Dynamic-ICP: Doppler-Aware Iterative Closest Point Registration for Dynamic Scenes
Julius-Maximilians-Universität Würzburg(乌尔姆-约亨大学);Zentrum für Telematik e.V.(电信研究中心);Nuremberg Institute of Technology Georg Simon Ohm(纽伦堡技术学院 Georg Simon Ohm);University of Bonn(波恩大学)
本文提出动态ICP方法,通过多普勒速度估计自身运动、动态物体聚类、常速模型预测动态点及结合点到平面残差与多普勒残差的紧凑目标,实现动态场景下的鲁棒配准。
2026-03-18 cs.RO
A General Framework for Flexible Multi-Cue Photometric Point Cloud Registration
University of Bonn(波恩大学);Sapienza University of Rome(罗马大学)
构建地图的能力是大多数移动机器人的关键功能。大多数测绘系统的核心要素是记录的传感器数据的配准或对准。在本文中,我们提出了一个一般的光度配准方法,可以处理多个不同的线索。我们提供了注册RGBD以及3D LIDAR数据的示例。与流行的点云配准方法(如ICP)相比,我们的方法不依赖于显式数据关联,而是利用多种形式,如原始范围和图像数据流。颜色、深度和法线信息以统一的方式处理,并且通过最小化两个多通道图像之间的像素差异来获得配准。我们开发了一个灵活的通用框架,并在该框架内实现了我们的方法。我们还将我们的实现作为开源C++代码发布。实验表明,我们的方法允许传感器数据的准确配准,而不需要显式的数据关联或模型特定的适应数据集或传感器。我们的方法以自然和一致的方式利用不同的线索,并且可以在典型范围或成像传感器的帧率下进行配准。
2017-09-13 cs.CV cs.RO
Semantic-weighted ICP for LiDAR Odometry: Class-Aware Residual Reweighting for Robust Scan Registration
Institute of Robotics and Autonomous Systems, University of Lisbon(里斯本大学机器人与自主系统研究所)
提出语义加权ICP方法,通过根据语义类别的几何稳定性对残差进行加权,在动态和复杂环境中提升LiDAR里程计的位姿估计鲁棒性。
2026-06-02 cs.RO
KISS-Matcher: Fast and Robust Point Cloud Registration Revisited
Laboratory for Information & Decision Systems (LIDS), Massachusetts Institute of Technology(信息与决策系统实验室,麻省理工学院);The School of Electrical Engineering, KAIST(电气工程学院,韩国科学技术院);Dexory, UK(英国Dexory);Computer Science Engineering and Interdisciplinary Program of AI, Seoul National University(人工智能工程与跨学科项目,首尔国立大学)
本文提出开源点云配准库KISS-Matcher,结合新型特征检测器Faster-PFH与基于$k$-core的图论剪枝,在保持精度的同时显著提升配准速度与可扩展性。
2025-07-16 cs.CV cs.RO
Explore From Sketch: Accelerating UAV Exploration in Large-scale Environments with Prior Maps
Institute of Cyber-Systems and Control, College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院工业控制技术研究所);Huzhou Institute, Zhejiang University, and Huzhou Key Laboratory of Autonomous System(浙江大学湖州研究院,湖州市自主系统重点实验室);Zhejiang Zhongyan Industry Co., Ltd(浙江中烟工业有限责任公司);Differential Robotics Technology Company(微分机器人技术有限公司)
提出利用稀疏、未对齐甚至不一致的2D先验地图加速无人机大规模环境探索的框架,通过鲁棒的2D-3D点云配准和层次化视点规划,实现效率提升34.2%。
2026-06-11 cs.RO
Stretch-ICP: A Continuous-Trajectory Registration and Deskewing Algorithm in Scenarios of Aggressive Motions
本文提出Stretch-ICP算法,通过改进SLAM的鲁棒性,以提高在剧烈运动下的激光雷达-惯性导航状态估计的鲁棒性和一致性,同时减少了线速度和角速度的估计误差。
2026-05-17 cs.RO
LP-ICP: General Localizability-Aware Point Cloud Registration for Robust Localization in Extreme Unstructured Environments
本文提出点云配准框架LP-ICP,结合点到线与点到面度量进行细粒度可定位性检测,在病态方向添加软硬约束,提升了极端非结构化环境下的定位精度与鲁棒性。
