PCL 中 Point-to-Point / Point-to-Plane / GICP / NDT 的区别与联系

0、总结

1、原理对比

Point-to-Point ICP

数学形式

目标是最小化最近点之间的欧式距离：

求解方式

使用 SVD 得到：

优点

• 实现简单

• 速度快

缺点

• 平面场景表现很差（会滑动）

• 收敛盆地很小，很容易局部最优

https://blog.csdn.net/weixin_39354845/article/details/157583803

Point-to-Plane ICP

数学形式

目标最小化点到目标点云局部平面的距离：

优点

• 比 point-to-point 快且精度更高

• 在平面场景极其稳健

• 是工业界默认的 ICP 版本（PCL 默认也推荐）

缺点

• 需要 目标法向量, 需要预处理

• 敏感于法向估计误差

https://blog.csdn.net/weixin_39354845/article/details/157660529?spm=1001.2014.3001.5502

GICP（Generalized ICP）

核心思想：

混合Point-to-Point与Point-to-Plane
引入双侧协方差

其中

• Ci = 源点局部协方差

• Ci′= 目标点局部协方差

本质是把点云局部当作一个椭球（高斯）。

特点

• 将局部几何直接编码在协方差里

• 在点云不均匀/有噪声时比 ICP 强很多

• 几何约束更完整 →收敛稳定性最好

缺点

• 需要计算两个点云的局部协方差

• 速度比 ICP 慢一些

https://blog.csdn.net/weixin_39354845/article/details/157837069?sharetype=blogdetail&sharerId=157837069&sharerefer=PC&sharesource=weixin_39354845&spm=1011.2480.3001.8118

NDT（Normal Distribution Transform）

原理

将目标点云分成体素，每个体素一个高斯分布：

特点

• 不直接用最近点 →不用搜索最近邻

• 对噪声、稀疏性、遮挡超强

• 收敛盆地最大（ICP 不行的它往往能行）

缺点

• 高斯匹配计算量大 →速度慢

• 依赖体素大小调参

• 对点云极度密集时不一定比 GICP 好

https://blog.csdn.net/weixin_39354845/article/details/157839214?spm=1011.2415.3001.5331

3、四者数学本质

所有方法都可以写成：

4、PCL 调用方式对比（C++示例）

① Point-to-Point ICP

pcl::IterativeClosestPoint<PointT, PointT> icp; icp.setInputSource(src); icp.setInputTarget(tgt); icp.align(result);

② Point-to-Plane ICP

pcl::IterativeClosestPointWithNormals<PointNormalT, PointNormalT> icp; icp.setInputSource(src_with_normals); icp.setInputTarget(tgt_with_normals); icp.align(result);

③ GICP

pcl::GeneralizedIterativeClosestPoint<PointT, PointT> gicp; gicp.setInputSource(src); gicp.setInputTarget(tgt); gicp.align(result);

④ NDT

pcl::NormalDistributionsTransform<PointT, PointT> ndt; ndt.setInputSource(src); ndt.setInputTarget(tgt); ndt.setResolution(1.0); ndt.align(result);

5、使用场景推荐

6、结论