因此，我已经编写了一种iterative closest point(ICP)算法，并将该模型适合点云。对于那些不了解ICP的人来说，这是一个快速教程，它是一种简单的算法，可将点拟合到模型，最终在模型和点之间提供均匀的变换矩阵。
这是一个快速图片教程。
步骤1.在模型集中找到与数据集最接近的点:
第2步:使用一堆有趣的数学运算(有时基于梯度下降或SVD)将云朵拉近，重复直到形成一个姿势:
![图2] [2]
现在，这一点很简单并且可以正常工作，我想提供的帮助是:
如何判断我的姿势好吗？
因此，目前我有两个想法，但它们有些怪异:
但是，如果姿势真的好呢？即使有几点，也可能是这样。我不想拒绝好的姿势:
因此，我们在这里看到的是，如果在正确的位置，低点实际上可以取得很好的位置。
因此，研究的另一个度量标准是提供的点数与使用的点数之比。这是一个例子
现在我们排除了离得太远的点，因为它们将成为异常值，这意味着我们需要一个良好的开始位置来使ICP起作用，但是我可以接受。现在在上面的示例中，保证将说不，这是一个不好的姿势，这是正确的，因为包含的点数与点数之比为:
2/11 < SOME_THRESHOLD
这样就可以了，但是在上面所示的三角形倒置的情况下，它将失败。可以说倒三角形是好的，因为ICP使用了所有这些点。
您不需要，需要成为ICP的专家才能回答这个问题，我正在寻找好主意。利用这些点的知识，我们如何对它是否是一个好的姿势解决方案进行分类？
最好同时使用这两个解决方案，但是如果您问我，这是一个非常la脚的解决方案，非常愚蠢，只能将其阈值化。
如何做到这一点有什么好主意？
PS。如果要添加一些代码，请继续。我在用c++工作。
PPS。有人可以帮我标记这个问题，但我不确定应该落在哪里。
最佳答案
一种可能的方法可能是通过姿势的形状和方向比较姿势。
可以使用Hausdorff distance up to isometry进行形状比较，也就是说，如果
d(I(actual_pose), calculated_pose) < d_threshold
应该从实验中找到
d_threshold。由于X的等距修改，我将考虑旋转不同角度-在这种情况下似乎足够了。如果姿势具有相同的形状，则应比较它们的方向。为了比较方向，我们可以使用简化的Freksa model。对于每个姿势，我们应该计算值
{x_y min, x_y max, x_z min, x_z max, y_z min, y_z max}
然后确保姿势的相应值之间的每个差异都不会破坏从实验得出的
another_threshold。希望这很有道理，或者至少您可以从中得出一些有用的信息。