应用于汽车多普勒雷达的鲁棒点集配准评估

点集配准是寻找两个点集间最佳对齐的过程，它是不同领域中的常见任务，尤其在汽车与移动机器人领域。文献中提出了许多方法，其中迭代最近点ICP是此类中著名的方法，其通过建立两个点集间的显式对应来实现配准任务。然而，本工作感兴趣的是遵循概率框架，在不建立两个点集间任何显式对应的情况下实现配准。点集配准中最关键的任务是如何构造衡量两个点集间距离的成本函数。概率框架包含两种可能的成本函数构建方式：求和与似然。本工作的主要重点是分析并比较两种方式的行为。因此，使用一个一维合成场景逐步构建成本函数及估计误差。最后，本工作使用两个数据集进行评估：一个二维合成数据集与一个真实数据集。评估过程比较并分析了估计误差与估计不确定性。为此，评估过程中使用了两种不同方法：归一化估计误差平方NEES与非可信度指数NCI。真实数据集由77 GHz汽车多普勒雷达提供，在真实评估中，我们将机器人的自运动估计作为配准应用进行评估。