宗文鵬，李廣云，李明磊，王 力，李帥鑫

(信息工程大學(xué)，河南 鄭州 450001)

1 引 言

定位是移動(dòng)機(jī)器人領(lǐng)域研究最多也是最核心的問題之一，是機(jī)器人實(shí)現(xiàn)真正自主的先決條件，沒有準(zhǔn)確高效的定位，機(jī)器人就難以執(zhí)行復(fù)雜的任務(wù)。通常，移動(dòng)機(jī)器人可通過輪式里程計(jì)、慣性導(dǎo)航裝置(Inertial Measurement Unit,IMU)等本體傳感器進(jìn)行定位。然而由于車輪打滑和漂移導(dǎo)致誤差累積問題，故單獨(dú)依靠本體傳感器并不能提供準(zhǔn)確可靠的定位結(jié)果。因此，移動(dòng)機(jī)器人一般還需要加裝外部感受傳感器，如聲吶、超聲傳感器、視覺傳感器、激光雷達(dá)(Light Detection and Ranging,LiDAR)等。在進(jìn)行定位的同時(shí)，利用這些傳感器采集信息，能夠建立環(huán)境的抽象表示即地圖，地圖反過來又輔助機(jī)器人進(jìn)行定位，這是移動(dòng)機(jī)器人實(shí)現(xiàn)避障、路徑規(guī)劃、目標(biāo)識(shí)別與跟蹤等任務(wù)的必要基礎(chǔ)。于是，同步定位與地圖構(gòu)建(Simultaneous Localization and Mapping,SLAM)[1]技術(shù)應(yīng)運(yùn)而生。目前，最熱門的SLAM實(shí)現(xiàn)方案主要依賴兩類傳感器，即激光雷達(dá)和視覺傳感器，它們分別被稱為激光SLAM和視覺SLAM[2]。相對(duì)于視覺傳感器，LiDAR能夠提供更加魯棒、準(zhǔn)確和噪聲水平穩(wěn)定的測(cè)量信息，且對(duì)光照條件變化不敏感，因而激光SLAM是目前最穩(wěn)定可靠的SLAM解決方案。

根據(jù)求解方法不同，可將激光SLAM分為基于濾波的和基于圖優(yōu)化的兩種[3]。其中，當(dāng)前較為流行的基于圖優(yōu)化的激光SLAM系統(tǒng)框架主要分為前端和后端兩個(gè)部分，前端完成數(shù)據(jù)關(guān)聯(lián)和閉環(huán)檢測(cè)，后端進(jìn)行圖優(yōu)化。激光掃描匹配是實(shí)現(xiàn)激光SLAM數(shù)據(jù)關(guān)聯(lián)最常用的方法。大多數(shù)文獻(xiàn)中對(duì)激光掃描匹配的定義為，尋求一組平移和旋轉(zhuǎn)參數(shù)，使得對(duì)齊后的兩幀掃描點(diǎn)云達(dá)到最大重疊[4-6]。本文嘗試給出一個(gè)更一般的定義，即通過求解坐標(biāo)轉(zhuǎn)換關(guān)系，將連續(xù)掃描的兩幀或多幀激光點(diǎn)云統(tǒng)一到同一坐標(biāo)系中(scan-to-scan)，或者將當(dāng)前掃描點(diǎn)云與已建立的地圖進(jìn)行配準(zhǔn)(scan-to-map)，從而最終恢復(fù)出載體位置和姿態(tài)的變化。

“掃描匹配”這一概念主要出現(xiàn)在機(jī)器人學(xué)相關(guān)文獻(xiàn)中，本質(zhì)上它與測(cè)繪等領(lǐng)域中的“點(diǎn)云拼接(或配準(zhǔn))”[7]解決的是同一個(gè)問題，但目的不同：前者通過將激光掃描點(diǎn)云配準(zhǔn)到同一坐標(biāo)系下而得到相對(duì)位姿變化，后者是為得到坐標(biāo)系統(tǒng)一的點(diǎn)云。此外，由于應(yīng)用場(chǎng)合和針對(duì)的目標(biāo)不同，掃描匹配和點(diǎn)云拼接各有其特點(diǎn)。激光掃描匹配處理的是移動(dòng)載體運(yùn)動(dòng)時(shí)LiDAR的掃描數(shù)據(jù)，點(diǎn)云較稀疏，且誤差和噪聲均較大，大多要求實(shí)時(shí)處理，力求在精度和效率之間尋求平衡；而點(diǎn)云拼接處理的多是LiDAR靜態(tài)掃描數(shù)據(jù)，點(diǎn)云較密集，且誤差和噪聲較小，一般不要求實(shí)時(shí)處理而更注重拼接的精度。

近年來，激光SLAM技術(shù)發(fā)展迅猛，其應(yīng)用從結(jié)構(gòu)化場(chǎng)景拓展到非結(jié)構(gòu)化場(chǎng)景，從室內(nèi)環(huán)境發(fā)展到室外環(huán)境，從地面移動(dòng)平臺(tái)擴(kuò)展到空中以及水下。相應(yīng)地，激光掃描匹配技術(shù)經(jīng)歷了2D到3D、低動(dòng)態(tài)到高動(dòng)態(tài)、簡(jiǎn)單場(chǎng)景到復(fù)雜環(huán)境的發(fā)展變化，除用于激光SLAM外，也越來越多地被應(yīng)用于導(dǎo)航定位[6,8]、移動(dòng)測(cè)量[9]等領(lǐng)域。根據(jù)所處理的LiDAR數(shù)據(jù)的維度，掃描匹配可分為2D和3D掃描匹配。根據(jù)是否利用特征，掃描匹配可分為基于特征的和基于掃描的兩種[10]。根據(jù)匹配時(shí)的參考對(duì)象，又可分為局部和全局掃描匹配[11]。一般來說，局部掃描匹配處理對(duì)象為連續(xù)獲取的兩幀掃描數(shù)據(jù)，通常需要利用里程計(jì)或IMU的輸出或前一次掃描匹配結(jié)果作為初值，主要用于位姿跟蹤，實(shí)現(xiàn)相對(duì)定位；而全局掃描匹配[12]將當(dāng)前幀掃描數(shù)據(jù)與全局地圖或過往全部掃描數(shù)據(jù)幀進(jìn)行匹配，無需初值，用于實(shí)現(xiàn)全局定位。本文沿用文獻(xiàn)[13]和[14]的分類方法，將激光掃描匹配分為三類：(1)基于點(diǎn)的掃描匹配；(2)基于特征的掃描匹配；(3)基于數(shù)學(xué)特性的掃描匹配。

需要指出的是，本文主要側(cè)重于連續(xù)掃描幀間匹配(scan-to-scan)問題，對(duì)激光掃描匹配相關(guān)方法按照上述三種類型進(jìn)行總結(jié)和討論，旨在幫助讀者快速了解該方向現(xiàn)有研究方法和存在的問題，以便在此基礎(chǔ)上開展相應(yīng)的研究。

