Як визначити якість матчів ICP?

В інтерфейсах SLAM, які використовують алгоритм Ітеративної найближчої точки (ICP) для виявлення асоціації між двома хмарами відповідних точок, як можна визначити, чи алгоритм застряг у локальному мінімумі та повертає неправильний результат?

Проблема визначається як узгодження двох точкових пластів, що є обома зразками деякої довільної структури поверхні, а вибіркові ділянки мають накладку 0-100%, що невідомо. Я знаю, що варіант Trimmed ICP працює ітеративно, намагаючись визначити перекриття, але навіть цей може бути затриманий у локальному мінімумі.

Наївним підходом було б виглядати середню квадратичну помилку ідентифікованих точкових пар. Але без певної оцінки вибірки це здається ризикованим порогом. У посібнику для Leica Cyclone вони пропонують вручну перевірити гістограму помилок пари. Якщо він має гауссову форму, то придатність хороша. Якщо є лінійне падіння, матч, ймовірно, поганий. Це здається правдоподібним для мене, але я ніколи не бачив, щоб він використовувався в алгоритмі.

Більшість простих методів ICP використовують підхід типу "Найменші квадрати". Це звичайно і найпростіше моделювати, якщо припускати, що модель помилки Гаусса пошкоджує дані хмарних точок. У цьому випадку компонент, що відповідає найменшому квадрату алгоритму ICP, створює модель помилки Гаусса для його параметрів рішення з оцінкою дисперсії.

Тобто, якщо у вас є доступ до помилки після відповідності, ви можете оцінити помилку Гаусса за параметрами вашої трансформації так само, як ви б оцінили помилку в будь-якій іншій лінійній регресії.

Якщо у вас є якась інформація з інших датчиків (наприклад, одометрія з кодувальників коліс), ви могли б скористатися цією можливістю, коли жорстке перетворення корпусу, яке пропонує лазерний сканер, вже далеко.

Пам'ятайте, що на довгих траєкторіях шлях оометрії розходяться від основної істини, але локально це досить точно.

PS. Це досить цікаве запитання, тому повідомте нам, як ви це зробили, якщо ви вирішили проблему.

Я думаю, що найкращим підходом було б використання набору даних, який містить основну правду. Набір даних, який найчастіше цитується в літературі, описаний у статті "Орієнтир для оцінки RGB-D SLAM-систем". Вони також описують кілька показників для порівняння результату оцінки вашої позиції з основною правдою. Сподіваюсь, це допомагає. Щасливе кодування.