讀書筆記-使用正態分佈變換（NDT）進行點雲配準
參考：使用正態分佈變換（Normal Distributions Transform）進行點雲配準
所謂NDT匹配，就是通過2幀相鄰的點雲，用正態分佈最優化原理，把位姿變換的變換矩陣算出來。
這裡講解了PCL官網上的一個例子，使用NDT配準演算法將兩塊激光描數據點雲匹配到一起。
英文地址: Point Cloud Library (PCL)
具體做法是：
步驟1：安裝好pcl1.8.1，注意安裝的時候要帶有-DBUILD_visualization=ON，否則常式序無法編譯。
步驟2：按照官網上所說，把代碼複製下來，然後做一個CMakeLists.txt，編譯一下。
步驟3：把官網上的room_scan1.pcd room_scan2.pcd下載下來。
步驟4：運行代碼，匹配哪一步估計要跑2分鐘，結果會出現一個room_scan2_transformed.pcd。
解釋一下，代碼所做的事情就是，
讀room_scan1.pcd作為目標點雲。意思就是，這裡是一個點雲地圖。
讀room_scan2.pcd作為輸入點雲。意思就是，這裡是一個當前測量幀。
那麼，當前幀到地圖，肯定存在一個旋轉平移的變換。
代碼用ndt.align()，推測出這個變換矩陣。
再用這個變換矩陣，把room_scan2.pcd變換為room_scan2_transformed.pcd。
可以把這3個pcd文件，放到CloudeCompare中查看比對，也可以直接用pcl_viewer來查看。方法是：
pcl_viewer room_scan1.pcd room_scan2.pcd
關於代碼中幾個重要的參數的調參，可以參考 PCL入門-配準好用之NDT
ndt.setTransformationEpsilon (0.01); // 用處不大的參數。最小精度。一旦增量變化低於此閾值，對齊就會終止。
ndt.setMaximumIterations (35); // 用處不大的參數。最大迭代次數。
ndt.setStepSize (0.1); // 需要調。允許的最大步長。搜索演算法確定低於此最大值的最佳步長，在接近最佳解時縮小步長。調的經驗：step的話可以先放大後變小，當然只是經驗公式
ndt.setResolution (1.0); // 需要調。網格的體素解析度。它需要足夠大，每個體素至少包含6個點，但小到足以唯一地描述環境。調的經驗：resolution在追求精度的情況下最好與點密度相等或者低一個數量級,這裡是激光點雲，所以我設了1米
推薦閱讀：
