基于体素平面特征的点云配准流程；（a）初始的源点云和目标点云；（b）经过八叉树划分后的点云；（c）提取出的平面特征；（d）计算旋转矩阵的三对对应平面特征的例子；（e）变换矩阵聚类的例子，位置代表平移向量，颜色代表旋转矩阵；（f）快速验证变换矩阵，灰色表示没有找到匹配的共面平面；（g）精细验证变换矩阵，彩色方块表示有效的体素；（h）配准结果  福州大学供图

（a）点云数据配准前；（b）点云数据配准后；（c）和（d）点云配准后的局部细节  福州大学供图

全局定位组合平面特征与增强描述符；（a）提取出的平面特征；（b）组合平面特征；（c）增强描述符  福州大学供图

福州大学科研团队提出一种基于体素和自适应阈值区域生长提取平面特征的点云配准和定位方法，该方法相当赋予了无人驾驶设备眼睛和大脑，是实现自动驾驶的重要技术之一。相关研究成果以“基于体素平面特征的点云配准与定位”为题，5月5日在线发表于摄影测量与遥感领域国际顶级期刊《ISPRS摄影测量和遥感杂志》上。论文的第一作者是福州大学副研究员李建微，通讯作者为副教授王前锋。

无人汽车为代表的自动驾驶的技术核心之一是，一种被称“即时定位与构建”（英文缩写为SLAM）的智能技术，该项技术是当今人工智能与自动化领域亟待突破的难点之一。福州大学科研团队在该领域的研究获得突破，提出了面向点云特征的高效提取方法，并利用所提取的特征建立了一种点云粗配准框架和全局定位方法，分别用于重建三维环境与确定相对于环境的自身位姿。

据了解，该算法的配准成功率达到96%以上，是领域内目前最好的配准方法之一；并且在定位成功率也上有显著提升，超过了91%。该算法可让无人设备实时感知并重建周围环境，确定自身当前位置及姿态，同时具备运算速度快的优势，可为设备提供较强的适应性，在机器人寻路、自动驾驶及增强现实领域具有广阔的应用前景。不仅如此，该算法创新地实现了不同方法在特征提取层面的高效融合，以满足于更大场景、更短时间及更高精度的定位及定姿要求。

相关论文信息：https://doi.org/10.1016/j.isprsjprs.2022.04.017