Обеспечение ICP, внутренние метрики

Одним из возможных подходов может быть сравнение поз по их форме и ориентации.

Сравнение форм может быть выполнено с расстоянием Хаусдорфа с точностью до изометрии, т.е. форма, если

d(I(actual_pose), calculated_pose) < d_threshold

где d_threshold должно быть найдено из экспериментов. В качестве изометрических модификаций X я бы рассматривал повороты на разные углы - в этом случае кажется достаточным.

Если позы имеют одинаковую форму, мы должны сравнить их ориентацию. Для сравнения ориентации мы могли бы использовать несколько упрощенную Freksa модель. Для каждой позы мы должны вычислить значения

{x_y min, x_y max, x_z min, x_z max, y_z min, y_z max}

а затем убедитесь, что каждое различие между соответствующими значениями для поз не нарушает another_threshold, также полученное в результате экспериментов.

Надеюсь, это имеет какой-то смысл, или, по крайней мере, вы можете извлечь из этого что-то полезное для своей цели.

ICP пытается минимизировать расстояние между вашим облаком точек и моделью, да? Разве не имеет смысла оценивать его на основе того, каково это расстояние на самом деле после выполнения?

Я предполагаю, что он пытается минимизировать сумму квадратов расстояний между каждой точкой, которую вы пытаетесь подогнать, и ближайшей точкой модели. Итак, если вам нужна метрика качества, почему бы просто не нормализовать эту сумму, разделив ее на количество точек, которые она соответствует. Да, выбросы несколько нарушат его, но они также несколько нарушат вашу подгонку.

Кажется, что любой расчет, который вы можете придумать, который дает больше информации, чем то, что минимизирует ICP, было бы более полезно включить в сам алгоритм, поэтому он также может минимизировать это. знак равно

Обновить

Кажется, я не совсем понял алгоритм. Кажется, что он итеративно выбирает подмножество точек, преобразует их, чтобы минимизировать ошибку, а затем повторяет эти два шага? В этом случае ваше идеальное решение выбирает как можно больше точек, сохраняя при этом минимальную ошибку.

Вы сказали, что объединение двух терминов кажется слабым решением, но для меня это звучит как точное описание того, что вы хотите, и оно отражает две основные особенности алгоритма (да?). Оценка с использованием чего-то вроде error + B * (selected / total) кажется духовно похожей на то, как регуляризация используется для решения проблемы переобучения с алгоритмами градиентного спуска (и подобными) ML. Выбор хорошего значения для B потребует некоторых экспериментов.

Глядя на ваши примеры, кажется, что одним из факторов, определяющих, хороший матч или нет, является качество очков. Не могли бы вы использовать/вычислить весовой коэффициент при расчете вашей метрики?

Например, вы можете присвоить веса точкам, которые находятся в одной плоскости/в одной плоскости или пространственно близки, поскольку они, вероятно, определяют один и тот же объект. Это, возможно, позволит отклонить ваш перевернутый треугольник (поскольку точки находятся на одной линии, и это не лучший показатель общей позы), но угловой случай будет в порядке, поскольку они примерно определяют корпус.

В качестве альтернативы, возможно, взвешивание должно основываться на том, как точки распределены вокруг позы, опять же пытаясь обеспечить хорошее покрытие, а не сопоставлять небольшие нечеткие детали.