2 基于點(diǎn)的方法

基于點(diǎn)的掃描匹配直接對(duì)掃描獲取的原始數(shù)據(jù)點(diǎn)進(jìn)行操作，其中ICP (Iterative Closest/Corresponding Point)算法是應(yīng)用最廣、研究最多也是目前最為成熟的一種算法。ICP分別由Chen[15]和Besl[16]獨(dú)立提出。不同之處在于前者利用點(diǎn)到面的距離作為誤差度量，而后者采用點(diǎn)到點(diǎn)的距離誤差度量，故可分別記為P2Pl(Point-to-Plane)-ICP和P2P(Point-to-Point)-ICP。

2.1 標(biāo)準(zhǔn)ICP算法

其中，R∈SO(3)為旋轉(zhuǎn)矩陣，t為平移向量，eij為誤差度量，C={(i,j)m}表示對(duì)應(yīng)點(diǎn)對(duì)集合，點(diǎn)pi對(duì)應(yīng)點(diǎn)qj。

2.2 ICP的改進(jìn)算法

Besl[16]證明了ICP算法總能單調(diào)收斂到一個(gè)局部最小值，但這基于一個(gè)假設(shè)，即對(duì)應(yīng)點(diǎn)對(duì)數(shù)量及對(duì)應(yīng)關(guān)系在迭代過程中保持不變，而這顯然是不現(xiàn)實(shí)的。此外，ICP算法還假定兩個(gè)點(diǎn)云中的點(diǎn)完全相同，而事實(shí)上，當(dāng)傳感器視點(diǎn)改變后，尤其是當(dāng)采樣分辨率較低時(shí)，前后兩次掃描找到同一物理點(diǎn)的對(duì)應(yīng)點(diǎn)對(duì)的可能性極小。為此，Chen[15]提出P2Pl-ICP算法，采用更魯棒的點(diǎn)到面的距離作為誤差度量替代點(diǎn)到點(diǎn)距離誤差度量，即：

eij=(Tpi-qj)·nj, (2)

其中，nj為點(diǎn)qj處的法向。

標(biāo)準(zhǔn)ICP算法所采用的歐式距離，不能很好的解釋傳感器的旋轉(zhuǎn)變化，當(dāng)目標(biāo)函數(shù)接近局部極值時(shí)收斂很慢。文獻(xiàn)[17]提出計(jì)算兩組對(duì)應(yīng)關(guān)系，一組采用歐氏距離，另一組利用極坐標(biāo)距離和角度，聯(lián)合兩種對(duì)應(yīng)關(guān)系準(zhǔn)則，提出了IDC(Iterative Dual Correspondence) 算法。該算法改善了ICP算法對(duì)于傳感器旋轉(zhuǎn)角度的表達(dá)，加快了收斂速度，但同時(shí)采用兩種對(duì)應(yīng)關(guān)系建立準(zhǔn)則分別求解平移和旋轉(zhuǎn)，可能出現(xiàn)多組極值組合，從而影響算法的魯棒性和精度。文獻(xiàn)[18]提出一種組合掃描匹配方法CSM(Combined Scan Matcher)，聯(lián)合了一種點(diǎn)-線掃描匹配方法[19]和一種點(diǎn)-點(diǎn)掃描匹配方法[17]；當(dāng)掃描數(shù)據(jù)中存在足夠多的直線用于匹配時(shí)執(zhí)行點(diǎn)-線掃描匹配算法，否則執(zhí)行點(diǎn)-點(diǎn)掃描匹配算法。

文獻(xiàn)[20]提出的MbICP(Metric-based ICP)算法，定義了一種傳感器位形空間中新的距離度量，同時(shí)考慮平移和旋轉(zhuǎn)，使得平移和旋轉(zhuǎn)在所有步驟中同時(shí)得到補(bǔ)償，改善了算法的魯棒性、精度、收斂性，并降低了計(jì)算代價(jià)。MbICP能夠處理較大的旋轉(zhuǎn)，但該方法不能利用KD樹等技術(shù)來加速最近鄰域搜索，需要在極坐標(biāo)空間進(jìn)行較慢的搜索，難以擴(kuò)展到完全3D的掃描匹配[21]。

針對(duì)此問題，文獻(xiàn)[11]引入了一種除幾何關(guān)系外的新的度量，即點(diǎn)云強(qiáng)度信息，提出了“Intensity-ICP”方法。該方法將強(qiáng)度誤差度量納入到目標(biāo)函數(shù)中，并賦以通過實(shí)驗(yàn)確定的權(quán)重。該方法為相對(duì)位姿的求解增加了一個(gè)新的約束，為解決具有相同幾何形狀而不同反射特性的場(chǎng)景下的掃描匹配提供了可能。但該方法基于前后兩次掃描間距離變化足夠小而不影響強(qiáng)度的假設(shè)，而實(shí)際上強(qiáng)度值受測(cè)量距離和入射角的影響均較大，應(yīng)用前需先對(duì)傳感器的強(qiáng)度測(cè)量進(jìn)行標(biāo)定；存在的另外一個(gè)問題是難以準(zhǔn)確度量強(qiáng)度誤差對(duì)位姿變化的貢獻(xiàn)，即難以確定一個(gè)合適的權(quán)重值。

文獻(xiàn)[22]和[23]提出ICL(Iterative Closest Line)算法，即利用點(diǎn)-線距離度量來實(shí)現(xiàn)ICP，以提高精度和收斂速度。但是對(duì)于較大的位移穩(wěn)定性較差。文獻(xiàn)[24]采用3D柵格，將點(diǎn)云分割成體素(Voxel)[25]，以體素對(duì)應(yīng)關(guān)系代替了傳統(tǒng)ICP中的點(diǎn)間對(duì)應(yīng)關(guān)系，且考慮了點(diǎn)云局部結(jié)構(gòu)即體素的形狀參數(shù)，實(shí)現(xiàn)了3D掃描匹配，能夠用于室內(nèi)外結(jié)構(gòu)與非結(jié)構(gòu)化場(chǎng)景中，得到局部一致的測(cè)圖結(jié)果。

文獻(xiàn)[26]提出GICP(Generalized-ICP)算法，在單個(gè)概率框架中結(jié)合了P2P-ICP算法與P2Pl-ICP算法，誤差度量中既包含當(dāng)前掃描也包含了參考掃描的表面信息，所采用的誤差度量可視為面到面距離，從而GICP是一種Pl2Pl(Plane-to-Plane)-ICP算法。GICP核心思想是考慮點(diǎn)周圍的表面形狀，并近似為平面片，利用了點(diǎn)云表面局部連續(xù)這一性質(zhì)，考慮進(jìn)了傳感器的噪聲模型，利用法向來給目標(biāo)函數(shù)中的每個(gè)對(duì)應(yīng)匹配賦權(quán)，能有效降低誤匹配的影響，已成為眾多ICP改進(jìn)算法中最為有效和魯棒的算法之一。但需要指出的是，在室外及非結(jié)構(gòu)化場(chǎng)景中GICP并不比標(biāo)準(zhǔn)ICP表現(xiàn)出色[35]。文獻(xiàn)[27]和[28]拓展了GICP中提出的面-面誤差度量，在求解最優(yōu)變換時(shí)，最小化的誤差度量為各對(duì)應(yīng)點(diǎn)對(duì)的馬氏距離及它們的法向。該算法的主要特點(diǎn)為：對(duì)每個(gè)點(diǎn)，考慮其周圍表面特性，計(jì)算法向和曲率；在尋找對(duì)應(yīng)關(guān)系和最優(yōu)變換求解中都利用了場(chǎng)景結(jié)構(gòu)，采用了測(cè)量的擴(kuò)展表示，即每個(gè)點(diǎn)的歐式坐標(biāo)用表面法向增廣，誤差度量是6D向量而不再是3D點(diǎn)。

