. . . "L'Iterative Closest Point (ICP) est un algorithme utilis\u00E9 dans le but de mettre en correspondance deux jeux de donn\u00E9es, le plus souvent sous la forme de nuages de points ou maillages correspondant \u00E0 deux vues partielles d'un m\u00EAme objet. Une vue \u00E9tant constitu\u00E9e d'un ensemble de points (reli\u00E9s ou non par des ar\u00EAtes), l'objectif est de minimiser it\u00E9rativement la distance entre ces points. Les nombreuses \u00E9volutions qui ont \u00E9t\u00E9 apport\u00E9es \u00E0 l'algorithme, et notamment l'abandon du crit\u00E8re d'appairage des donn\u00E9es bas\u00E9 sur la distance pure, lui valent parfois le nom de Iterative Corresponding Point. L'ICP est utilis\u00E9 dans de tr\u00E8s nombreux domaines n\u00E9cessitant la reconstruction d'objets 3D \u00E0 partir de vues partielles : vision par ordinateur, robotique ou encore r\u00E9tro-conception."@fr . . . "Iterative Closest Point"@fr . . "Iteracyjny najbli\u017Cszy punkt"@pl . "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 erm\u00F6glicht, Punktwolken aneinander anzupassen. F\u00FCr die Anwendung des Verfahrens m\u00FCssen die Punktwolken bereits vorab n\u00E4herungsweise aufeinander ausgerichtet sein."@de . . "Iterative Closest Point Algorithm"@de . "L'Iterative Closest Point (ICP) est un algorithme utilis\u00E9 dans le but de mettre en correspondance deux jeux de donn\u00E9es, le plus souvent sous la forme de nuages de points ou maillages correspondant \u00E0 deux vues partielles d'un m\u00EAme objet. Une vue \u00E9tant constitu\u00E9e d'un ensemble de points (reli\u00E9s ou non par des ar\u00EAtes), l'objectif est de minimiser it\u00E9rativement la distance entre ces points. Les nombreuses \u00E9volutions qui ont \u00E9t\u00E9 apport\u00E9es \u00E0 l'algorithme, et notamment l'abandon du crit\u00E8re d'appairage des donn\u00E9es bas\u00E9 sur la distance pure, lui valent parfois le nom de Iterative Corresponding Point."@fr . "Iterative closest point"@en . . . "\u0418\u0442\u0435\u0440\u0430\u0442\u0438\u0432\u043D\u044B\u0439 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C \u0431\u043B\u0438\u0436\u0430\u0439\u0448\u0438\u0445 \u0442\u043E\u0447\u0435\u043A (\u0430\u043D\u0433\u043B. Iterative Closest Point \u2014 ICP) \u2014 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C, \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u044E\u0449\u0438\u0439\u0441\u044F \u0434\u043B\u044F \u0441\u0432\u0435\u0434\u0435\u043D\u0438\u044F \u043A \u043C\u0438\u043D\u0438\u043C\u0443\u043C\u0443 \u0440\u0430\u0437\u043D\u0438\u0446\u044B \u043C\u0435\u0436\u0434\u0443 \u0434\u0432\u0443\u043C\u044F \u043E\u0431\u043B\u0430\u043A\u0430\u043C\u0438 \u0442\u043E\u0447\u0435\u043A. ICP \u0447\u0430\u0441\u0442\u043E \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0434\u043B\u044F \u0432\u043E\u0441\u0441\u0442\u0430\u043D\u043E\u0432\u043B\u0435\u043D\u0438\u044F \u0434\u0432\u0443\u0445\u043C\u0435\u0440\u043D\u044B\u0445 (2D) \u0438\u043B\u0438 \u0442\u0440\u0451\u0445\u043C\u0435\u0440\u043D\u044B\u0445 (3D) \u043F\u043E\u0432\u0435\u0440\u0445\u043D\u043E\u0441\u0442\u0435\u0439 \u0438\u0437 \u0440\u0430\u0437\u043D\u044B\u0445 \u0441\u043A\u0430\u043D\u043E\u0432, \u0434\u043B\u044F \u043E\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u044F \u043C\u0435\u0441\u0442\u043E\u043F\u043E\u043B\u043E\u0436\u0435\u043D\u0438\u044F \u0440\u043E\u0431\u043E\u0442\u043E\u0432 \u0438 \u043F\u043B\u0430\u043D\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u043E\u043F\u0442\u0438\u043C\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0438\u0445 \u043F\u0443\u0442\u0438 (\u043E\u0441\u043E\u0431\u0435\u043D\u043D\u043E \u043A\u043E\u0433\u0434\u0430 \u043E\u0434\u043E\u043C\u0435\u0442\u0440\u0438\u044F \u043A\u043E\u043B\u0435\u0441\u0430 \u043D\u0435\u043D\u0430\u0434\u0435\u0436\u043D\u0430 \u0438\u0437-\u0437\u0430 \u0441\u043A\u043E\u043B\u044C\u0437\u043A\u043E\u0433\u043E \u043B\u0430\u043D\u0434\u0448\u0430\u0444\u0442\u0430), \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0430\u0446\u0438\u0438 \u043C\u043E\u0434\u0435\u043B\u0438 \u043A\u043E\u0441\u0442\u0438 \u0438 \u0442.\u0434. \u0410\u043B\u0433\u043E\u0440\u0438\u0442\u043C \u043A\u043E\u043D\u0446\u0435\u043F\u0442\u0443\u0430\u043B\u044C\u043D\u043E \u043F\u0440\u043E\u0441\u0442 \u0438 \u0447\u0430\u0441\u0442\u043E \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0432 \u0440\u0435\u0436\u0438\u043C\u0435 \u0440\u0435\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0432\u0440\u0435\u043C\u0435\u043D\u0438. \u041E\u043D \u043C\u043D\u043E\u0433\u043E\u043A\u0440\u0430\u0442\u043D\u043E \u043F\u0440\u0438\u043C\u0435\u043D\u044F\u0435\u0442 \u043F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u044F (\u0441\u043C\u0435\u0449\u0435\u043D\u0438\u0435, \u0432\u0440\u0430\u0449\u0435\u043D\u0438\u0435) \u043D\u0435\u043E\u0431\u0445\u043E\u0434\u0438\u043C\u044B\u0435 \u0434\u043B\u044F \u0441\u0432\u0435\u0434\u0435\u043D\u0438\u044F \u043A \u043C\u0438\u043D\u0438\u043C\u0443\u043C\u0443 \u0440\u0430\u0441\u0441\u0442\u043E\u044F\u043D\u0438\u044F \u043C\u0435\u0436\u0434\u0443 \u0442\u043E\u0447\u043A\u0430\u043C\u0438 \u0438\u0437 \u0434\u0432\u0443\u0445 \u043D\u0435\u043E\u0431\u0440\u0430\u0431\u043E\u0442\u0430\u043D\u043D\u044B\u0445 \u0441\u043A\u0430\u043D\u043E\u0432. \u0412\u0445\u043E\u0434\u044B: \u0442\u043E\u0447\u043A\u0438 \u0438\u0437 \u0434\u0432\u0443\u0445 \u043D\u0435\u043E\u0431\u0440\u0430\u0431\u043E\u0442\u0430\u043D\u043D\u044B\u0445 \u0441\u043A\u0430\u043D\u043E\u0432, \u043F\u0435\u0440\u0432\u0438\u0447\u043D\u0430\u044F \u043E\u0446\u0435\u043D\u043A\u0430 \u0442\u0440\u0430\u043D\u0441\u0444\u043E\u0440\u043C\u0430\u0446\u0438\u0438, \u043A\u0440\u0438\u0442\u0435\u0440\u0438\u0438 \u0434\u043B\u044F \u043E\u0441\u0442\u0430\u043D\u043E\u0432\u043A\u0438 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438. \u0420\u0435\u0437\u0443\u043B\u044C\u0442\u0430\u0442: \u0441\u043E\u0432\u0435\u0440\u0448\u0435\u043D\u043D\u043E\u0435 \u043F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u0435. \u041F\u043E \u0441\u0443\u0449\u0435\u0441\u0442\u0432\u0443 \u044D\u0442\u0438 \u0448\u0430\u0433\u0438 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C\u0430 \u044F\u0432\u043B\u044F\u044E\u0442\u0441\u044F: 1. \n* \u0421\u0432\u044F\u0437\u043A\u0430 \u0442\u043E\u0447\u0435\u043A \u043F\u043E \u043A\u0440\u0438\u0442\u0435\u0440\u0438\u044E \u0431\u043B\u0438\u0436\u0430\u0439\u0448\u0435\u0433\u043E \u0441\u043E\u0441\u0435\u0434\u0430. 2. \n* \u041E\u0446\u0435\u043D\u043A\u0430 \u043F\u0430\u0440\u0430\u043C\u0435\u0442\u0440\u043E\u0432 \u043F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u044F \u0441 \u043F\u043E\u043C\u043E\u0449\u044C\u044E \u0444\u0443\u043D\u043A\u0446\u0438\u0438 \u0441\u0440\u0435\u0434\u043D\u0435\u043A\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043D\u043E\u0439 \u0441\u0442\u043E\u0438\u043C\u043E\u0441\u0442\u0438. 3. \n* \u041F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u044F \u0442\u043E\u0447\u0435\u043A \u0441 \u043F\u043E\u043C\u043E\u0449\u044C\u044E \u043E\u0446\u0435\u043D\u043E\u0447\u043D\u044B\u0445 \u043F\u0430\u0440\u0430\u043C\u0435\u0442\u0440\u043E\u0432. 4. \n* \u041C\u043D\u043E\u0433\u043E\u043A\u0440\u0430\u0442\u043D\u044B\u0435 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438 (\u0437\u0430\u043D\u043E\u0432\u043E \u0441\u0432\u044F\u0437\u044B\u0432\u0430\u044F \u0442\u043E\u0447\u043A\u0438 \u0438 \u0442\u0430\u043A \u0434\u0430\u043B\u0435\u0435)."@ru . . . . . . . . . . . . "7360"^^ . . "Iteracyjny najbli\u017Cszy punkt, ICP (ang. Iterative Closest Point) \u2013 algorytm stosowany w celu zminimalizowania r\u00F3\u017Cnicy mi\u0119dzy dwiema chmurami punkt\u00F3w. ICP jest powszechnie stosowany do rekonstrukcji tr\u00F3jwymiarowego otoczenia na podstawie serii jego skan\u00F3w, na przyk\u0142ad w architekturze do \u0142\u0105czenia kolejnych skan\u00F3w budynk\u00F3w, celem utworzenia ich pe\u0142nego modelu 3D, w lokalizacji robot\u00F3w, zw\u0142aszcza do aktywnego planowania trasy (zazwyczaj tam, gdzie odometria jest niewiarygodna ze wzgl\u0119du na \u015Bliski teren) itp."@pl . "\u0418\u0442\u0435\u0440\u0430\u0442\u0438\u0432\u043D\u044B\u0439 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C \u0431\u043B\u0438\u0436\u0430\u0439\u0448\u0438\u0445 \u0442\u043E\u0447\u0435\u043A (\u0430\u043D\u0433\u043B. Iterative Closest Point \u2014 ICP) \u2014 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C, \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u044E\u0449\u0438\u0439\u0441\u044F \u0434\u043B\u044F \u0441\u0432\u0435\u0434\u0435\u043D\u0438\u044F \u043A \u043C\u0438\u043D\u0438\u043C\u0443\u043C\u0443 \u0440\u0430\u0437\u043D\u0438\u0446\u044B \u043C\u0435\u0436\u0434\u0443 \u0434\u0432\u0443\u043C\u044F \u043E\u0431\u043B\u0430\u043A\u0430\u043C\u0438 \u0442\u043E\u0447\u0435\u043A. ICP \u0447\u0430\u0441\u0442\u043E \u0438\u0441\u043F\u043E\u043B\u044C\u0437\u0443\u0435\u0442\u0441\u044F \u0434\u043B\u044F \u0432\u043E\u0441\u0441\u0442\u0430\u043D\u043E\u0432\u043B\u0435\u043D\u0438\u044F \u0434\u0432\u0443\u0445\u043C\u0435\u0440\u043D\u044B\u0445 (2D) \u0438\u043B\u0438 \u0442\u0440\u0451\u0445\u043C\u0435\u0440\u043D\u044B\u0445 (3D) \u043F\u043E\u0432\u0435\u0440\u0445\u043D\u043E\u0441\u0442\u0435\u0439 \u0438\u0437 \u0440\u0430\u0437\u043D\u044B\u0445 \u0441\u043A\u0430\u043D\u043E\u0432, \u0434\u043B\u044F \u043E\u043F\u0440\u0435\u0434\u0435\u043B\u0435\u043D\u0438\u044F \u043C\u0435\u0441\u0442\u043E\u043F\u043E\u043B\u043E\u0436\u0435\u043D\u0438\u044F \u0440\u043E\u0431\u043E\u0442\u043E\u0432 \u0438 \u043F\u043B\u0430\u043D\u0438\u0440\u043E\u0432\u0430\u043D\u0438\u044F \u043E\u043F\u0442\u0438\u043C\u0430\u043B\u044C\u043D\u043E\u0433\u043E \u0438\u0445 \u043F\u0443\u0442\u0438 (\u043E\u0441\u043E\u0431\u0435\u043D\u043D\u043E \u043A\u043E\u0433\u0434\u0430 \u043E\u0434\u043E\u043C\u0435\u0442\u0440\u0438\u044F \u043A\u043E\u043B\u0435\u0441\u0430 \u043D\u0435\u043D\u0430\u0434\u0435\u0436\u043D\u0430 \u0438\u0437-\u0437\u0430 \u0441\u043A\u043E\u043B\u044C\u0437\u043A\u043E\u0433\u043E \u043B\u0430\u043D\u0434\u0448\u0430\u0444\u0442\u0430), \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0430\u0446\u0438\u0438 \u043C\u043E\u0434\u0435\u043B\u0438 \u043A\u043E\u0441\u0442\u0438 \u0438 \u0442.\u0434. \u0412\u0445\u043E\u0434\u044B: \u0442\u043E\u0447\u043A\u0438 \u0438\u0437 \u0434\u0432\u0443\u0445 \u043D\u0435\u043E\u0431\u0440\u0430\u0431\u043E\u0442\u0430\u043D\u043D\u044B\u0445 \u0441\u043A\u0430\u043D\u043E\u0432, \u043F\u0435\u0440\u0432\u0438\u0447\u043D\u0430\u044F \u043E\u0446\u0435\u043D\u043A\u0430 \u0442\u0440\u0430\u043D\u0441\u0444\u043E\u0440\u043C\u0430\u0446\u0438\u0438, \u043A\u0440\u0438\u0442\u0435\u0440\u0438\u0438 \u0434\u043B\u044F \u043E\u0441\u0442\u0430\u043D\u043E\u0432\u043A\u0438 \u0438\u0442\u0435\u0440\u0430\u0446\u0438\u0438. \u0420\u0435\u0437\u0443\u043B\u044C\u0442\u0430\u0442: \u0441\u043E\u0432\u0435\u0440\u0448\u0435\u043D\u043D\u043E\u0435 \u043F\u0440\u0435\u043E\u0431\u0440\u0430\u0437\u043E\u0432\u0430\u043D\u0438\u0435."@ru . "Iteracia plej proksima punkto"@eo . . . . . . . . . . "Iteracyjny najbli\u017Cszy punkt, ICP (ang. Iterative Closest Point) \u2013 algorytm stosowany w celu zminimalizowania r\u00F3\u017Cnicy mi\u0119dzy dwiema chmurami punkt\u00F3w. ICP jest powszechnie stosowany do rekonstrukcji tr\u00F3jwymiarowego otoczenia na podstawie serii jego skan\u00F3w, na przyk\u0142ad w architekturze do \u0142\u0105czenia kolejnych skan\u00F3w budynk\u00F3w, celem utworzenia ich pe\u0142nego modelu 3D, w lokalizacji robot\u00F3w, zw\u0142aszcza do aktywnego planowania trasy (zazwyczaj tam, gdzie odometria jest niewiarygodna ze wzgl\u0119du na \u015Bliski teren) itp. Algorytm jest bardzo prosty i jest powszechnie stosowany. Niestety dla cz\u0119\u015Bci zastosowa\u0144 jest zdecydowanie za wolny."