2025-05-31 cs.RO
X-ICP: Localizability-Aware LiDAR Registration for Robust Localization in Extreme Environments
ETH Zürich(苏黎世联邦理工学院);ANYbotics A.G.(ANYbotics公司)
本文提出 X-ICP,通过结合细粒度可定位性检测模块与可定位性感知的受约束 ICP 优化模块,有效解决了几何退化环境下的 LiDAR 配准发散问题,实现了无漂移的鲁棒位姿估计。
2024-02-18 cs.RO
CELLO-3D: Estimating the Covariance of ICP in the Real World
Université Laval(拉瓦尔大学)
现有状态估计框架中迭代最近点(ICP)寄存器的融合依赖于对其不确定性的准确估计。在本文中,我们研究了这种不确定性的协方差形式的估计。首先,我们仔细检查现有的封闭形式的协方差估计算法在3D数据集的局限性。然后,我们开始通过数据驱动的方法估计ICP配准的协方差,在来自真实3D点云的1020对上有超过5100000个配准。我们在各种环境下评估我们的解决方案,从结构化到非结构化,从室内到室外。我们的算法预测协方差的能力进行了准确评估,以及这些估计的有用性不确定性估计的轨迹。所提出的方法估计协方差优于现有的封闭形式的解决方案,并作出预测,是与观察到的轨迹一致。
2018-10-02 cs.RO
LiTAMIN2: Ultra Light LiDAR-based SLAM using Geometric Approximation applied with KL-Divergence
Human-Centered Mobility Research Center (HCMRC), National Institute of Advanced Industrial Science and Technology (AIST)(人类中心移动研究中心(HCMRC)、独立行政法人产业技术综合研究所(AIST))
本文提出了一种三维光探测与测距同时定位与地图构建(SLAM)方法,该方法适用于500--1000 Hz处理的跟踪与地图构建。所提出的方法显着减少了用于点云配准的点的数量,使用一种新的ICP度量,以加快配准过程,同时保持精度。当点的数量减少时,使用ICP的点云配准不太准确,因为ICP基本上最小化了点之间的距离。为了避免这个问题,对称KL发散被引入到ICP成本,反映两个概率分布之间的差异。成本不仅包括点之间的距离,还包括分布形状之间的差异。在KITTI数据集上的实验结果表明,该方法具有较高的计算效率,性能明显优于其他方法,并且具有与最先进的SLAM方法相似的精度。
2021-03-01 cs.RO
Rendering the Directional TSDF for Tracking and Multi-Sensor Registration with Point-To-Plane Scale ICP
从RGB-D图像进行密集的实时跟踪和映射是许多机器人应用的重要工具,例如导航和操作。最近提出的方向截断有符号距离函数(DTSDF)是常规TSDF的增强,其显示出更相干的地图和改进的跟踪性能的潜力。在这项工作中,我们提出了从DTSDF渲染深度和彩色图像的方法,使其成为一个真正的下拉式替代常规TSDF在既定的跟踪器。我们评估算法在完善的数据集,并观察到,我们的方法提高了跟踪性能,提高了映射场景的可重用性。此外,我们增加了颜色集成,显着提高相邻表面的颜色正确性。我们的新配方相结合的ICP帧到关键帧光度误差最小化进一步提高跟踪结果。最后,我们介绍了Sim 3点到平面ICP,用于在具有不同比例因子的多传感器场景中细化姿态先验。
2023-01-30 cs.CV cs.RO
NAR-*ICP: Neural Execution of Classical ICP-based Pointcloud Registration Algorithms
Oxford Robotics Institute (ORI), University of Oxford, UK(牛津大学机器人研究所(ORI));Bristol Robotics Laboratory (BRL), University of the West of England, UK(布里斯托尔机器人实验室(BRL));Google DeepMind and the University of Cambridge, UK(谷歌DeepMind和剑桥大学)
提出NAR-*ICP框架,利用图神经网络学习经典ICP配准算法的中间计算,在真实与合成数据集上超越基线及原算法,实现可解释且泛化能力强的神经执行。
2025-10-08 cs.AI cs.LG cs.RO
Informed, Constrained, Aligned: A Field Analysis on Degeneracy-aware Point Cloud Registration in the Wild
ETH Zurich(苏黎世联邦理工学院)
本研究分析比较了多种退化缓解方法在病态ICP点云配准中的表现,发现主动优化缓解在无外部辅助时必要且有益,软约束方法在复杂病态场景中表现更优。
2025-07-14 cs.RO
Geometry Preserving Sampling Method based on Spectral Decomposition for 3D Registration
Institut Pascal(帕斯卡研究所);Université Laval(拉瓦尔大学)