文獻(xiàn)[29]提出一種ICP預(yù)處理技術(shù)ICN(Iterative Closest Normal)，其目的是估計(jì)連續(xù)掃描幀間大的旋轉(zhuǎn)，當(dāng)處理了大的旋轉(zhuǎn)后再采用標(biāo)準(zhǔn)的ICP或點(diǎn)-線ICP來估計(jì)剩余變換。為避免ICP算法局部最優(yōu)問題，文獻(xiàn)[30]提出Go-ICP方法，將ICP算法與分支定界方法相結(jié)合，以保證求解的全局最優(yōu)，但計(jì)算代價(jià)較大；文獻(xiàn)[31]將基于八叉樹的ICP算法與分層搜索策略相結(jié)合，利用一種早期預(yù)警機(jī)制來監(jiān)測(cè)局部極小問題，并采用一種啟發(fā)式逃離方法來避免局部極值從而獲得全局最優(yōu)解。

傳統(tǒng)的ICP改進(jìn)算法通常假設(shè)獲取一幀掃描數(shù)據(jù)的時(shí)間足夠短，從而近似認(rèn)為所有掃描點(diǎn)是同時(shí)測(cè)得的，但實(shí)際上掃描數(shù)據(jù)是依次測(cè)量得到的，而在這一過程中，傳感器的位姿始終在變化，獲得的點(diǎn)云存在變形，因而當(dāng)傳感器運(yùn)動(dòng)速度較快時(shí)，傳統(tǒng)的ICP改進(jìn)算法會(huì)給出錯(cuò)誤的位姿估計(jì)。文獻(xiàn)[32]指出在確定對(duì)應(yīng)點(diǎn)前需要對(duì)掃描數(shù)據(jù)進(jìn)行畸變改正，提出一種利用速度更新增強(qiáng)ICP算法的新方法VICP(Velocity updating ICP)，在ICP的迭代求解過程中估計(jì)傳感器速度，利用該速度估計(jì)來補(bǔ)償由于運(yùn)動(dòng)造成的點(diǎn)云畸變；并且，在速度更新的迭代過程中，能夠有效排除異常點(diǎn)，從而得到更加魯棒和準(zhǔn)確的位姿估計(jì)。文獻(xiàn)[33]中Continuous-ICP(CICP)將ICP算法進(jìn)一步擴(kuò)展，提出一種用于特定類型3D LiDAR(由2D LiDAR+旋轉(zhuǎn)驅(qū)動(dòng)裝置組成)-SLAM的連續(xù)時(shí)間軌跡估計(jì)方法，利用估計(jì)的連續(xù)位姿進(jìn)行畸變改正。

2.3 模塊化的ICP算法

隨著ICP及其改進(jìn)算法的不斷發(fā)展和完善， ICP類算法可歸納為以下6個(gè)步驟[34]：

(1)選擇點(diǎn)集；

(2)確定點(diǎn)集間對(duì)應(yīng)關(guān)系；

(3)給對(duì)應(yīng)點(diǎn)對(duì)適當(dāng)加權(quán)；

(4)排除特定的對(duì)應(yīng)點(diǎn)對(duì)；

(5)設(shè)定誤差度量；

(6)最小化誤差度量。

Pomerleau[35]通過分析概括已有ICP改進(jìn)算法并結(jié)合自身開發(fā)經(jīng)驗(yàn)，提出了模塊化的ICP算法，既方便進(jìn)一步開發(fā)和調(diào)試新算法，同時(shí)又便于對(duì)不同改進(jìn)算法進(jìn)行對(duì)比。如圖1所示，首先，可先對(duì)輸入掃描點(diǎn)云進(jìn)行濾波處理，去除冗余點(diǎn)、離群點(diǎn)，或計(jì)算表面特征如曲率和法向；然后，將匹配函數(shù)用于關(guān)聯(lián)輸入點(diǎn)云和參考點(diǎn)云的元素，通常這一關(guān)聯(lián)過程在歐式空間進(jìn)行并利用KD樹加速搜索；建立好元素對(duì)應(yīng)關(guān)系后，可利用不同的統(tǒng)計(jì)方法來排除錯(cuò)誤或異常的元素對(duì)應(yīng)，如可設(shè)置距離閾值，超過該閾值的對(duì)應(yīng)點(diǎn)對(duì)被認(rèn)為是無效對(duì)應(yīng)而被剔除；最終，剩余的有效對(duì)應(yīng)元素對(duì)被用于最小化誤差度量，求解新的變換關(guān)系直到滿足收斂條件。

圖1 模塊化ICP算法流程圖 Fig.1 Pipeline of modular ICP

2.4 其他基于點(diǎn)的方法

除了ICP及其改進(jìn)算法外，還存在其他一些基于點(diǎn)的掃描匹配方法。文獻(xiàn)[37]提出一種概率的掃描匹配方法pIC(probabilistic Iterative Correspondence)。其將掃描點(diǎn)及位姿視為隨機(jī)變量，利用馬氏距離尋找所有可能的統(tǒng)計(jì)相容點(diǎn)(即對(duì)應(yīng)點(diǎn))，概率模型納入了傳感器測(cè)量噪聲及初始位姿的不確定度，利用迭代的方式進(jìn)行求解，收斂速度、魯棒性和精度優(yōu)于標(biāo)準(zhǔn)ICP和IDC算法。Diosi提出極坐標(biāo)掃描匹配方法PSM(Polar Scan Matching)[38]，使得對(duì)應(yīng)點(diǎn)匹配更加準(zhǔn)確可靠，從而提高了掃描匹配效果。后來他又提出改進(jìn)的掃描匹配方法[39]，利用LiDAR測(cè)量為極坐標(biāo)的本質(zhì)，直接利用極坐標(biāo)量即距離和角度測(cè)量值，結(jié)合匹配關(guān)聯(lián)規(guī)則和加權(quán)距離殘差最小化來實(shí)現(xiàn)掃描匹配，提高了處理速度并擴(kuò)大了收斂域，但該方法難以擴(kuò)展到3D掃描匹配。文獻(xiàn)[40]提出一種改進(jìn)的PSM方法，利用遺傳算法來進(jìn)行匹配，避免了ICP類算法中容易出錯(cuò)的數(shù)據(jù)關(guān)聯(lián)步驟。文獻(xiàn)[41]又提出一種基于周界的PSM算法，稱為PB-PSM，獲得了更好的效果。

