Dado que os algoritmos tradicionais de registro de nuvem de pontos tendem a cair em ótimos locais sob condições complexas como erro na pose inicial, interferência de ruído e estruturas locais repetitivas, propomos um método de registro de nuvem de pontos que integra restrição de consistência de características profundas e rede de atenção. Esse método constrói uma rede de extração de características profundas com atenção, chamada AENet, que extrai descritores no nível de pontos invariantes a transformações rígidas através de aprendizado auto-supervisionado; com base nisso, primeiramente utiliza a similaridade de características profundas para o pareamento inicial e a estimativa de transformação grosseira, e então incorpora um termo de restrição de consistência de características profundas no framework iterativo ICP multiescala, formando um objetivo de otimização conjunto de geometria e similaridade de características, alcançando alinhamento estável do grosso ao refinado. Resultados experimentais no conjunto de dados ModelNet40, comparados a métodos predominantes existentes, mostram que o método proposto apresenta vantagens significativas em todos os índices de erro. Especificamente, o erro quadrático médio raiz da rotação RMSE-R diminuiu aproximadamente 85,5%, 89,7%, 78,8%, 74,3% e 61,6% em relação a FINet, OGMM, IDAM-GNN, PREDATOR e RoCNet, respectivamente; o erro quadrático médio raiz da translação RMSE-t diminuiu aproximadamente 88,2%, 87,0%, 51,1%, 72,0% e 18,2%, respectivamente. Portanto, este método é uma abordagem eficaz para melhorar a precisão e estabilidade do registro de nuvem de pontos.

registro de nuvem de pontos;características profundas;mecanismo de atenção;ponto iterativo mais próximo;otimização multiescala;aprendizado auto supervisionado