在3D测绘的背景下,越来越大的点云被LIDAR传感器采集。迭代最近点(ICP)算法用于对齐这些点云。然而,其复杂性直接取决于要处理的点的数量。有几种策略可以通过减少点数来解决这个问题。然而,它们往往在非均匀密度、大传感器噪声、虚假测量和大规模点云的情况下表现不佳,这在移动机器人中就是如此。提出了一种基于谱分解分析的ICP算法中的采样配准算法--谱分解滤波器(SpDF)。它沿着点云的拓扑结构保留几何信息,并且能够扩展到具有非均匀密度的大型环境。我们的方法的有效性进行了验证,并说明了各种环境下的定量和定性实验。
2019-01-28 cs.RO
KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference
Electrical and Computer Engineering, Inha University(信息电子工程学院,印斯大学)
提出KISS-IMU自监督框架,通过运动平衡训练和不确定性加权推理消除对真值依赖,仅用LiDAR作为轻量监督信号,实现鲁棒惯性里程计。
2026-06-29 cs.RO
Towards Explaining Uncertainty Estimates in Point Cloud Registration
Technical University of Munich (TUM)(慕尼黑工业大学);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);German Aerospace Center (DLR)(德国航空航天中心)
本文提出基于核SHAP的解释方法,为概率ICP点云配准中的传感器噪声、遮挡和模糊环境等不确定性来源分配重要性值,使机器人能以人类可解释的方式理解自身失败的原因。
2024-12-29 cs.AI cs.RO
AA-ICP: Iterative Closest Point with Anderson Acceleration
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Moscow Institute of Physics and Technology(莫斯科物理技术学院)
迭代最近点(ICP)是一种广泛使用的扫描匹配和配准方法。作为简单和鲁棒的方法,它仍然是计算昂贵的,并可能是具有挑战性的移动平台上的资源有限的实时应用程序中使用。在本文中,我们提出了一种新的有效的方法来加速ICP,不需要对现有的代码进行实质性的修改。这种方法是基于安德森加速的思想,这是一个迭代过程,寻找一个压缩映射的不动点。后者通常比通常用于ICP实现的标准Picard迭代更快。我们表明,ICP,作为一个固定点的问题,可以显着加快这种方法增强了算法,以提高整体的鲁棒性。我们将所提出的方法实现到点云库(PCL)中,并将其在线提供。对真实世界数据的基准测试完全支持我们的主张。
2017-09-16 cs.RO
GMMCalib: Extrinsic Calibration of LiDAR Sensors using GMM-based Joint Registration
Technical University of Munich(慕尼黑工业大学);TUM School of Engineering and Design(慕尼黑工业大学工程与设计学院);TUM School of Computation, Information and Technology(慕尼黑工业大学计算、信息与技术学院)
针对多 LiDAR 外参标定中 ICP 成对配准易受初值影响的问题,提出 GMMCalib,利用基于 GMM 的多点云联合配准提升错误标定下的鲁棒性,并经仿真与实车验证。
2024-04-08 cs.RO
OLAE-ICP: Robust and fast alignment of geometric features with the optimal linear attitude estimator
University of Almeria(阿尔梅里亚大学)
点云配准和矢量姿态估计问题(Wahba问题)在计算机视觉和移动机器人领域有着广泛的应用。这项工作介绍了一种简单的方法,用于集成几何特征观测集(点,线和平面),以这种方式,任何解决方案,无论是点云配准或Wahba的问题,可以用来找到两个集之间的SE(3)变换,最大限度地减少相应的成本函数。我们比较了三种解决方案的性能:经典的霍恩的最佳四元数方法,最佳线性姿态估计(OLAE),有效地恢复最佳吉布斯-罗德里格斯矢量解决一个小的线性系统,和迭代非线性高斯-牛顿求解器。特别注意解释如何克服吉布斯矢量奇异OLAE使用顺序旋转的方法。通过检测变换尺度失配,可以丢弃点到点对应关系中的粗离群值。该方法还允许引入每个基元的相对权重,包括一个可选的鲁棒损失函数,该函数仅在预先知道解的初始猜测时才适用。实验评估了三种解决方案如何容忍不同类型的几何图元的输入数据中的噪声。最后,真实数据集的实验验证了最优对齐算法作为迭代最近点/基元(ICP)算法的核心的适用性。在https://github.com/MOLAorg/mp2p_icp中提供了所有描述的算法的开源实现
2019-06-25 cs.RO
An Adaptive ICP LiDAR Odometry Based on Reliable Initial Pose
School of Information Science and Engineering, Wuhan University of Science and Technology(信息科学与工程学院,武汉科技大学);School of Computer Science and Technology, Wuhan University of Science and Technology(计算机科学与技术学院,武汉科技大学);School of Information Management and Institute of Big Data and Digital Economy, Hubei University of Economics(信息管理学院和大数据与数字经济研究院,湖北经济学院)
