В интерфейсах SLAM, которые используют алгоритм итеративной ближайшей точки (ICP) для определения ассоциации между двумя совпадающими облаками точек, как вы можете определить, застрял ли алгоритм в локальном минимуме и возвращает неправильный результат?
Проблема определяется как сопоставление двух облаков точек, которые являются выборками некоторой произвольной структуры поверхности, и области выборки имеют перекрытие 0-100%, что неизвестно. Я знаю, что вариант Trimmed ICP работает итеративно, пытаясь определить перекрытие, но даже этот вариант может застрять в локальном минимуме.
Наивным подходом было бы посмотреть среднеквадратичную ошибку идентифицированных пар точек. Но без некоторой оценки выборки это кажется рискованным порогом. В руководстве по Leica Cyclone они предлагают ручную проверку гистограммы парных ошибок. Если он имеет гауссову форму, подгонка хорошая. Если происходит линейный спад, совпадение, вероятно, плохое. Это кажется правдоподобным для меня, но я никогда не видел, чтобы это использовалось в алгоритме.
Ответы:
Большинство простых методов ICP используют подход типа наименьших квадратов. Это обычное и простое моделирование, если предположить, что модель ошибок по Гауссу искажает данные облака точек. В этом случае наименьший квадрат подгоночного компонента алгоритма ICP создает гауссову модель ошибки для параметров ее решения с оцененной дисперсией.
То есть, если у вас есть доступ к ошибке после сопоставления, то вы можете оценить гауссову ошибку для параметров вашего преобразования так же, как и оценку ошибки в любой другой линейной регрессии.
источник
В случае, если у вас есть некоторая информация от других доступных датчиков (например, одометрия от колесных датчиков), вы можете использовать ее, когда преобразование твердого тела, которое предлагает LaserScanner, далеко.
Помните, что на длинных траекториях путь одометрии отклоняется от наземной истины, но локально он довольно точен.
PS. Это довольно интересный вопрос, поэтому дайте нам знать, как вы это сделали, если вы действительно решили проблему ..
источник
Я думаю, что лучшим подходом будет использование набора данных, который содержит основную правду. Набор данных, который чаще всего цитируется в литературе, описан в статье «Ориентир для оценки систем RGB-D SLAM». Они также описывают несколько метрик, чтобы сравнить ваш результат оценки позы с основополагающей правдой. Надеюсь это поможет. Удачного кодирования.
источник