128、点云配准与ICP：经典配准算法与深度学习配准从一次失败的机械臂抓取说起上周调试一台双臂协作机器人，左手持结构光相机扫描桌面上的随机堆叠工件，右手准备执行抓取。问题出在“对齐”这一步——相机扫描得到的点云和CAD模型点云之间差了大约15度的旋转，导致抓取姿态计算出来直接怼到桌面上。我第一反应是“ICP跑一下不就行了”，结果跑了三分钟，误差纹丝不动，甚至越迭代越发散。后来查了日志才发现，初始位姿给得太离谱，ICP直接掉进了局部最优。这个场景太典型了——很多人以为点云配准就是调个ICP库函数，实际工程里坑比想象中多得多。今天这篇笔记，咱们把点云配准这件事从头捋一遍。经典ICP及其变体是绕不开的基石，但深度学习配准方法在鲁棒性和速度上确实带来了新思路。我会结合自己调试机器人感知系统的实际经验，把那些文档里不会写的细节都翻出来晒一晒。点云配准到底在解决什么问题先明确一下定义。给定两片点云——源点云P和目标点云Q，配准的目标是找到一个刚体变换T（旋转矩阵R和平移向量t），使得P经过变换后与Q在空间上尽可能重合。数学上就是最小化：E(R,t) = Σ || R·p_i + t - q_j ||²其中p_i是P中的点，q_j是Q中与p_i对应的最近点。这个公式看着简单，但有两个致命问题：一是对应关系未知，二是目标函数非凸，存在大量局部极小值。工程上更直白的说法是：你得先知道“谁跟谁是一对”，才能算变换；但变换没算出来之前，你又不知道谁跟谁是一对。这就是典型的“鸡生蛋蛋生鸡”问题。ICP的