针对ICP初始位姿不可靠及动态环境适应性不足的问题,本文提出融合密度滤波粗配准、运动预测校验和动态阈值的点到平面自适应ICP LiDAR里程计,并在KITTI上验证其精度优势。
2025-09-26 cs.AI cs.RO
Partial Computing Offloading Assisted Cloud Point Registration in Multi-robot SLAM
University of Science and Technology Beijing(北京科技大学);Nazarbayev University(纳扎尔巴耶夫大学);University of Jordan(约旦大学)
多机器人视觉同时定位与地图构建(SLAM)系统通常由多个配备摄像机或其他视觉传感器的移动机器人组成。网络化机器人在未知场景中独立或协作工作,以解决自主定位和地图绘制问题。多机器人视觉SLAM中最关键的问题之一是密集的计算,这通常需要但压倒性的廉价移动机器人有限的板载资源。为了解决这个问题,本文提出了一种新的任务卸载策略和密集点云图构建方法。首先,我们开发了一种新的策略来远程卸载计算密集型任务到云中心,使原本无法在本地资源有限的机器人系统上完成的任务成为可能。其次,提出了一种改进的迭代最近点算法(ICP),即适应度分数分层ICP算法(FS-HICP),用于加速点云配准。理论分析和实验模拟的正确性,效率和所提出的策略的可扩展性进行了评估。实验结果表明,该方法能有效降低多机器人视觉SLAM系统的能耗,提高系统的计算能力和速度,尤其是在室内环境下。
2019-05-30 cs.RO
RMS: Redundancy-Minimizing Point Cloud Sampling for Real-Time Pose Estimation
Czech Technical University(捷克理工大学);Norwegian University of Science and Technology(挪威科技大学)
提出单参数点云采样方法RMS,通过最大化梯度流熵最小化点冗余,集成至KISS-ICP和LOAM流程,在速度、压缩和精度上超越现有方法。
2024-04-23 cs.AI cs.RO
BO-ICP: Initialization of Iterative Closest Point Based on Bayesian Optimization
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出 BO-ICP,利用贝叶斯优化及三种配置为 ICP 寻找初始变换,在相近计算时间下优于现有方法,并可兼容其他 ICP 改进。
2023-04-25 cs.CV cs.RO
LiPO: LiDAR Inertial Odometry for ICP Comparison
Carnegie Mellon University(卡内基梅隆大学);Robotics Institute(机器人研究所)
本文提出 LiPO 框架以直接对比 P2P-ICP 与 P2F-ICP 方法,通过基准数据集和定制 UGV 测试,量化了两者在漂移、建图精度与泛化性上的权衡。
2024-10-10 cs.RO
Gravity-constrained point cloud registration
Université Laval(拉瓦尔大学)
视觉和激光雷达同时定位与地图构建(SLAM)算法受益于惯性测量单元(IMU)模态。高速率惯性数据补充了其他低速率模态。此外,在没有恒定加速度的情况下,重力矢量使得在全局坐标系中三个姿态角中的两个可观察到。在视觉里程计中,这已经被用于将6-自由度(DOF)姿态估计问题减少到4-DOF。在激光雷达SLAM中,重力测量通常用作后端全局地图优化中的惩罚,以防止地图变形。在这项工作中,我们提出了一个迭代最近点(ICP)为基础的前端,利用可观察到的自由度,并提供与重力矢量对齐的姿态估计。我们相信,这个前端有可能支持循环闭合识别,从而加快全局映射优化的收敛。所提出的方法已经在大规模的户外环境中进行了广泛的测试,以及在由美国国防高级研究计划局(DARPA)组织的地下挑战。我们表明,它可以减少30%的定位漂移相比,标准的6-DOF ICP。此外,代码作为libpointmatcher库的一部分随时可供社区使用。
2022-03-25 cs.RO
Fast and Robust Iterative Closest Point
University of Science and Technology of China(中国科学技术大学);Cardiff University(卡迪夫大学)
本文针对ICP收敛慢且对离群点和部分重叠敏感的问题,提出基于Anderson加速的MM框架和Welsch鲁棒误差度量,在保证精度的情况下比Sparse ICP快一个数量级以上,并扩展至点到平面ICP。
2023-04-14 cs.CV cs.GR cs.RO
Lidar Scan Registration Robust to Extreme Motions
Northern Robotics Laboratory(北方机器人实验室)
针对极端运动下点云畸变导致配准失败的问题,提出一种考虑轨迹运动不确定性和环境几何的去畸变方法,在200 m/s^2和800 rad/s^2的峰值加速度下,平移误差降低9.26%,旋转误差降低21.84%。
2026-05-23 cs.RO
Analysis of Robust Functions for Registration Algorithms
Université Laval(拉瓦尔大学)
