icp&ndt.md

1. 原理

   ICP（迭代最近点）： ICP 通过迭代优化将源点云对齐到目标点云。每次迭代中，算法会在源点云中找到与目标点云的最近点对，然后计算一个最佳的刚体变换来最小化这些点对之间的距离。 适合于稠密的、几何特征清晰的点云，能找到一个较好的点对以达到较高的对齐精度。

   NDT（法向分布变换）： NDT 将点云划分为栅格网格，每个网格内点的分布近似为一个法向高斯分布。然后，通过优化变换矩阵，将源点云的高斯分布与目标点云的高斯分布对齐，以最大化对齐效果。 适合稀疏点云和噪声较大的数据，可以容忍较少的点云特征。

2. 收敛性和精度

   ICP： ICP 对初始估计敏感，依赖于点对的最近距离匹配，所以需要一个较好的初始变换来确保收敛到全局最优解。 适合两帧之间差异较小的情况下应用，否则可能收敛到局部最优而不是全局最优。 NDT： NDT 的收敛性相对更好，因为其使用的分布特征能够在数据量少、特征稀疏的情况下提供更稳定的对齐。 更适合处理存在大范围移动或噪声较大的点云数据，即使没有良好的初始估计，也可以在一定范围内收敛到合理的对齐结果。

3. 适用场景

   ICP： 适合在几何特征清晰的点云或稠密点云之间进行对齐。例如，室内环境的激光雷达点云配准，机器人定位，或者需要高精度的逐点对齐的应用。 NDT： 适合在较稀疏的点云、存在噪声或动态变化的场景