071、6D位姿估计基础与PPF：点对特征的刚体配准原理

071、6D位姿估计基础与PPF：点对特征的刚体配准原理

调试机器人抓取的时候，最烦的不是模型精度不够，而是你明明把点云喂进去了，位姿输出却在天上飞。上周调一个工业件抓取，CAD模型是标准STEP导出的，场景点云是RealSense拍的，PPF跑出来旋转矩阵行列式居然是负的——一看就是反射，不是旋转。这种问题教科书上不会写，但实际项目里天天见。今天这篇就把PPF从原理到代码踩坑一次讲透。

从“模板匹配”到“点对特征”的思维转变

传统ICP要初始位姿，初始给不好直接掉进局部最优。你试过把物体放在桌面正中央，ICP迭代二十次，结果把杯子转了个180度还自认为收敛了——代价函数确实小了，但那是把杯底当杯口配上了。PPF的思路完全不一样，它不依赖初始值，而是把全局描述子建好，然后投票。

核心思想就一句话：用点对（两个点及其法向量）的几何关系作为特征，在场景中找与模型一致的局部特征，再通过霍夫投票恢复位姿。这比全局特征鲁棒，因为局部特征对遮挡不敏感；比纯局部特征（比如FPFH）又多了几何约束，因为点对特征本身包含距离和角度信息。

点对特征长什么样

对模型上的任意两点pip_i