Um das Problem der Fehlzuordnungen zwischen Punkten bei der Punktwolkenregistrierung aufgrund von Ausreißern, teilweiser Überlappung von Punkten und nicht entsprechenden ähnlichen Punkten zu lösen, wurde in dieser Arbeit ein unüberwachter Punktwolkenregistrierungsalgorithmus entwickelt, der Merkmalsinteraktion und Punktzuordnungsverbesserung kombiniert. Zunächst wurde ein Merkmals-Fusionsmodul entworfen, welches die extrahierten Merkmale der Quell- und Zielpunktwolken interagieren lässt und diese interaktiven Merkmale mit den extrahierten Merkmalen der vorherigen Schicht an der entsprechenden Position fusioniert, um die Merkmalsrepräsentation zu verstärken. Anschließend wurde ein Graph-Convolution-Transformer-Fusionsmodul vorgeschlagen, das Graph-Convolution zur Extraktion lokaler geometrischer Informationen und den Selbstaufmerksamkeitsmechanismus des Transformers zur Gewinnung globaler Kontextinformationen nutzt, während gleichzeitig ein Kreuzaufmerksamkeitsmechanismus eingeführt wird, um die Merkmalsinteraktion zwischen Punktwolken zu realisieren. Schließlich wurde ein Punktzuordnungsverbesserungsmodul eingeführt, das die euklidischen Abstände zwischen den Punktmerkmalen der Quell- und Zielpunktwolken sowie die Ähnlichkeit der Nachbarschaftsmerkmale verwendet, um Punktzuordnungen zu treffen. Der Algorithmus wurde auf den Datensätzen ModelNet40 (mit Rauschen), 7Scenes, ICL-NUIM, KITTI und ScanObjectNN validiert. Die experimentellen Ergebnisse zeigen, dass der RMSE (R) im Vergleich zum IFNet-Algorithmus um jeweils 31,93 %, 23,72 %, 19,76 %, 10,53 % bzw. 21,05 % gesunken ist, was die Überlegenheit des vorgeschlagenen Algorithmus in Bezug auf Registrierungsgenauigkeit und Robustheit vollständig bestätigt. Zusammenfassend zeigt der Algorithmus hervorragende Leistung in Bezug auf Registrierungsgenauigkeit, Generalisierungsfähigkeit und Rauschresistenz und weist ein gutes Anwendungspotential auf.

Punktwolkenregistrierung;Merkmalsinteraktion;Kreuzaufmerksamkeit;Punktzuordnungsverbesserung;unüberwacht