文獻(xiàn)[42]提出CRSM(Critical Rays Scan Matching)的思想，不需使用所有數(shù)據(jù)點(diǎn)參與匹配，而是在每幀掃描數(shù)據(jù)中根據(jù)掃描密度尋找關(guān)鍵射線對(duì)應(yīng)的測(cè)量點(diǎn)，提出了一種基于射線篩選的掃描匹配方法，有效降低了計(jì)算復(fù)雜度，減少匹配所需時(shí)間。文中提出和對(duì)比了3種不同的射線篩選方法，均勻篩選方法、基于掃描密度的方法以及將掃描數(shù)據(jù)分段并利用局部密度的方法。利用隨機(jī)重啟爬山法代替遺傳算法進(jìn)行求解，比ICP算法更準(zhǔn)確比遺傳算法更快。其實(shí)驗(yàn)結(jié)果得到一個(gè)有益的啟示，即利用全部可用信息進(jìn)行掃描匹配并不總會(huì)改善結(jié)果。

2.5 存在的主要問題和發(fā)展趨勢(shì)

ICP類算法存在3個(gè)主要誤差來源[43]：

(1)錯(cuò)誤的收斂，ICP算法總是收斂到局部極值的本質(zhì)導(dǎo)致最終結(jié)果可能偏離真值，該誤差難以建模；

(2)欠約束導(dǎo)致的誤差，一些環(huán)境下沒有足夠的信息來估計(jì)完整的位姿信息，如長(zhǎng)直走廊環(huán)境或圓形場(chǎng)景，但可通過Fisher信息矩陣來檢查是否是該情況；

(3)傳感器噪聲引起的誤差，即使ICP算法到達(dá)真值的收斂域，傳感器噪聲的存在仍將導(dǎo)致其最終結(jié)果不同。當(dāng)ICP用于定位時(shí)，克拉美-羅下界[44]給出了協(xié)方差的良好近似，但是對(duì)于掃描匹配來說過于樂觀。

此外，由于數(shù)據(jù)關(guān)聯(lián)開始是未知的，迭代的方法不一定能建立正確的對(duì)應(yīng)關(guān)系。由最小二乘導(dǎo)出的不確定度估計(jì)不能準(zhǔn)確反映數(shù)據(jù)關(guān)聯(lián)中的不確定度，不確定度估計(jì)往往過于樂觀[45]。另外兩個(gè)與ICP算法相關(guān)的問題為：

(1)計(jì)算效率問題：為加速收斂，Besl[16]基于最近兩到三次迭代過程中變換變量的值，利用線搜索方法啟發(fā)式地確定變換變量；雖然這在一定程度上改善了局部極值處的收斂速度，但對(duì)于較大的旋轉(zhuǎn)仍然不能得到較好的結(jié)果。尋找對(duì)應(yīng)點(diǎn)的過程計(jì)算復(fù)雜度相當(dāng)高，加速搜索過程需利用KD樹[46]或最近點(diǎn)高速緩存[47]等技術(shù)。

(2)魯棒性問題：異常點(diǎn)對(duì)掃描匹配影響較大，文獻(xiàn)[20,39]等提出采用預(yù)處理技術(shù)減少異常點(diǎn)。盡管如此，很難將LiDAR數(shù)據(jù)中所有異常點(diǎn)或噪聲徹底剔除。

ICP類算法已從最初的迭代最近點(diǎn)發(fā)展到迭代對(duì)應(yīng)點(diǎn)再到迭代對(duì)應(yīng)元素，在魯棒性、計(jì)算效率和收斂域方面得到了提高。未來，將有更多的可用信息被利用，從而進(jìn)一步改進(jìn)ICP算法，如強(qiáng)度信息、語義信息；對(duì)應(yīng)元素可進(jìn)一步拓展到體素及超體素[48]，將有更多的非線性優(yōu)化算法能夠用于參數(shù)求解。

3 基于特征的方法

圖2 基于特征的掃描匹配方法流程圖 Fig.2 Pipeline of the feature-based scan matching method

與其利用可能包含異常點(diǎn)和噪聲的所有LiDAR數(shù)據(jù)，激光掃描匹配的另外一種思路是只利用數(shù)據(jù)中的部分關(guān)鍵元素進(jìn)行匹配，這種元素可以是點(diǎn)、線、面等幾何基元或者它們的組合。于是催生了另一個(gè)系列的激光掃描匹配方法，即基于特征的掃描匹配，其流程如圖2所示?；谔卣鞯膾呙杵ヅ浞椒?，類似于圖像匹配問題，需要先從掃描點(diǎn)云中提取有效特征，如點(diǎn)、線、弧、面或其組合特征，以及法向、曲率等柔性特征，還包括自定義的各種特征描述子?；跈z測(cè)到的特征，可實(shí)現(xiàn)快速對(duì)應(yīng)匹配，無需提供初值，即可求解位姿變化。

3.1 直接從LiDAR點(diǎn)云中提取特征

(1)點(diǎn)特征

點(diǎn)特征廣泛存在于各種場(chǎng)景中，基于點(diǎn)特征的掃描匹配方法應(yīng)用較廣，適用性較強(qiáng)。文獻(xiàn)[49]直接從點(diǎn)云中提取拐角和邊角點(diǎn)，用于全局掃描匹配。受計(jì)算機(jī)視覺中SIFT特征描述子的啟發(fā)，文獻(xiàn)[50]提出一種用于2D掃描匹配的局部不變特征CIF(Congruence Transformation Invariant Feature)，當(dāng)應(yīng)用全等變換時(shí)保持不變；利用從LiDAR數(shù)據(jù)中提取的CIF特征點(diǎn)，可實(shí)現(xiàn)雜亂環(huán)境下的全局掃描匹配。文獻(xiàn)[51]又對(duì)CIF方法進(jìn)行了改進(jìn)，解決當(dāng)利用較大地圖作為參考掃描進(jìn)行掃描匹配時(shí)容易失敗的問題。文獻(xiàn)[52]提出ICE掃描匹配方法，利用多種特征點(diǎn)，包括交叉點(diǎn)(Intersection)、角點(diǎn)(Corner)和墻的端點(diǎn)(End Of Wall)。

文獻(xiàn)[53]提出一種自動(dòng)化、實(shí)時(shí)的基于角點(diǎn)的掃描匹配算法，以提取的線之間的交叉點(diǎn)作為角點(diǎn)；為說明角點(diǎn)的不確定度，利用提取線的方差來估計(jì)角點(diǎn)的協(xié)方差；該算法既可單獨(dú)使用，也可用于輔助迭代方法。文獻(xiàn)[54]提出一種叫做FLIRT的方法，研究了3種類型的激光點(diǎn)云特征檢測(cè)子(基于距離、法向和曲率)和兩種特征描述子(線性局部形狀上下文描述子和β-柵格描述子)?；诰C合分析，進(jìn)行最佳組合形成FLIRT，但是計(jì)算其描述子非常慢，難以用于實(shí)時(shí)SLAM。事實(shí)上，3D激光點(diǎn)云的點(diǎn)特征檢測(cè)方法和特征描述子[55-56]還有很多，但大多由于提取精度、計(jì)算效率、適用條件等問題難以用于激光掃描匹配。