配准精度受到异常值的影响,多年来已经开发了许多强大的解决方案来减轻其影响。然而,如果不对解决方案进行大规模比较来过滤离群值,为给定应用选择合适的算法就会变得乏味。本文提出了一个全面的分析的影响,孤立滤波器的ICP算法,旨在移动机器人的应用。14种最常见的离群值过滤器(如M估计器)已在不同类型的环境中进行了测试,总计超过200万次注册。此外,调谐参数的影响进行了深入的探讨。实验结果表明,大多数离群滤波器有类似的性能,如果他们是正确的调整。然而,过滤器,如VAR。修剪。,Cauchy和Cauchy MAD对不同的环境类型更稳定。有趣的是,简单范数L1产生了相当的精度,而无参数。
2018-10-02 cs.RO
Deep Bayesian ICP Covariance Estimation
LAAS-CNRS(法国国家科学研究中心系统分析与架构实验室);Université de Toulouse(图卢兹大学)
迭代最近点(ICP)点云配准算法的协方差估计对于状态估计和传感器融合是必不可少的。我们认为,ICP误差的主要来源是在输入数据本身,从传感器噪声场景的几何形状。受益于点云深度学习的最新发展,我们提出了一种数据驱动的方法来学习ICP的误差模型。我们估计协方差建模数据依赖的异方差任意的不确定性,和认知的不确定性,使用变分贝叶斯方法。系统评估是在不同数据集上对LiDAR测距进行的,与最先进的技术相比,突出了良好的结果。
2022-02-23 cs.CV cs.LG cs.RO
CoBigICP: Robust and Precise Point Set Registration using Correntropy Metrics and Bidirectional Correspondence
Shanghai University(上海大学);Tsinghua University(清华大学)
在本文中,我们提出了一种新的概率变量的迭代最近点(ICP)称为CoBigICP。该方法利用局部几何信息和全局噪声特性。在局部,目标云和源云的3D结构通过双向对应被并入目标函数。在全局范围内,引入相关熵误差度量作为噪声模型来抵抗野值。重要的是,揭示了正态分布变换(NDT)和相关熵之间的密切相似性。为了简化最小化步骤,提出了特殊欧氏群的流形上参数化。大量的实验验证,CoBigICP优于几个众所周知的和国家的最先进的方法。
2023-01-21 cs.RO
SAGE-ICP: Semantic Information-Assisted ICP
Zhejiang University(浙江大学)
针对未知环境中LiDAR点对点ICP位姿估计的鲁棒性和精度问题,提出语义信息辅助的SAGE-ICP方法,利用3D卷积网络提取逐点语义并深度融入配准各环节,在KITTI和KITTI-360上优于基线,保持实时性并提升精度。
2023-10-11 cs.CV cs.RO
PCR-Pro: 3D Sparse and Different Scale Point Clouds Registration and Robust Estimation of Information Matrix For Pose Graph SLAM
The Hong Kong University of Science and Technology(香港科技大学)
对于室内和室外环境,我们提出了一种有效的和新颖的方法,不同的尺度和稀疏的3D点云注册,不能处理目前流行的ICP方法。我们的算法有效地检测点云之间的尺度差异,并使用关键帧来估计相对姿态计算尺度差异。该算法应用一个过滤器,并计算最终的转换,覆盖到一个全局最小值。变换和尺度的良好估计有助于使用封闭形式的解有效地计算协方差矩阵。点云之间的这种协方差有助于姿态图SLAM的信息矩阵的估计。
2018-08-29 cs.RO
Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration
KTH Royal Institute of Technology(瑞典皇家理工学院);TU Graz(格拉茨工业大学);Ocean Infinity(海洋无限公司);University of Gothenburg(哥德堡大学)
本文构建并发布半合成AUV多波束点云配准数据集DotsonEast,系统评测2种经典与4种学习方法,揭示二者在不同重叠率下的粗、精配准优势。
2024-05-10 cs.CV cs.RO
Human-to-Robot Manipulability Domain Adaptation with Parallel Transport and Manifold-Aware ICP
Munich Institute of Robotics and Machine Intelligence(慕尼黑机器人与机器智能研究所);Technische Universitat Munchen(慕尼黑工业大学)
可操作性椭球体有效地捕捉人类姿势并揭示有关手头任务的信息。它们在任务相关的机器人教学中的使用-特别是它们从教师到学习者的转移-可以促进对类人运动的仿真。虽然在最近的文献中的焦点转移到两个机器人之间的可操作性转移,适应其他运动系统的能力是迄今为止没有解决和研究转移从人到机器人仍处于起步阶段。提出了一种新的可操作性领域自适应方法,将可操作性信息传递到另一运动学系统的域。由于可操作性矩阵/椭球是对称正定(SPD)的,它们可以被视为SPD矩阵的黎曼流形上的点。我们是第一个从点云配准的角度来解决可操作性转移的问题。我们提出了一个流形感知的迭代最近点算法(ICP)与并行传输初始化。此外,我们引入了一个对应匹配启发式的基础上固有的几何特征的可操作性椭球。我们证实了我们的方法在仿真实验中与2自由度机械手以及7自由度模型代表的人手臂运动学。
2022-08-16 cs.RO
DICP: Doppler Iterative Closest Point Algorithm
Aeva, Inc(Aeva公司)
