이상치의 영향을 피하기 위해 점 구름의 정밀한 정합을 실현하기 위해 혼합 희소 반복 최근점(SM-ICP) 방법을 제안하였다. 본 논문에서는 희소 표현, 정규화 해법 및 점 구름 정합 방법을 연구하였다. 먼저, 정합 잔차를 나타내기 위해 혼합 정규항을 이용하여 혼합 희소 정합 함수를 구성하였다. 그런 다음 교대 승수법(ADMM)을 결합하여 제안된 함수의 이중 루프 최적화 프레임워크를 구축하였다. 혼합 정규항의 균형 가중치 <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi>θ</mi></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/01BF9A56-BD6F-4ca3-8563-2B9164986A93-M001.jpg"/><?fx-imagestate width="1.52400005" height="2.37066650"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/01BF9A56-BD6F-4ca3-8563-2B9164986A93-M001c.jpg"/><?fx-imagestate width="1.52400005" height="2.37066650"?></graphic></alternatives></inline-formula>는 시그모이드 함수로 구할 수 있다; 또한 ADMM 최적화 프레임워크 내 루프에서 대응하는 손실 함수의 스칼라 형식도 제시하였다. 마지막으로 점 구름 정합에서 해당 스칼라화된 손실 함수의 소프트 임계값 표현식을 유도하였다. 실험 결과, 제안한 SM-ICP 알고리즘의 정합 정밀도가 비교 알고리즘보다 우수함을 나타냈다. 특히 중첩률 약 50%인 스탠포드 토끼 정합 실험에서 SM-ICP 알고리즘의 절단 정합 오차는 2.04×10^-4로 Robust Trimmed-ICP(Tr-ICP) 알고리즘 및 ICP 알고리즘의 정합 오차보다 한 단계 낮았고 희소 ICP(S-ICP) 알고리즘보다 약 3배 감소하였다; 기타 객체 및 장면 유형의 점 구름 정합 실험에서도 SM-ICP 알고리즘의 정합 정밀도가 다른 비교 알고리즘보다 우수하였다; 서로 다른 계층의 랜덤 노이즈 점 구름 정합 실험에서 SM-ICP의 절단 정합 오차는 4.90×10^-6~1.33×10^-4로 다른 비교 알고리즘보다 1단계 또는 여러 배 감소하였다; 엔진 블레이드 정합 실험에서는 본 방법이 점 구름 정밀 정합에 성공한 반면, 다른 비교 알고리즘의 정합 결과에서는 점 구름 왜곡 현상이 다양한 정도로 존재하였다. 제안된 점 구름 정합 방법은 정밀성, 강인성 및 일반화 등 장점을 갖는다.

점 구름 정합;반복 최근점 알고리즘;혼합 희소 표현;정규화;교대 승수법