我正在尝试使用 Lenovo Phab 2 Pro 合并从不同角度拍摄的点云。我使用帧对 COORDINATE_FRAME_START_OF_SERVICE 作为基础和 COORDINATE_FRAME_DEVICE 作为目标。然后，我使用TangoSupport.getMatrixTransformAtTime() 检索到的转换矩阵转换点云，其时间戳与点云相同。然而，点云的排列不如我希望的那样好，正如您在这张图片中看到的那样：
我认为这是由于设备在物体周围移动时所经历的漂移造成的。有没有办法通过使用区域学习或类似的东西来最小化漂移？或者我应该尝试以不同的方式合并点云，例如 ICP 注册？
【问题讨论】：
首先我会尝试使用区域学习。 在 Sturm(2015) 的演讲中，他谈到了误差 https://jsturm.de/publications/data/sturm2015_dagstuhl.pdf
其次，在估计姿势之前收集一些特征似乎更准确： Project Tango onPoseAvailable() and getPoseAtTime() discrepancies
我建议开始测量场景，移动设备，以便可以很好地估计视觉惯性里程计的规模，并在一分钟后开始测量深度图像。 （一个按钮工作得很好）。最后使用 TangoSupport.getMatrixTransformAtTime() 转换所有内容。
我认为 ICP 效果不会那么好，因为深度图像相当小且嘈杂。我对开发人员平板电脑的深度相机的准确度估计在 1.5 m 距离时约为 2mm，在 3 m 距离时约为 11 mm。
【讨论】：
实际上，只有鱼眼相机和 IMU 用于定位。 这意味着 3D 数据不用于定位。 因此，校准错误会导致不准确。 你可以找到calibration tutorial here。
提供的视觉里程计算法的帧到关键帧的漂移也可能是您的对齐问题的原因。
事实上，对于扫描物体，我推荐Structure，它提供了帧到模型的跟踪方法和更高分辨率的深度传感器。
【讨论】：