《A review of point cloud registration algorithms fro mobile robotics》
正如论文标题，这篇综述将icp算法在移动机器人学中的应用。
大多数综述分为3个部分：回顾历史、具体形式和应用场景。本文首先介绍第一部分。
1 回顾历史
ICP算法的目的是为了通过把不同坐标系中的点，通过最小化配准误差，变换到一个共同的坐标系中。
上图中，绿色为参考点云，蓝色为需要匹配的点云。左图为两个点云的初始位置，其实在这个图中，两个点云已经位于同一个坐标系（由我们指定的初始值）.中图红色直线为匹配的误差. 右图为配准后的点云.
由上图表明，ICP算法就是干这种活的。
这个是关于ICP论文的数量变化曲线，蓝色代表一个数据库的，绿色代表另一个数据库的。说明ICP算法的繁荣发展。
有很多大牛对ICP算法进行了改进，这里不介绍。下面介绍一下算法的整体思路：
几何配准的目的：
The aim of geometric registration is to be able to represent a shape,called reading, in the same coordinate frame as another, called reference. This is equivalent to finding the transformation of reading that best aligns it to reference
论文里的两个点云分别叫做reference和reading。目的是把reading匹配到reference上。
形状shape是啥呢？
形状是一个点集合。这个点集合包括几何和非几何信息。
几何信息就是能够被空间变换影响的。点的这部分维度叫做特征。如点的坐标、曲面法线、切向量。
非几何信息信息不能被空间变换影响。这部分维度叫做描述子。例如，颜色、温度等。
举个例子：例如一个点云中的点的类型为XYZRGB，那么这里的几何信息就是点的坐标XYZ，而RGB为非几何信息。
我们知道，点云的数量非常巨大，并且含有噪声，所以需要滤波。
滤波就是从带有噪声中提取有用的信息。文中介绍了两种形式。
第一种方式是去除不能为匹配带来有用信息的点。
第二种方式是对点云进一步抽象，例如提取局部的法线信息或曲率。
下图给出了ICP的数学形式表示
这个公式的思想很好理解，我们要估计的是变换矩阵T。T的含义是把A系中的点变换到B系中。问题是error怎么定义呢？
通常，这个误差定义在两个关联的点上进行度量。
那么会有两个问题，1 如何查找关联点 2 如何对误差度量
如何查找关联点呢？
ICP叫做迭代最近点，就是简单的认为与一个点最近的点就是关联点。理想情况是，匹配后的两个点云的关联点应该是最近点。寻找关联点的问题也叫作数据关联、点匹配、对应点查找。
关联可以通过特征或者描述子完成。
找到匹配点后，可以计算误差。
此外，可以通过加权的方式，来减少异常值的影响
由于有噪声或者错误的数据关联，所以我们希望最小化误差
i 和i+1代表迭代时的变换矩阵的指标。
这里就是不断的合成变换矩阵，得到最终估计的变换矩阵。
注意这里是左乘矩阵。
算法
小结：
ICP叫做迭代最近点，我们从名字可以看出，包括迭代和查找最近点（数据关联）。
迭代是需要初始值的，所以我们需要提供初始值。
然后不断的重复迭代最近点的过程，直至收敛。
上述的算法只是一个框架，没有明确指出：
1 如何数据关联
2 误差函数怎么定义。
这应该就是各种ICP算法的不同所在吧