(2)線特征

在室內(nèi)及結(jié)構(gòu)化場(chǎng)景中，存在較多的線特征，特別是對(duì)于2D掃描匹配方法，線特征的提取(即分割)較為簡(jiǎn)單和高效，因而基于線特征的掃描匹配方法主要存在于2D應(yīng)用中。分割-合并(Split-and-Merge)方法[57]是2D掃描匹配中廣泛采用的一種線段分割方法，此外，文獻(xiàn)[58]給出了針對(duì)2D掃描數(shù)據(jù)的3種線段分割方法，即連續(xù)邊緣跟隨(Successive Edge Following,SEF),線跟蹤(Line Tracking,LT), 迭代端點(diǎn)擬合(Iterative End Point Fit,IEPF)?；舴蜃儞Q也是提取線特征的一種有效方法[59]，文獻(xiàn)[60]提出HSM(Hough Scan Matching)方法，利用霍夫變換提取線段，并在霍夫域進(jìn)行匹配，但當(dāng)環(huán)境中包含大量較短線段或曲線時(shí)，這種方法不再適用。

文獻(xiàn)[61]提出基于完整線段(Complete Line Segment, CLS)的掃描匹配方法，根據(jù)線段長(zhǎng)度、中心點(diǎn)的相對(duì)位置、相對(duì)旋轉(zhuǎn)進(jìn)行線的對(duì)比。文獻(xiàn)[62]利用互兼容約束來實(shí)現(xiàn)線段關(guān)聯(lián)，從而實(shí)現(xiàn)掃描匹配。文獻(xiàn)[63]利用曲率方法，通過自適應(yīng)曲率函數(shù)將掃描點(diǎn)云分為曲線段和直線段。文獻(xiàn)[64]提出的2D掃描匹配方法，首先利用模糊聚類算法分割點(diǎn)云，然后對(duì)每段進(jìn)行加權(quán)最小二乘擬合，選擇兩幀掃描數(shù)據(jù)中滿足線性分布的線段進(jìn)行匹配，從而計(jì)算旋轉(zhuǎn)參數(shù)，然后再利用點(diǎn)匹配準(zhǔn)則對(duì)點(diǎn)建立對(duì)應(yīng)關(guān)系，從而求解平移參數(shù)。文獻(xiàn)[65]提出一種基于點(diǎn)和線特征的2D掃描匹配方法，基于擴(kuò)展的1D SIFT檢測(cè)顯著特征點(diǎn)，利用改進(jìn)的分割-合并算法提取線特征，利用距離直方圖來描述點(diǎn)和線特征，采用直方圖聚類技術(shù)濾除異常對(duì)應(yīng)，從而提供準(zhǔn)確的剛體變換的初始值；相對(duì)位姿估計(jì)采用lq范數(shù)度量，而不是經(jīng)典優(yōu)化方法中代價(jià)函數(shù)所采用的l2范數(shù)。

(3)面特征

室內(nèi)及城市環(huán)境中，存在大量的平面或曲面特征，合理利用這些特征同樣能夠?qū)崿F(xiàn)激光掃描匹配。文獻(xiàn)[66]從掃描數(shù)據(jù)中提取歐式不變特征，利用幾何哈希法匹配兩幀掃描數(shù)據(jù)，需要場(chǎng)景中包含曲面形狀物體。文獻(xiàn)[67]利用體素濾波器對(duì)原始數(shù)據(jù)進(jìn)行均勻下采樣，通過區(qū)域生長(zhǎng)提取平面宏特征，如墻面和大平面，只利用平面上的點(diǎn)進(jìn)行掃描匹配，剔除了人及其他不相關(guān)特征即雜亂點(diǎn)。文獻(xiàn)[68]提出了一種從稀疏點(diǎn)云中高效提取線和面特征的方法。文獻(xiàn)[69]提出的Loam(Lidar odometry and mapping)算法中，使用位于銳利邊緣線和平面上的特征點(diǎn)，并且分別匹配特征點(diǎn)到邊緣線段和平面片上，通過掃描匹配實(shí)現(xiàn)LiDAR里程計(jì)，對(duì)不同類型的3D LiDAR，在多種場(chǎng)景中均取得了出色的效果。

(4)其他特征

其他基于特征的掃描匹配方法使用點(diǎn)特征直方圖PFH(Point Feature Histograms)[70]及其更快的變種FPFH(Fast Point Feature Histograms)[71]、角度不變特征[72]、曲率函數(shù)[73]等。此外，文獻(xiàn)[74]利用城市環(huán)境中存在大量垂直表面，如建筑物墻面、甚至垂直樹干等，實(shí)現(xiàn)掃描匹配。文獻(xiàn)[75]提出一種分類特征掃描匹配方法CFSM (Classified Feature-based Scan Matcher)：根據(jù)幾何觀測(cè)，將特征分為平移特征和旋轉(zhuǎn)特征兩類，分別用于解釋傳感器的平移和旋轉(zhuǎn)變化，并利用解析式計(jì)算位姿估計(jì)。文獻(xiàn)[76]提出一種利用條件隨機(jī)場(chǎng)(Conditional Random Fields,CRF)的基于特征的方法：采用一幀掃描中的所有觀測(cè)進(jìn)行聯(lián)合估計(jì)，考慮形狀信息進(jìn)行誤匹配剔除；該模型能夠組合多種特征，如形狀特征和外貌特征；但計(jì)算復(fù)雜度較高，且對(duì)于部分重疊的幀間掃描匹配不可靠。文獻(xiàn)[77]提出利用方向分布表征掃描點(diǎn)云的幾何趨勢(shì)，從而通過巴氏距離度量?jī)蓭瑨呙钄?shù)據(jù)間的相似度。該方法能夠給出兩幀掃描數(shù)據(jù)間旋轉(zhuǎn)變化的初始估計(jì)，因而能夠處理大的旋轉(zhuǎn)變化。

3.2 轉(zhuǎn)換為圖像并提取特征

相較于直接處理散亂的無序點(diǎn)云數(shù)據(jù)，將掃描數(shù)據(jù)轉(zhuǎn)化為圖像并利用相對(duì)成熟的圖像處理方法來實(shí)現(xiàn)激光掃描匹配是另一種切實(shí)可行的思路。文獻(xiàn)[78]將點(diǎn)云投影為圖像，然后提取SIFT特征；文獻(xiàn)[79]通過點(diǎn)云生成深度圖像然后提取NARF(Normal Aligned Radial Feature)特征用于匹配。文獻(xiàn)[80]考慮掃描匹配效率和數(shù)據(jù)存儲(chǔ)問題，提出利用多分辨率影像金字塔來處理一對(duì)多，多對(duì)多2D掃描匹配問題。文獻(xiàn)[81]提出一種基于關(guān)鍵點(diǎn)的2D掃描匹配方法，該方法首先將LiDAR數(shù)據(jù)轉(zhuǎn)化為占據(jù)柵格地圖，然后再轉(zhuǎn)換到圖像，利用Harris角點(diǎn)檢測(cè)方法來提取關(guān)鍵點(diǎn)，最終利用RANSAC(Random Sample Consensus)算法實(shí)現(xiàn)匹配。文獻(xiàn)[82]利用從360°點(diǎn)云中提取的面片進(jìn)行掃描匹配，為加快點(diǎn)云處理，將點(diǎn)云投影到3個(gè)2D圖像來提取面片。

