Rigid registration of multi-view and multi-platform LiDAR scans is a fundamental problem in 3D mapping, robotic navigation, and large-scale urban modeling applications. Data acquisition with LiDAR sensors involves scanning multiple areas from different points of view, thus generating partially overlapping point clouds of the real world scenes. Traditionally, ICP (Iterative Closest Point) algorithm is used to register the acquired point clouds together to form a unique point cloud that captures the scanned real world scene. Conventional ICP faces local minima issues and often needs a coarse initial alignment to converge to the optimum. In this work, we present an algorithm for registering multiple, overlapping LiDAR scans. We introduce a geometric metric called Transformation Compatibility Measure (TCM) which aids in choosing the most similar point clouds for registration in each iteration of the algorithm. The LiDAR scan most similar to the reference LiDAR scan is then transformed using simplex technique. An optimization of the transformation using gradient descent and simulated annealing techniques are then applied to improve the resulting registration. We evaluate the proposed algorithm on four different real world scenes and experimental results shows that the registration performance of the proposed method is comparable or superior to the traditionally used registration methods. Further, the algorithm achieves superior registration results even when dealing with outliers.

中文翻译：

---

TCM-ICP：用于注册多个 LIDAR 扫描的转换兼容性度量

多视图和多平台 LiDAR 扫描的刚性配准是 3D 制图、机器人导航和大规模城市建模应用中的基本问题。使用 LiDAR 传感器进行数据采集涉及从不同角度扫描多个区域，从而生成真实世界场景的部分重叠点云。传统上，ICP（迭代最近点）算法用于将获取的点云配准在一起，形成一个独特的点云，捕获扫描的真实世界场景。传统 ICP 面临局部最小值问题，通常需要粗略的初始对齐才能收敛到最优值。在这项工作中，我们提出了一种用于注册多个重叠 LiDAR 扫描的算法。我们引入了一种称为变换兼容性度量 (TCM) 的几何度量，它有助于在算法的每次迭代中选择最相似的点云进行配准。然后使用单纯形技术转换与参考 LiDAR 扫描最相似的 LiDAR 扫描。然后使用梯度下降和模拟退火技术对变换进行优化，以改进结果配准。我们在四种不同的现实世界场景中评估了所提出的算法，实验结果表明，所提出的方法的配准性能与传统使用的配准方法相当或优于传统方法。此外，即使在处理异常值时，该算法也能获得出色的配准结果。然后使用单纯形技术转换与参考 LiDAR 扫描最相似的 LiDAR 扫描。然后使用梯度下降和模拟退火技术对变换进行优化，以改进结果配准。我们在四种不同的现实世界场景中评估了所提出的算法，实验结果表明，所提出的方法的配准性能与传统使用的配准方法相当或优于传统方法。此外，即使在处理异常值时，该算法也能获得出色的配准结果。然后使用单纯形技术转换与参考 LiDAR 扫描最相似的 LiDAR 扫描。然后使用梯度下降和模拟退火技术对变换进行优化，以改进结果配准。我们在四种不同的现实世界场景中评估了所提出的算法，实验结果表明，所提出的方法的配准性能与传统使用的配准方法相当或优于传统方法。此外，即使在处理异常值时，该算法也能获得出色的配准结果。我们在四种不同的现实世界场景中评估了所提出的算法，实验结果表明，所提出的方法的配准性能与传统使用的配准方法相当或优于传统方法。此外，即使在处理异常值时，该算法也能获得出色的配准结果。我们在四种不同的现实世界场景中评估了所提出的算法，实验结果表明，所提出的方法的配准性能与传统使用的配准方法相当或优于传统方法。此外，即使在处理异常值时，该算法也能获得出色的配准结果。