本文提出了一种新的点云配准算法:多普勒ICP算法。仅依赖于几何形状或其他特征的ICP的现有变体通常无法在具有非独特特征和/或重复几何结构(诸如走廊、隧道、高速公路和桥梁)的场景中正确地估计传感器的运动。我们提出了一个新的多普勒速度目标函数,利用每个点的多普勒测量和传感器的当前运动估计的兼容性。我们联合优化多普勒速度目标函数和几何目标函数,即使在特征否认的环境中,也充分约束了点云对齐问题。此外,用于对准的对应匹配通过从动态目标修剪掉点来改进,动态目标通常使ICP解决方案降级。我们评估我们的方法从真实的传感器和模拟收集的数据。我们的研究结果表明,与仅依赖于几何残差的经典点到平面ICP相比,我们的方法在配准精度方面取得了显着的改善,并且平均收敛速度更快。
2022-05-31 cs.CV cs.RO
CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure
MINES ParisTech, PSL University(巴黎高等矿业学院,巴黎文理研究大学);Kitware(Kitware公司)
多光束激光雷达传感器越来越多地用于机器人技术,特别是用于自动驾驶汽车的定位和感知任务,两者都依赖于构建精确环境地图的能力。为此,我们提出了一种新的实时的【形】激光雷达测距方法,称为CT-ICP(连续时间ICP),完成了一个完整的SLAM与一个新的循环检测过程。该方法的核心是引入扫描匹配中的连续性和扫描间的不连续性。它允许在配准期间扫描的弹性失真以提高精度,以及对来自不连续性的高频运动的增强的鲁棒性。我们建立了一个完整的SLAM上的里程计,使用一个快速的纯激光雷达环检测的基础上海拔图像的2D匹配,提供一个姿态图与循环约束。为了证明该方法的鲁棒性,我们在七个数据集上进行了测试:KITTI,KITTI-raw,KITTI-360,KITTI-CARLA,ParisLuco,Newer College和NCLT驾驶和高频运动场景。CT-ICP里程计和线圈检测都可以在线使用。CT-ICP目前在KITTI里程计排行榜上排名第一,平均相对翻译误差(RTE)为0.59%,单线程CPU上每次扫描的平均时间为60 ms。
2022-02-24 cs.CV cs.RO
An Efficient Accelerator for Deep Learning-based Point Cloud Registration on FPGAs
Keio University(庆应义塾大学)
点云配准是许多机器人应用的基础,例如里程计和同时定位与地图构建(SLAM),它们对于自主移动机器人越来越重要。这些机器人的计算资源和功率预算是有限的,从而促进了在低成本FPGA上开发资源高效的配准方法。在本文中,我们提出了一种基于FPGA的3D点云配准的新方法,该方法基于最近的基于深度学习的方法PointNetLK。设计了一种用于PointNet特征提取的高效FPGA加速器,并在低成本和中档FPGA(Avnet Ultra96v2和Xilinx ZCU 104)上实现。我们的加速器设计的注册速度,准确性,资源使用和功耗方面进行评估。实验结果表明,PointNetLK与我们的加速器实现高达21.34倍和69.60倍的注册速度比CPU同行和ICP,分别,而仅消耗722 mW,并保持相同的精度水平。
2022-03-11 cs.AR cs.RO
Kinematic-ICP: Enhancing LiDAR Odometry with Kinematic Constraints for Wheeled Mobile Robots Moving on Planar Surfaces
Center for Robotics, University of Bonn(波恩大学机器人中心);Dexory;Department of Engineering Science at the University of Oxford(牛津大学工程科学系);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
本文针对轮式移动机器人在平面场景的LiDAR里程计问题,提出Kinematic-ICP方法,在传统ICP优化中引入运动学约束并动态调整LiDAR与轮式里程计权重,实验表明其性能优于现有方法且已在实际场景部署。
2025-02-10 cs.RO
Evaluation of Robust Point Set Registration Applied to Automotive Doppler Radar
Faculty of Computer Science(计算机科学学院);Faculty of Electrical Engineering and Information Technology(电气工程与信息技术学院);Chair of Automation Technology(自动化技术教研室)
点集配准是在两个点集之间找到最佳对齐的过程,并且它是不同领域中的常见任务,特别是在汽车和移动机器人领域。在文献中提出了许多方法,其中迭代最近点ICP是这方面的一种众所周知的方法,其在两个点集之间建立显式对应以实现配准任务。然而,这项工作有兴趣实现注册,而不建立任何显式的对应关系,两个点集之间,以下的概率框架。点集配准中最关键的任务是如何详细描述代价函数,该代价函数度量两个点集之间的距离。概率框架包括两种可能的方法来构建成本函数:求和和似然。这项工作的主要重点是分析和比较这两种方法的行为。因此,除了估计误差之外,还使用1D合成场景来逐步构建成本函数。最后,这项工作使用两个数据集进行评估:一个二维合成数据集和一个真实的数据集。评估过程中,比较和分析的估计误差和估计的不确定性。因此,在评估过程中使用了两种不同的方法:归一化估计误差平方NEES和非可信性指标NCI。一个77 GHz的汽车多普勒雷达提供了真实的数据集,并在真正的评估,我们评估的自我运动估计的机器人作为注册的应用程序。
2022-04-20 cs.RO
A Pointcloud Registration Framework for Relocalization in Subterranean Environments
