Open3D｜SLAM 點雲圖鑑

An MIT-licensed C++/Python library for point clouds, meshes and RGB-D images, including voxel downsampling, normal estimation, ICP and volumetric integration.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

Open3D 的技術屬性
感測輸入	RGB-D
原文測試平台	未記錄
狀態估計	不適用
資料關聯	不適用
時間表示	不適用
去畸變	不適用
迴圈閉合	不適用
全域最佳化	multiway registration by pose graph optimization with in-house Gauss-Newton and Levenberg-Marquardt solvers; robust pose graph optimization inside the example RGB-D scene reconstruction pipeline (Sec. 2, 3.3, 3.4)
地圖表示	point clouds, triangle meshes, RGB-D images; volumetric (TSDF) integration module
先驗資訊	none
可輸出幾何	point clouds and meshes (e.g., via volumetric integration)
計算需求	CPU, OpenMP parallelization

使用設備

尚未收錄此方法的設備紀錄；設備資料仍在分批查證，沒有紀錄不代表原文未使用任何設備。

作者報告的優勢與限制

優勢

Authors report their ICP is up to 25 times faster than PCL's counterpart (Sec. 4).
Clean code base with code review and continuous integration (Sec. 5).
OpenMP parallelisation sped up the most time-consuming functions by a factor of 3-6 on a modern CPU, and the reconstruction pipeline runs up to an order of magnitude faster than the original release by Choi et al. (Sec. 4).
The Python version of a load, downsample and normal-estimation task is about five times shorter than a PCL-based implementation (Sec. 2, Fig. 1).

限制

Speed-up claims (25x ICP versus PCL, 3-6x from parallelisation) are given without hardware, datasets or timing protocol (Sec. 4).
No geometric accuracy evaluation; the paper is a library description (whole paper).

營建工程相關證據

工具性函式庫，本論文未涉及營建。

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 2 個比較組，合計 15 筆紀錄。

Park et al., 2022 · Table VI 本方法 12 筆

指標資料集與序列

表格設定（擷取紀錄原文）：loop-closure misalignment estimation on mixed indoor and outdoor data; ground truth from the globally optimised trajectory; 10 locations x 50 random initial guesses (500 triggers) per level; Easy sigma_theta_z 10 deg, sigma_theta_xy 1 deg, sigma_t 0.5 m; Medium 50, 5, 5; Hard 100, 20, 50; text calls the values RMSE, caption calls them error norms with std in parentheses. Values read from the VoR Table VI by the second checker (Park et al., 2022, Table VI)

e_t translation error，authors' mixed indoor and outdoor point clouds · Easy initial guess

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Park et al., 2022 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：均方根誤差（RMSE）；對齊方式：不適用；單位：m；場景：indoor and outdoor mixed

資料來源作者報告值(Park et al., 2022, Table VI)

數值與出處
方法（原文寫法）	報告值	出處
(a) Sparse surfel ICP (configuration of previous work [2])	0.04 m	(Park et al., 2022, Table VI (VoR, p. 993; identical to arXiv v1 Table V))
(b) Open3D global registration (FPFH + RANSAC) [60]本方法	0.3 m	(Park et al., 2022, Table VI (VoR, p. 993; identical to arXiv v1 Table V))
(c) SHOT initialisation + point-to-plane ICP [61]	1.49 m	(Park et al., 2022, Table VI (VoR, p. 993; identical to arXiv v1 Table V))
(d) Proposed sequential metric localisation原文提出	0.03 m	(Park et al., 2022, Table VI (VoR, p. 993; identical to arXiv v1 Table V))

Zhou et al., 2018 · Text Sec.4 本方法 3 筆

指標

資料集與序列原文未報告

表格設定（擷取紀錄原文）：Speed claims stated in the Optimization section without hardware, datasets or timing protocol (Zhou et al., 2018, Text Sec.4)

ICP speed-up relative to the PCL counterpart (up to)，原文未報告

這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Zhou et al., 2018 在此表設定下報告的數值（author-reported results），不代表方法在其他資料或設定下的表現。

統計量：最大值（max）；對齊方式：未對齊；單位：x

數值與出處
方法（原文寫法）	報告值	出處
Open3D ICP versus PCL ICP本方法原文提出	25 x	(Zhou et al., 2018, Sec. 4)

來源

Zhou et al., 2018
Qian-Yi Zhou, Jaesik Park, Vladlen Koltun（2018）Open3D: A Modern Library for 3D Data ProcessingarXiv preprint
arXiv 1801.09847 程式碼
預印本已讀全文近十年

程式碼：https://github.com/isl-org/Open3D（授權：MIT (repository LICENSE)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