Iterative closest point (ICP) is an algorithm employed to minimize the difference between two clouds of points. ICP is often used to reconstruct 2D or 3D surfaces from different scans, to localize robots and achieve optimal path planning (especially when wheel odometry is unreliable due to slippery terrain), to co-register bone models, etc.
| Attributes | Values |
|---|
| rdf:type
| |
| rdfs:label
| - Iterative Closest Point Algorithm (de)
- Iteracia plej proksima punkto (eo)
- Iterative Closest Point (fr)
- Iterative closest point (en)
- Iteracyjny najbliższy punkt (pl)
- Итеративный алгоритм ближайших точек (ru)
|
| rdfs:comment
| - Iteracia plej proksima punkto (angle Iterative Closest Point) estas algoritmo uzata por kalkuli translokon inter du aroj de punktoj (en 3D-a spaco). ICP estas vaste uzata por rekonstruado de 3D-bildoj de ĉirkaŭaĵo baze de serio de tridimensia skanoj de ĉirkaŭaĵo. Ekz. en arĥitekturo ĝi kunigas kelkajn skanojn de konstruaĵo por ricevi plenan 3D-modelon. (eo)
- Iterative closest point (ICP) is an algorithm employed to minimize the difference between two clouds of points. ICP is often used to reconstruct 2D or 3D surfaces from different scans, to localize robots and achieve optimal path planning (especially when wheel odometry is unreliable due to slippery terrain), to co-register bone models, etc. (en)
- Der Iterative Closest Point Algorithm (ICP) ist ein Algorithmus, der es ermöglicht, Punktwolken aneinander anzupassen. Für die Anwendung des Verfahrens müssen die Punktwolken bereits vorab näherungsweise aufeinander ausgerichtet sein. (de)
- L'Iterative Closest Point (ICP) est un algorithme utilisé dans le but de mettre en correspondance deux jeux de données, le plus souvent sous la forme de nuages de points ou maillages correspondant à deux vues partielles d'un même objet. Une vue étant constituée d'un ensemble de points (reliés ou non par des arêtes), l'objectif est de minimiser itérativement la distance entre ces points. Les nombreuses évolutions qui ont été apportées à l'algorithme, et notamment l'abandon du critère d'appairage des données basé sur la distance pure, lui valent parfois le nom de Iterative Corresponding Point. (fr)
- Iteracyjny najbliższy punkt, ICP (ang. Iterative Closest Point) – algorytm stosowany w celu zminimalizowania różnicy między dwiema chmurami punktów. ICP jest powszechnie stosowany do rekonstrukcji trójwymiarowego otoczenia na podstawie serii jego skanów, na przykład w architekturze do łączenia kolejnych skanów budynków, celem utworzenia ich pełnego modelu 3D, w lokalizacji robotów, zwłaszcza do aktywnego planowania trasy (zazwyczaj tam, gdzie odometria jest niewiarygodna ze względu na śliski teren) itp. (pl)
- Итеративный алгоритм ближайших точек (англ. Iterative Closest Point — ICP) — алгоритм, использующийся для сведения к минимуму разницы между двумя облаками точек. ICP часто используется для восстановления двухмерных (2D) или трёхмерных (3D) поверхностей из разных сканов, для определения местоположения роботов и планирования оптимального их пути (особенно когда одометрия колеса ненадежна из-за скользкого ландшафта), регистрации модели кости и т.д. Входы: точки из двух необработанных сканов, первичная оценка трансформации, критерии для остановки итерации. Результат: совершенное преобразование. (ru)
|
| foaf:depiction
| |
| dct:subject
| |
| Wikipage page ID
| |
| Wikipage revision ID
| |
| Link from a Wikipage to another Wikipage
| |
| Link from a Wikipage to an external page
| |
| sameAs
| |
| dbp:wikiPageUsesTemplate
| |
| thumbnail
| |
| has abstract
| - Iteracia plej proksima punkto (angle Iterative Closest Point) estas algoritmo uzata por kalkuli translokon inter du aroj de punktoj (en 3D-a spaco). ICP estas vaste uzata por rekonstruado de 3D-bildoj de ĉirkaŭaĵo baze de serio de tridimensia skanoj de ĉirkaŭaĵo. Ekz. en arĥitekturo ĝi kunigas kelkajn skanojn de konstruaĵo por ricevi plenan 3D-modelon. (eo)
- Der Iterative Closest Point Algorithm (ICP) ist ein Algorithmus, der es ermöglicht, Punktwolken aneinander anzupassen. Für die Anwendung des Verfahrens müssen die Punktwolken bereits vorab näherungsweise aufeinander ausgerichtet sein. Bei der Durchführung des Algorithmus wird versucht, die Punktwolken mittels Rotation und Translation möglichst gut miteinander in Deckung zu bringen. Ausgehend von einem Satz von näherungsweise bestimmten anfänglichen Transformationsparametern für Rotation und Translation wird dazu für jeden Punkt aus der einen Punktwolke der jeweils nächste Punkt (closest point) aus der anderen Punktwolke bestimmt. Anschließend wird die Summe S der Quadrate der Abstände über alle diese Punktepaare gebildet. Damit hat man ein Maß für die Güte der Übereinstimmung zwischen den Punktwolken. Das Ziel ist es, dieses Optimierungsmaß, also die vorstehende Summe S, durch die Veränderung der Transformationsparameter zu minimieren. Für die Bestimmung der geeigneten Transformationsparameter gibt es unterschiedliche Ansätze, die z. T. auf der Struktur der zugrundeliegenden Punktwolken basieren. In jedem Falle handelt es sich dabei um einen iterativen Prozess, der so lange fortgeführt wird, bis ein akzeptables Optimum gefunden ist.