West Virginia University(西弗吉尼亚大学)
本文提出一种面向地下环境的点云配准重定位框架,结合ISS特征点、FPFH描述子、NDT与ICP配准,在灰尘和较大初始变换下仍能提升配准精度,并在仿真与真实矿山数据中验证了有效性。
2025-04-09 cs.RO
Transforming Omnidirectional RGB-LiDAR data into 3D Gaussian Splatting
Department of Computer Science, State University of New York(计算机科学系,纽约州立大学);Department of Mechanical Engineering, State University of New York(机械工程系,纽约州立大学)
本文提出了一种将全方位RGB-LiDAR数据转换为3D高斯散点的重用管道,解决数据处理中的非线性失真和计算开销问题,提升复杂场景的渲染保真度。
2026-03-06 cs.CV cs.RO
LiDAR Registration with Visual Foundation Models
University of Freiburg(弗赖堡大学);University of Zurich(苏黎世大学);University of Technology Nuremberg(纽伦堡工业大学)
本文提出利用视觉基础模型 DINOv2 从环视图像提取特征作为点描述符,结合传统配准算法实现 LiDAR 扫描与 3D 地图的鲁棒 6DoF 对齐,无需领域特定重训练,在 NCLT 和 Oxford RobotCar 数据集上显著优于基线。
2025-02-26 cs.RO
Unsigned Distance Maps on 2D Point Cloud Registration
Faculty of Engineering, University of Porto (FEUP)(波尔图大学工程学院);INESC TEC – Institute for Systems and Computer Engineering, Technology and Science(INESC TEC – 系统工程与计算机科学、技术与科学研究所);Sapienza University of Rome(罗马第一大学);Flowbotic Mobile Systems, S.A.(Flowbotic移动系统公司)
本文提出基于无符号距离图的二维点云配准方法,通过预计算距离和导数实现O(1)查找,在SE(2)上推导误差并用高斯-牛顿优化,实验证明其性能优于解析方法。
2026-10-01 cs.RO
Human-Interpretable Uncertainty Explanations for Point Cloud Registration
University of Tübingen(图宾根大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);German Aerospace Center(德国航空航天中心)
针对点云配准中传感器噪声等导致的不确定性,提出GP-CA方法,量化并归因不确定性,利用主动学习发现新来源,在公开数据集和真实实验中验证,性能优于现有方法。
2025-09-24 cs.CV cs.RO
TEASER: Fast and Certifiable Point Cloud Registration
Massachusetts Institute of Technology(麻省理工学院);Laboratory for Information & Decision Systems(信息与决策系统实验室)
我们提出了第一个快速和可验证的算法,用于在存在大量异常值对应关系的情况下注册两组3D点。我们首先重新制定的注册问题,使用截断最小二乘(TLS)的成本是不敏感的一大部分虚假的对应关系。然后,我们提供了一个通用的图论框架来解耦尺度,旋转和平移估计,这允许在级联中解决这三个变换。尽管事实上,每个子问题仍然是非凸和组合的性质,我们表明,(i)TLS规模和(分量方式)平移估计可以经由自适应投票在多项式时间中求解,(ii)TLS旋转估计可以被放松为半定规划(SDP)并且该放松是紧密的,即使在存在极端离群值率的情况下,以及(iii)图论框架允许通过找到最大团来大幅修剪离群值。我们命名的算法TEASER(截断最小二乘估计和SEminifirm松弛)。虽然解决大型SDP松弛通常很慢,但我们开发了第二个快速且可验证的算法,名为TEASER++,该算法使用分级非凸性来解决旋转子问题,并利用Douglas-Rachford分裂来有效地验证全局最优性。对于这两种算法,我们提供了理论界的估计误差,这是第一个强大的注册问题。此外,我们在标准,目标检测和3DMatch基准测试中测试了它们的性能,并表明(i)这两种算法都占主导地位,并且对超过99%的异常值具有鲁棒性,(ii)TEASER++可以在毫秒内运行,(iii)TEASER++非常强大,它也可以解决没有对应关系的问题,其中它在很大程度上优于ICP,并且它比G…
2020-10-17 cs.CV cs.RO math.OC
Degeneracy-Resilient Teach and Repeat for Geometrically Challenging Environments Using FMCW Lidar
本文提出一种退化鲁棒的FMCW激光雷达Teach and Repeat导航系统,通过多普勒速度里程计和退化感知定位方法,提升在几何退化环境中的自主导航能力。
2026-09-18 cs.RO
Dual Covariance Gaussian Splatting SLAM: Decoupling Rendering and Registration for Robust Real-Time Tracking
