种组合方式提升了整体配准性能，完整的流程如图1所示。

实验设置与评估指标

本节对所提出的点云配准流程进行全面评估，该流程包括基于ADIES的粗略配准和WVGICP精细配准两部分。

实验分为两个主要评估阶段。首先，我们将ADIES粗略配准策略与常见的基于特征的和全局性的算法进行对比，这些算法包括PFH、FPFH、3DSC以及Super4PCS。其次，我们在不同的初始姿态和扫描条件下评估WVGICP精细配准算法的性能

结论

本文提出了IP-WVGICP，这是一种旨在同时提升配准精度与效率的改进型点云配准算法。首先，采用经过ADIES改进的PCA方法进行预对齐，这一步骤能够提供可靠的初始姿态，有效解决了传统VGICP对初始对齐的敏感性问题，同时大幅提升了配准速度。其次，在体素计算中引入动态距离权重，该机制能够直观反映空间中的

CRediT作者贡献说明

刘一阳：写作——审阅与编辑，指导，资源提供，项目管理，方法设计。徐浩红：写作——审阅与编辑，初稿撰写，结果验证，方法设计，研究分析。傅玉凯：写作——审阅与编辑，指导。

利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢

本研究部分得到了中国国家重点研发计划（项目编号2021YFB3301400）、国家自然科学基金（项目编号92367301）以及中国机器人国家重点实验室（项目编号2024-Z22和2024-Z19）的支持。此外，还获得了中国科学院智能机器研究所基础研究项目（项目编号2024JC1K13）的资助。

刘一阳于2010年在中国科学院沈阳自动化研究所获得模式识别与智能系统专业博士学位。自2024年起，他在中国南京的工业人工智能研究所工作，目前担任研究员。他的研究兴趣包括智能控制与计算、信息处理、 cyber-physical系统建模，以及复杂系统的建模与仿真。