* Schritt 0: Näherungsweises Bestimmen der anfänglichen Transformationsparameter für Rotation R(0) und Translation T(0)
* ...
* Schritt n.1: Anwendung der Transformation mit den Parametern R(n-1) und T(n-1)
* Schritt n.2: Für jeden Punkt aus der einen Punktwolke Bestimmung des jeweils nächstgelegenen Punktes (closest point) aus der anderen Punktwolke
* Schritt n.3: Berechnung der Summe S der Abstandsquadrate der vorgenannten Punktepaare
* Schritt n.4: Bestimmung von neuen Transformationsparametern R(n) und T(n) [abgeleitet aus der Struktur der Punktwolken]
* ...
* Abbruch der Iteration, wenn im n-ten Schritt die Summe S(n) eine definierte Schwelle unterschreitet. Der Algorithmus wird vor allem zur relativen verwendet, womit aus mehreren Punktwolken ein Gesamtmodell erzeugt werden kann. Die Einzelpunktwolken können dabei z. B. durch Laserscanning oder photogrammetrische Verfahren der automatischen Bildzuordnung (dense image matching) erzeugt werden. Ein weiteres Anwendungsgebiet ist die Lokalisierung in der Robotik, ein Teilproblem von Simultaneous Localization and Mapping. (de)
- Iterative closest point (ICP) is an algorithm employed to minimize the difference between two clouds of points. ICP is often used to reconstruct 2D or 3D surfaces from different scans, to localize robots and achieve optimal path planning (especially when wheel odometry is unreliable due to slippery terrain), to co-register bone models, etc. (en)
- L'Iterative Closest Point (ICP) est un algorithme utilisé dans le but de mettre en correspondance deux jeux de données, le plus souvent sous la forme de nuages de points ou maillages correspondant à deux vues partielles d'un même objet. Une vue étant constituée d'un ensemble de points (reliés ou non par des arêtes), l'objectif est de minimiser itérativement la distance entre ces points. Les nombreuses évolutions qui ont été apportées à l'algorithme, et notamment l'abandon du critère d'appairage des données basé sur la distance pure, lui valent parfois le nom de Iterative Corresponding Point. L'ICP est utilisé dans de très nombreux domaines nécessitant la reconstruction d'objets 3D à partir de vues partielles : vision par ordinateur, robotique ou encore rétro-conception. (fr)
- Iteracyjny najbliższy punkt, ICP (ang. Iterative Closest Point) – algorytm stosowany w celu zminimalizowania różnicy między dwiema chmurami punktów. ICP jest powszechnie stosowany do rekonstrukcji trójwymiarowego otoczenia na podstawie serii jego skanów, na przykład w architekturze do łączenia kolejnych skanów budynków, celem utworzenia ich pełnego modelu 3D, w lokalizacji robotów, zwłaszcza do aktywnego planowania trasy (zazwyczaj tam, gdzie odometria jest niewiarygodna ze względu na śliski teren) itp. Algorytm jest bardzo prosty i jest powszechnie stosowany. Niestety dla części zastosowań jest zdecydowanie za wolny. (pl)
- Итеративный алгоритм ближайших точек (англ. Iterative Closest Point — ICP) — алгоритм, использующийся для сведения к минимуму разницы между двумя облаками точек. ICP часто используется для восстановления двухмерных (2D) или трёхмерных (3D) поверхностей из разных сканов, для определения местоположения роботов и планирования оптимального их пути (особенно когда одометрия колеса ненадежна из-за скользкого ландшафта), регистрации модели кости и т.д. Алгоритм концептуально прост и часто используется в режиме реального времени. Он многократно применяет преобразования (смещение, вращение) необходимые для сведения к минимуму расстояния между точками из двух необработанных сканов. Входы: точки из двух необработанных сканов, первичная оценка трансформации, критерии для остановки итерации. Результат: совершенное преобразование. По существу эти шаги алгоритма являются: 1.
* Связка точек по критерию ближайшего соседа. 2.
* Оценка параметров преобразования с помощью функции среднеквадратичной стоимости. 3.
* Преобразования точек с помощью оценочных параметров. 4.
* Многократные итерации (заново связывая точки и так далее). (ru)
|
| prov:wasDerivedFrom
| |
| page length (characters) of wiki page
| |
| foaf:isPrimaryTopicOf
| |
| is Link from a Wikipage to another Wikipage
of | |
| is Wikipage redirect
of | |
| is Wikipage disambiguates
of | |
| is foaf:primaryTopic
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)