3.3 存在的主要問題和發(fā)展趨勢(shì)

在結(jié)構(gòu)化場(chǎng)景中，基于特征的掃描匹配方法能夠處理具有部分重疊和較大偏移的連續(xù)掃描，但也存在一些問題：

(1)對(duì)于稀疏的掃描點(diǎn)云或非結(jié)構(gòu)化場(chǎng)景，難以提取穩(wěn)定可靠的特征，而對(duì)于特征豐富場(chǎng)景，匹配時(shí)存在歧義或模糊問題；

(2)提取魯棒的特征需要較高的計(jì)算代價(jià)，計(jì)算特征描述子需花費(fèi)大量時(shí)間；

(3)缺乏適當(dāng)?shù)牟呗詠硪瞥`匹配特征，而一旦存在誤匹配的特征，將會(huì)導(dǎo)致重大錯(cuò)誤而不僅是誤差的增大；

(4)相比于ICP類算法，通常精度較差，因而對(duì)于通過增量式的連續(xù)掃描匹配來估計(jì)位姿，往往會(huì)存在更為嚴(yán)重的漂移。

鑒于上述問題，采用由粗到精的混合掃描匹配方法逐漸成為一種趨勢(shì)，先用基于特征的方法求得初始位姿估計(jì)，再運(yùn)行ICP類算法進(jìn)一步修正位姿，從而最終得到準(zhǔn)確的位姿。如文獻(xiàn)[14]和[83]所用掃描匹配方法默認(rèn)工作在基于特征的掃描匹配模式，當(dāng)沒有足夠線特征可匹配時(shí)，激活I(lǐng)CP掃描匹配模式。此外，文獻(xiàn)[84]提出了一種新穎的3D特征，能夠從存在運(yùn)動(dòng)畸變的點(diǎn)云中魯棒地提取出來并匹配，為實(shí)現(xiàn)不進(jìn)行畸變改正直接對(duì)變形的連續(xù)掃描點(diǎn)云進(jìn)行掃描匹配提供了可能。

4 基于數(shù)學(xué)特性的方法

除了基于點(diǎn)的掃描匹配和基于特征的掃描匹配，還有一大類利用各種數(shù)學(xué)性質(zhì)來刻畫掃描數(shù)據(jù)及幀間位姿變化的掃描匹配方法，其中最著名的當(dāng)屬基于正態(tài)分布變換(Normal Distributions Transform,NDT)的方法。

4.1 NDT及其改進(jìn)算法

點(diǎn)云是激光掃描數(shù)據(jù)最簡(jiǎn)單直觀的表達(dá)形式，對(duì)于可視化來說非常有用，但是點(diǎn)坐標(biāo)的表示形式不能明確表達(dá)被測(cè)目標(biāo)的表面特性，如表面朝向、平滑度、孔洞等。因此，Biber[85]提出一種基于NDT的2D掃描匹配新方法，成功用于相對(duì)位姿跟蹤和激光SLAM。該方法將單次掃描中的離散2D點(diǎn)變換為定義在2D平面上的分段連續(xù)且可微的概率密度，概率密度由一組容易計(jì)算的正態(tài)分布構(gòu)成，另一幀掃描與NDT的匹配就定義為最大化其掃描點(diǎn)配準(zhǔn)后在此密度上的得分，并利用牛頓法進(jìn)行優(yōu)化求解。該方法的顯著優(yōu)點(diǎn)是，不需要建立點(diǎn)間或特征間的明確對(duì)應(yīng)關(guān)系，而對(duì)應(yīng)關(guān)系確立過程往往存在錯(cuò)誤關(guān)聯(lián)，因而更魯棒；正態(tài)分布給出了掃描數(shù)據(jù)的分段光滑表示，具有連續(xù)的一二階導(dǎo)數(shù)，有了該表示，使得將標(biāo)準(zhǔn)的數(shù)值優(yōu)化方法應(yīng)用于掃描匹配成為可能，導(dǎo)數(shù)可解析計(jì)算，從而求解更快速和準(zhǔn)確。

文獻(xiàn)[86]將2D的NDT方法推廣到3D，提出一種P2D(Point-to-Distribution)-NDT掃描匹配方法。該算法首先將參考幀掃描數(shù)據(jù)劃分為小立方體(體素)組成的網(wǎng)格，對(duì)于每個(gè)體素利用其內(nèi)部包含的點(diǎn)qk=1,…,m計(jì)算一個(gè)概率密度函數(shù)(Probability Density Function,PDF)，每個(gè)體素內(nèi)的PDF可以視為表面點(diǎn)x的生成過程，即點(diǎn)x是根據(jù)PDF表示的分布采樣得到的。假設(shè)服從D維正態(tài)分布，則在測(cè)得點(diǎn)x的似然為:

其中，μ和Σ表示體素內(nèi)點(diǎn)的均值向量和協(xié)方差矩陣，即:

應(yīng)用NDT進(jìn)行掃描匹配的目標(biāo)是尋求位姿變換T，使得變換后當(dāng)前幀掃描中的點(diǎn)位于參考幀掃描表面的似然最大，即

這里的PDF不必限定為正態(tài)分布，可以選用任意能夠恰當(dāng)表示表面結(jié)構(gòu)且對(duì)異常點(diǎn)魯棒的分布。由于單純的正態(tài)分布對(duì)異常點(diǎn)不魯棒[87]，NDT算法中采用的PDF是正態(tài)分布和均勻分布的混合，即

Σ-1(x-μ)]+c2ξ0, (7)

圖3 P2D-NDT掃描匹配方法流程圖 Fig.3 Pipeline of the P2D-NDT based scan matching method

文獻(xiàn)[89]將P2D-NDT進(jìn)一步擴(kuò)展，對(duì)待匹配的兩幀掃描數(shù)據(jù)均用正態(tài)分布表示，提出D2D(Distribution-to-Distribution)-NDT方法，并且討論了迭代優(yōu)化算法初始點(diǎn)的選取以及協(xié)方差的估計(jì)。由于D2D-NDT方法只在NDT模型上進(jìn)行操作，其運(yùn)行速度比P2D-NDT要快得多，但代價(jià)是魯棒性稍差[90]。此外，NDT還存在多種改進(jìn)算法，這里不再一一列舉。

