Point clouds registration is a fundamental step of many point clouds processing pipelines; however, most algorithms are tested on data that are collected ad-hoc and not shared with the research community. These data often cover only a very limited set of use cases; therefore, the results cannot be generalized. Public datasets proposed until now, taken individually, cover only a few kinds of environment and mostly a single sensor. For these reasons, we developed a benchmark, for localization and mapping applications, using multiple publicly available datasets. In this way, we are able to cover many kinds of environment and many kinds of sensor that can produce point clouds. Furthermore, the ground truth has been thoroughly inspected and evaluated to ensure its quality. For some of the datasets, the accuracy of the ground truth measuring system was not reported by the original authors, therefore we estimated it with our own novel method, based on an iterative registration algorithm. Along with the data, we provide a broad set of registration problems, chosen to cover different types of initial misalignment, various degrees of overlap, and different kinds of registration problems. Lastly, we propose a metric to measure the performances of registration algorithms: it combines the commonly used rotation and translation errors together, to allow an objective comparison of the alignments. This work aims at encouraging authors to use a public and shared benchmark, instead of data collected ad-hoc, to ensure objectivity and repeatability, two fundamental characteristics in any scientific field.

点云注册是许多点云处理管道的基本步骤。但是，大多数算法都是根据临时收集的数据进行测试，而不是与研究社区共享。这些数据通常只涵盖了非常有限的用例集。因此，结果不能一概而论。到目前为止，提出的公共数据集是单独收集的，仅覆盖几种环境，并且大部分覆盖单个传感器。由于这些原因，我们使用多个公开可用的数据集为本地化和制图应用程序开发了一个基准。这样，我们就可以覆盖多种环境和多种可以生成点云的传感器。此外，已经对基础事实进行了彻底检查和评估，以确保其质量。对于某些数据集，地面真实测量系统的准确性并未得到原始作者的报道，因此，我们基于迭代配准算法，用我们自己的新颖方法对其进行了估算。连同数据一起，我们提供了广泛的套准问题，它们被选择来涵盖不同类型的初始未对准，各种程度的重叠以及各种套准问题。最后，我们提出了一种衡量配准算法性能的度量标准：它将常用的旋转和平移误差结合在一起，从而可以对比对进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。因此，我们基于迭代配准算法，使用我们自己的新颖方法对其进行了估算。连同数据一起，我们提供了广泛的套准问题，它们被选择来涵盖不同类型的初始未对准，各种程度的重叠以及不同种类的套准问题。最后，我们提出一种度量标准来衡量配准算法的性能：它将常用的旋转和平移误差结合在一起，以便对比对进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。因此，我们基于迭代配准算法，使用我们自己的新颖方法对其进行了估算。连同数据一起，我们提供了广泛的套准问题，它们被选择来涵盖不同类型的初始未对准，各种程度的重叠以及不同种类的套准问题。最后，我们提出一种度量标准来衡量配准算法的性能：它将常用的旋转和平移误差结合在一起，以便对比对进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。我们提供了广泛的套准问题，可以选择以涵盖不同类型的初始未对准，各种程度的重叠以及不同种类的套准问题。最后，我们提出了一种衡量配准算法性能的度量标准：它将常用的旋转和平移误差结合在一起，从而可以对比对进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。我们提供了广泛的套准问题，可以选择以涵盖不同类型的初始未对准，各种程度的重叠以及不同种类的套准问题。最后，我们提出了一种衡量配准算法性能的度量标准：它将常用的旋转和平移误差结合在一起，从而可以对比对进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。它结合了常用的旋转和平移误差，可以对路线进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。它结合了常用的旋转和平移误差，可以对路线进行客观比较。这项工作旨在鼓励作者使用公开和共享的基准，而不是临时收集数据，以确保客观性和可重复性，这是任何科学领域的两个基本特征。