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
针对3DGS SLAM中协方差同时用于渲染与配准的冲突,提出双协方差参数化,分离渲染与跟踪协方差,并利用跟踪协方差锚定角点,在多个数据集上实现鲁棒实时跟踪并降低漂移。
2026-09-23 cs.CV cs.RO
Towards Robust LiDAR Localization: Deep Learning-based Uncertainty Estimation
Department of Computer Engineering, Amirkabir University of Technology(阿姆irkabir技术大学计算机工程系);Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院)
本文提出一种基于深度学习的数据驱动框架,在无参考地图情况下预测ICP配准误差协方差,并将其集成到卡尔曼滤波中,从而提升LiDAR定位与SLAM的精度和鲁棒性。
2025-09-23 cs.CV cs.RO
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
Toyota Research Institute(丰田研究院)
提出一种基于几何表面结构和再生核希尔伯特空间嵌入的无对应局部点云配准方法,采用二阶流形优化实现高达10倍加速,在LiDAR和RGB-D跟踪及物体配准中显著降低漂移并提升鲁棒性。
2026-06-08 cs.AI cs.CV cs.RO
RegHEC: Hand-Eye Calibration via Simultaneous Multi-view Point Clouds Registration of Arbitrary Object
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
本文提出RegHEC,利用任意物体的多视角点云同时配准,结合贝叶斯优化与Anderson加速ICP实现眼在手上/眼在手外标定,并开源C++实现。
2023-04-27 cs.CV cs.RO
Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
在本文中,我们提出了一个因子图激光雷达SLAM系统,它采用了最先进的深入学习的基于特征的闭环检测器,使足式机器人在工业环境中的本地化和地图。这些设施可能光线不好,由模糊的金属结构组成,因此我们的系统只使用激光雷达传感,并被开发为在四足机器人的导航PC上运行。在使用ICP配准进行对准之前,使用惯性-运动状态估计器来累积点云。为了关闭循环,我们使用循环建议机制,该机制匹配云之间的各个段。我们离线训练了一个描述符来匹配这些片段。我们的方法的效率来自于仔细设计网络架构,以最大限度地减少参数的数量,从而使这种深度学习方法可以仅使用足式机器人的CPU实时部署,这是这项工作的主要贡献。使用姿态图优化来更新里程计和环路闭合因子的集合。最后,我们提出了一个有效的风险对齐预测方法,验证了注册的可靠性。在工业设施的实验结果表明,我们的系统的鲁棒性和灵活性,包括自主以下路径来自SLAM地图。
2020-01-28 cs.LG cs.RO
DeepMapping: Unsupervised Map Estimation From Multiple Point Clouds
University of Rochester(罗切斯特大学);NYU Tandon School of Engineering(纽约大学坦登工程学院);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室(MERL))
我们提出了DeepMapping,这是一种新的注册框架,使用深度神经网络(DNN)作为辅助功能,将多个点云从头对齐到全局一致的框架。我们使用DNN来模拟高度非凸映射过程,传统上涉及手工数据关联,传感器姿态初始化和全局优化。我们的关键新颖之处在于,用适当定义的无监督损失“训练”这些DNN相当于解决潜在的注册问题,但对良好初始化的敏感性低于ICP。我们的框架包含两个DNN:一个估计输入点云姿态的定位网络,以及一个通过估计全局坐标的占用状态来建模场景结构的地图网络。这使我们能够将注册问题转换为二进制占用分类,可以使用基于梯度的优化来有效地解决。我们进一步表明,DeepMapping可以很容易地扩展到解决激光雷达SLAM的问题,通过在连续的点云之间施加几何约束。在模拟和真实数据集上进行了实验。定性和定量比较表明,DeepMapping通常比现有技术更强大,更准确地实现多个点云的全局配准。我们的代码可在https://ai4ce.github.io/DeepMapping/上获得。
2019-04-09 cs.CV cs.RO
Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement
University of Maryland(马里兰大学);Stanford University(斯坦福大学)
本文提出Paired-CSLiDAR基准,通过高度分层ICP、反向注册方向和置信度门控选择,实现空地LiDAR姿态精修,优于现有方法,验证了RMSE基于姿态选择的有效性。
2026-05-01 cs.CV cs.RO
CVSD-Reg: Cross-Modal Visual Semantic Prior Distillation for Robust LiDAR Registration
本文提出CVSD-Reg框架,通过蒸馏视觉基础模型的语义先验提升激光雷达配准的鲁棒性,在多数据集上的成功率优于现有方法,且无需相机输入或事后ICP精修。
2026-08-21 cs.AI cs.CV cs.RO