4.2 其他方法

基于相關(guān)或互相關(guān)的掃描匹配方法研究相對(duì)較多。文獻(xiàn)[91]提出的CCF方法將2D掃描數(shù)據(jù)轉(zhuǎn)換為統(tǒng)計(jì)表示形式，利用角度直方圖以及x、y直方圖間的歸一化互相關(guān)來實(shí)現(xiàn)匹配。文獻(xiàn)[92]提出一種新的魯棒的互相關(guān)掃描匹配方法，對(duì)于大的平移和旋轉(zhuǎn)也能較好處理，且對(duì)環(huán)境中的動(dòng)態(tài)目標(biāo)魯棒?；诨ハ嚓P(guān)的方法雖然效率高得多，但精度低于ICP算法，適用于載體計(jì)算能力有限的平臺(tái)。

文獻(xiàn)[4]提出利用廣義霍夫變換(Generalized Hough Transform,GHT)得到的粒子分布來近似目標(biāo)分布，稱為GPM(GHT Particles Matching)，該方法能夠應(yīng)用于非結(jié)構(gòu)化場(chǎng)景，對(duì)遮擋魯棒，在欠約束條件下也能表現(xiàn)良好，執(zhí)行效率很高。文獻(xiàn)[5]和[8]基于計(jì)算機(jī)視覺中常用的譜技術(shù)[93]提出了譜掃描匹配(Spectral Scan Matching,SSM)方法。該方法包括兩個(gè)步驟：首先，利用譜技術(shù)及掃描點(diǎn)間的成對(duì)幾何關(guān)系來確定幾何一致的對(duì)應(yīng)；然后，基于RANSAC的最小二乘擬合用于位姿變化。該方法無需初始對(duì)準(zhǔn)，甚至能夠用于存在動(dòng)態(tài)目標(biāo)的場(chǎng)景或掃描點(diǎn)云部分損壞的情況下。

傅里葉梅林變換(Fourier-Mellin Transform,FMT)是廣泛用于圖像配準(zhǔn)領(lǐng)域的一種技術(shù)，具有良好的抗噪性，不需要特征提取，但計(jì)算代價(jià)較高。文獻(xiàn)[94]設(shè)計(jì)了3個(gè)1D匹配向量來描述旋轉(zhuǎn)和平移狀態(tài)，將3D問題轉(zhuǎn)換為1D問題。1D傅里葉變換對(duì)于3個(gè)不同掃描片段執(zhí)行3次，顯著降低了計(jì)算代價(jià)，成功用于2D激光掃描匹配。文獻(xiàn)[95]提出一種基于普魯克分析的2D掃描匹配方法。文獻(xiàn)[96]提出一種基于動(dòng)態(tài)似然場(chǎng)(Dynamic Likelihood Field,DLF)的2D掃描匹配算法，作為非線性最小二乘問題，利用高斯牛頓法求解，避免了需要建立明確的數(shù)據(jù)對(duì)應(yīng)問題。該方法在保證一定精度的同時(shí)在計(jì)算效率上具有明顯的優(yōu)勢(shì)。文獻(xiàn)[97]提出一種基于高斯場(chǎng)(類似于NDT中的正態(tài)分布)的3D配準(zhǔn)準(zhǔn)則，該方法的主要思想是采用高斯混合模型同時(shí)度量來自兩幀掃描的點(diǎn)間的空間距離和點(diǎn)周圍的局部表面相似性，在由空間維度和許多屬性維度組成的多維空間中比較點(diǎn)。此外，遺傳算法[98]、差分進(jìn)化算法[99]等元啟發(fā)式優(yōu)化算法也被運(yùn)用到掃描匹配中。

4.3 存在的主要問題和發(fā)展趨勢(shì)

NDT類方法比ICP類算法有更高的效率和更廣的收斂域，對(duì)于2D和3D應(yīng)用已有較為成熟的解決方案，但在缺乏良好初值的情況下，也會(huì)陷入局部最優(yōu)。其他基于數(shù)學(xué)特性的掃描匹配方法目前仍處于初步探索階段，大多只適用于2D掃描匹配，而且難以在匹配過程中給出其結(jié)果的不確定度。但隨著激光掃描匹配基礎(chǔ)理論的不斷發(fā)展，將有更多的理論方法引入到掃描匹配中，已有的基于數(shù)學(xué)性質(zhì)的2D方法將進(jìn)一步拓展到3D，對(duì)相應(yīng)方法的可觀測(cè)性、收斂性及不確定度的研究將進(jìn)一步發(fā)展。

5 激光掃描匹配方法比較與評(píng)價(jià)

根據(jù)前述分析，我們可將典型激光掃描匹配方法的特點(diǎn)總結(jié)如表1所示。

表1 典型掃描匹配方法的特點(diǎn)

但激光掃描匹配方法的精度往往難以科學(xué)評(píng)定，因?yàn)殡y以獲得準(zhǔn)確的基準(zhǔn)值，并且，掃描匹配受眾多因素的影響：

(1)LiDAR有關(guān)的因素，如測(cè)量噪聲、頻率、測(cè)量范圍及視場(chǎng)大?。?/p>

(2)與載體有關(guān)的因素，如運(yùn)動(dòng)速度(包括旋轉(zhuǎn)和平移)、點(diǎn)云重疊度、是否存在其他傳感器提供初始值以及初始值的質(zhì)量；

(3)與環(huán)境有關(guān)的因素，包括場(chǎng)景類型如室內(nèi)/室外、結(jié)構(gòu)化/非結(jié)構(gòu)化場(chǎng)景，環(huán)境中的動(dòng)態(tài)目標(biāo)以及遮擋程度。

關(guān)于掃描匹配方法評(píng)價(jià)的早期研究主要關(guān)注收斂速度和最終結(jié)果的精度[34]。對(duì)于精度的評(píng)價(jià)，平移分量較為簡(jiǎn)單，直接利用歐式距離即可；而對(duì)于旋轉(zhuǎn)分量精度的評(píng)價(jià)有多種不同方法，文獻(xiàn)[100]將3D掃描數(shù)據(jù)與2D的位姿真值融合，評(píng)價(jià)在2D空間中進(jìn)行，通過方位偏差絕對(duì)值來評(píng)價(jià)旋轉(zhuǎn)分量精度，統(tǒng)計(jì)量采用標(biāo)準(zhǔn)差和最大誤差。文獻(xiàn)[101]對(duì)6種用于SO(3)的距離進(jìn)行了評(píng)價(jià)，結(jié)果表明歐拉角差的范數(shù)不是一種距離，而采用單位球上的測(cè)地距離更可取。