@pl . "Der Iterative Closest Point Algorithm (ICP) ist ein Algorithmus, der es erm\u00F6glicht, Punktwolken aneinander anzupassen. F\u00FCr die Anwendung des Verfahrens m\u00FCssen die Punktwolken bereits vorab n\u00E4herungsweise aufeinander ausgerichtet sein. Bei der Durchf\u00FChrung des Algorithmus wird versucht, die Punktwolken mittels Rotation und Translation m\u00F6glichst gut miteinander in Deckung zu bringen. Ausgehend von einem Satz von n\u00E4herungsweise bestimmten anf\u00E4nglichen Transformationsparametern f\u00FCr Rotation und Translation wird dazu f\u00FCr jeden Punkt aus der einen Punktwolke der jeweils n\u00E4chste Punkt (closest point) aus der anderen Punktwolke bestimmt. Anschlie\u00DFend wird die Summe S der Quadrate der Abst\u00E4nde \u00FCber alle diese Punktepaare gebildet. Damit hat man ein Ma\u00DF f\u00FCr die G\u00FCte der \u00DCbereinstimmung zwischen den Punktwolken. Das Ziel ist es, dieses Optimierungsma\u00DF, also die vorstehende Summe S, durch die Ver\u00E4nderung der Transformationsparameter zu minimieren. F\u00FCr die Bestimmung der geeigneten Transformationsparameter gibt es unterschiedliche Ans\u00E4tze, die z. T. auf der Struktur der zugrundeliegenden Punktwolken basieren. In jedem Falle handelt es sich dabei um einen iterativen Prozess, der so lange fortgef\u00FChrt wird, bis ein akzeptables Optimum gefunden ist. \n* Schritt 0: N\u00E4herungsweises Bestimmen der anf\u00E4nglichen Transformationsparameter f\u00FCr Rotation R(0) und Translation T(0) \n* ... \n* Schritt n.1: Anwendung der Transformation mit den Parametern R(n-1) und T(n-1) \n* Schritt n.2: F\u00FCr jeden Punkt aus der einen Punktwolke Bestimmung des jeweils n\u00E4chstgelegenen Punktes (closest point) aus der anderen Punktwolke \n* Schritt n.3: Berechnung der Summe S der Abstandsquadrate der vorgenannten Punktepaare \n* Schritt n.4: Bestimmung von neuen Transformationsparametern R(n) und T(n) [abgeleitet aus der Struktur der Punktwolken] \n* ... \n* 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 k\u00F6nnen 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 . . . . "1830232"^^ . . . . "1095051621"^^ . "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 \u0109irka\u016Da\u0135o baze de serio de tridimensia skanoj de \u0109irka\u016Da\u0135o. Ekz. en ar\u0125itekturo \u011Di kunigas kelkajn skanojn de konstrua\u0135o por ricevi plenan 3D-modelon."@eo . . "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 \u0109irka\u016Da\u0135o baze de serio de tridimensia skanoj de \u0109irka\u016Da\u0135o. Ekz. en ar\u0125itekturo \u011Di kunigas kelkajn skanojn de konstrua\u0135o por ricevi plenan 3D-modelon."@eo . "\u0418\u0442\u0435\u0440\u0430\u0442\u0438\u0432\u043D\u044B\u0439 \u0430\u043B\u0433\u043E\u0440\u0438\u0442\u043C \u0431\u043B\u0438\u0436\u0430\u0439\u0448\u0438\u0445 \u0442\u043E\u0447\u0435\u043A"@ru . . . . . . . .