nanoflann 的近邻点检索方式（KnnSearch、RadiuSearch、圆柱体近邻）

link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

1、nanoflann 介绍

点云处理过程中可能会遇到寻找最临近点的问题，常用的解决方案就是用空间换效率。例如建立kd-tree等树状结构来代替遍历。nanoflann效率以及内存使用等方面都进行了优化，而且代码十分轻量级且开源，是一个不错的选择。nanoflann是一个c++11标准库nanoflann不需要编译或安装。你只需要将nanoflann.hpp文件放入到工程文件下即可，在程序中添加 #include"nanoflann.hpp"在你的代码中。工程代码下载地址 https://github.com/jlblancoc/nanoflann。

2、三种搜索方式示例

2.1 RadiuSearch近邻点搜索

其使用radiusSearch函数实现近邻点搜索：

#include<vector>
#include <fstream>
#include<iostream>
using namespace std;
#include"nanoflann.hpp"
#include<sstream>
using namespace nanoflann;
//r半径内近邻点
void main()
	ifstream infile("..\\11.txt", ios::in);
	PointCloud2<double> kdPts;
	char line[128];
	struct Point3D
		double x;
		double y;
		double z;
nanoflann是一个C ++ 11库，用于构建具有以下拓扑的数据集的KD树：R 2 ，R 3 （点云），SO（2）和SO（3）（2D和3D旋转组）。 不提供对近似NN的支持。 nanoflann不需要编译或安装。 您只需要在代码中#include <nanoflann> 。
 该库是Marius Muja和David G. Lowe的（  ）的分支，并作为子项目而。 遵循原始许可条款， nanoflann根据BSD许可进行分发。 请，对于bug，请使用问题按钮或fork并打开请求请求。
 @misc{blanco2014nanoflann,
  title        = {nanoflann: a {C}++ header-only fork of {FLANN}, a library for Nearest Neighbor ({NN}) with KD-trees},
  author       = {Blanco, Jose Luis and Rai, Pranjal Kumar},
  howpublished = {\url{
				记录使用nanoflann时候的坑
nanoflann库的中文博客介绍 nanoflann中文博客:
nanoflann库的英文介绍 nanoflann的github:
对nanoflann的使用评价
优点：
及其轻量化： ，只用将极少代码问价copy到现有项目中即可实现KNN搜索；
简单易学： github上贴心的提供了实例代码，轻松上手；
**功能强大：**实现多个空间的近邻搜索，对L1，L2，SO2和SO3空间进行距离度量 ；
缺点：
实例代码容易引起歧义： 没有对输入和输出参数的具体描述，很容
				代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪辑近邻法和压缩近邻法代码代码 剪
				测试demo(其中所用点云分辨率大致为0.02m, 点数2374612)
#include <pcl/point_types.h>
#include <pcl/point_cloud.h>
#include <pcl/io/pcd_io.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <time.h>
using namespace std;
using PointT = pcl::PointX
				目录(1)自动驾驶系列：激光雷达建图和定位(NDT)(2)nanoflann库(3)国内优质的数据集「极速」下载平台
(1)自动驾驶系列：激光雷达建图和定位(NDT)
来源：https://zhuanlan.zhihu.com/p/77623762
https://mp.weixin.qq.com/s/Kf9GMy-EURf5cNnltHjX-w
　　传统的AGV使用一类SLAM（simultaneous localization and mapping）的方法进行同时建图和定位，但是该方法实现代价
				KDtree相关库nanoflann的应用
在ICP求解运动估计问题中，首先要解决的就是特征关联问题，一般都是利用KD树进行最近邻（NN）搜索，即在点云集A中找出其中每个点在点云集B中的距离最近的点，以实现数据关联。
与PCL中的KD树最近邻搜索相比，更推荐nanoflann方法，后者运行速度更快，且只需要包含少量头文件即可（nanoflann.hpp和nanoflann_utils.h）。
nanoflann实例应用
在source点云中，找出每一个特征点pisrcp^{src}_ipisrc在targ
				很抱歉，我是一名AI语言模型，无法提供代码之外的服务。但我可以为您解释一下KNN算法的原理和步骤。
KNN算法是一种分类和回归算法。它的基本思想是：在特征空间中，对于一个新的输入实例，在训练集中找到k个与该实例最近的数据点，然后根据这k个邻居的类别（或者属性值）来确定该实例的类别（或者属性值）。
具体步骤如下：
1. 计算测试数据与每个训练数据之间的距离（可以使用欧氏距离、曼哈顿距离等）；
2. 选择k个最近的训练数据点；
3. 对于分类问题，确定k个训练数据点中出现最多的类别，并把该测试数据归为该类别；对于回归问题，计算k个训练数据点中属性值的平均值，并把该测试数据的属性值预测为该平均值。
希望这些信息可以帮助您更好地理解KNN算法。