文獻(xiàn)[27]對(duì)比了ICP、GICP和NICP算法。文獻(xiàn)[102]研究了匹配算法對(duì)于初始不對(duì)準(zhǔn)的魯棒性，在收斂域、魯棒性和配準(zhǔn)精度3個(gè)方面對(duì)比了ICP和3D-NDT方法。結(jié)果顯示：3D-NDT方法處理更快，能夠從偏離真值較大的初值達(dá)到收斂，但可能在初值偏差較小的情況下匹配失敗，因而相對(duì)來說ICP表現(xiàn)更可預(yù)見。文獻(xiàn)[103]研究了低重疊度對(duì)配準(zhǔn)算法的敏感度，并用于預(yù)測(cè)掃描匹配的失敗。文獻(xiàn)[104]評(píng)價(jià)了一個(gè)局部方法NDT和一個(gè)全局掃描配準(zhǔn)方法MUMC(Minimally Uncertain Maximum Consensus)。利用仿真進(jìn)行掃描匹配方法對(duì)比也是一種行之有效的方法，如文獻(xiàn)[34]利用仿真數(shù)據(jù)，針對(duì)不同的空間約束和傳感器噪聲對(duì)比了ICP的變種算法。文獻(xiàn)[105]針對(duì)室內(nèi)環(huán)境，仿真分析了何種LiDAR采用何種掃描匹配方法最優(yōu)，對(duì)比了標(biāo)準(zhǔn)ICP、CSM、MbICP、PSM和2D-NDT 共5種算法，并給出了選擇建議。

科學(xué)方法的一個(gè)關(guān)鍵部分是性能測(cè)試實(shí)驗(yàn)?zāi)軌虮黄渌芯咳藛T重復(fù)實(shí)現(xiàn)以便比較不同的結(jié)果。通常，文獻(xiàn)中進(jìn)行掃描匹配算法驗(yàn)證時(shí)往往選擇較為簡(jiǎn)單的適合相應(yīng)算法的場(chǎng)景與某一到兩種其他方法進(jìn)行對(duì)比，未測(cè)試或只測(cè)試上述個(gè)別因素對(duì)掃描匹配的影響；并且，同一算法在不同文獻(xiàn)中有不同的實(shí)現(xiàn)，這使得多種算法的嚴(yán)格對(duì)比難以實(shí)現(xiàn)。文獻(xiàn)[35]在激光掃描匹配方法評(píng)價(jià)方面具有里程碑意義，提出了利用公開數(shù)據(jù)集系統(tǒng)評(píng)價(jià)ICP及其改進(jìn)算法的首套規(guī)范，已成為許多學(xué)者評(píng)價(jià)激光掃描匹配方法的事實(shí)標(biāo)準(zhǔn)[90]。此外，該文還開源了一個(gè)模塊化的ICP庫，使得在同一框架下對(duì)比不同ICP改進(jìn)算法成為可能。

目前，對(duì)激光掃描匹配的大規(guī)模深入研究仍然較少。文獻(xiàn)[90]首次將文獻(xiàn)[35]提出的規(guī)范用于評(píng)價(jià)非ICP方法，同時(shí)指出文獻(xiàn)[35]提出的基準(zhǔn)存在重大缺陷：首先，來自數(shù)據(jù)集的可用掃描數(shù)據(jù)對(duì)的選擇較少，因而限制其應(yīng)用于全局掃描匹配方法；其次，所提供的初始偏移往往是不切實(shí)際的，而掃描重疊度通常較低，雖然這使得數(shù)據(jù)集更具挑戰(zhàn)性，但限制了其在更符合實(shí)際情況下的辨別力。相應(yīng)地，文獻(xiàn)[90]提出了對(duì)于掃描匹配評(píng)價(jià)測(cè)試規(guī)范[35]的修改建議：

(1)采用固定大小的位姿偏移(如文獻(xiàn)[86])，而不是從正態(tài)分布中采樣得到(即加方差一定的高斯噪聲)；

(2)提供更多確定可用的掃描對(duì)，大量的初始位姿估計(jì)只對(duì)局部方法有意義，對(duì)于不需要初值的全局方法，提供更多的掃描數(shù)據(jù)對(duì)及其真值更為重要。

6 總結(jié)與展望

回顧激光掃描匹配方法的發(fā)展變化，從最初的基于點(diǎn)的掃描匹配，到基于特征的掃描匹配，再到基于正態(tài)分布變換等數(shù)學(xué)性質(zhì)的掃描匹配，對(duì)掃描數(shù)據(jù)(即場(chǎng)景的采樣)的表示形式越來越高級(jí)；新的方法松弛甚至完全脫離了傳統(tǒng)方法的假設(shè)，使得模型越來越逼近真實(shí)情況，從而得到越來越精確、魯棒的結(jié)果；采用由粗到精的“兩步法”逐漸成為掃描匹配的標(biāo)準(zhǔn)方案，混合掃描匹配方法能夠揚(yáng)長(zhǎng)避短，從而提升系統(tǒng)的可靠性；隨著硬件計(jì)算能力的提升，一些求解更準(zhǔn)確但計(jì)算復(fù)雜度較高的方法變得可實(shí)時(shí)運(yùn)行，加速了場(chǎng)理論、譜技術(shù)、智能優(yōu)化算法等移植到掃描匹配的進(jìn)程。總的來說，激光掃描匹配已經(jīng)得到了相當(dāng)程度的發(fā)展，其中ICP類方法、基于特征的方法以及NDT類方法是目前發(fā)展較為成熟、應(yīng)用相對(duì)廣泛的代表性解決方案，但仍然存在一些亟待完善和解決的問題，同時(shí)也是激光掃描匹配研究的發(fā)展方向，可能包括但不限于：

(1)降低掃描匹配旋轉(zhuǎn)分量誤差，旋轉(zhuǎn)參數(shù)誤差往往與平移參數(shù)誤差在同一量級(jí)，但在較遠(yuǎn)處造成的實(shí)際偏差往往很大，使測(cè)得的圖不準(zhǔn)，誤差累積后漂移嚴(yán)重；

(2)應(yīng)對(duì)掃描點(diǎn)云運(yùn)動(dòng)畸變問題，由于傳感器隨載體快速運(yùn)動(dòng)，掃描點(diǎn)云產(chǎn)生變形難以匹配，尤其是采用低速旋轉(zhuǎn)3D LiDAR時(shí)[22]；

(3)有效處理動(dòng)態(tài)場(chǎng)景中的動(dòng)態(tài)目標(biāo)，首先是識(shí)別和跟蹤，然后是如何處理(如采用降權(quán)的方式，而不一定是直接剔除的方式)；

(4)長(zhǎng)期運(yùn)行而又不閉環(huán)情況下如何減小掃描匹配的累積誤差，即漂移問題；

(5)尋求新的魯棒高效的3D特征點(diǎn)，包括檢測(cè)算法和特征描述子；

(6)混合掃描匹配算法，魯棒于不同的環(huán)境條件，如重疊度變化、環(huán)境結(jié)構(gòu)性條件變化以及高動(dòng)態(tài)(如大旋轉(zhuǎn)角)，可自適應(yīng)調(diào)整參數(shù)[67]、切換或有效組合不同方法；

(7)故障監(jiān)測(cè)，即有效預(yù)測(cè)和檢測(cè)掃描匹配失??；

(8)運(yùn)用深度學(xué)習(xí)等人工智能技術(shù)來解決掃描匹配問題[106]；

(9)結(jié)合語義信息進(jìn)行掃描匹配(如利用語義信息輔助ICP算法中的對(duì)應(yīng)點(diǎn)匹配[107])。