摘  要：现有点云配准方法在处理巷道、走廊等具有强方向性、重复结构、弱纹理特性的结构化场景时，难以有效利用场景固有几何方向先验知识，导致关键点区分度不足、误匹配率高，位姿估计趋于病态。因此，提出一种基于几何–方向先验感知点云配准（geometric-orientational prior-aware point cloud registration，GOAPReg）网络。首先，通过基于KPConv多尺度特征提取框架与场景主方向计算，设计显式轴向约束关键点提取模块，筛选与结构主轴一致的关键点；其次，融合点云内自注意力与点云间交叉注意力，构建几何–方向先验感知特征交互描述符学习机制，强化点云内部上下文感知与跨点云间的特征关联和一致性；最后，通过方向解耦内点匹配策略，利用3D代价卷积网络估计SO(2)旋转，并结合随机采样一致性算法迭代求解最优变换矩阵。结果表明：在3DMatch数据集上，GOAPReg网络的相对旋转误差为1.941°、相对平移误差为0.062 m、配准召回率为92.8%；在S3DIS走廊数据集上，其值分别为1.227°、0.045 m、95.5%。此外，在实采巷道、走廊与人工通道场景中亦表现出了良好的适应性与稳健性。

关键词：点云配准；方向感知；几何感知；结构化场景；深度学习；巷道

引用格式：李晶晶, 汪应宏, 郝明, 朱新冉, 郭彦晓. 2026. 基于几何–方向先验感知的结构化场景点云配准. 时空信息学报, 33(1): 100-113
 Li J J, Wang Y H, Hao M, Zhu X R, Guo Y X. 2026. Point cloud registration for structured scenes based on geometry-orientation prior awareness. Journal of Spatio-temporal Information, 33(1): 100-113, doi: 10.20117/j.jsti.202601010

1  引  言

点云配准是三维重建、同步定位与地图构建（simultaneous localization and mapping，SLAM）及数字孪生等领域的核心技术环节（潘岩等，2024；田野等，2021；徐健等，2023；朱凌和杨红粉，2015）。其本质是计算同一物体或场景在不同视点下采集到的部分重叠点云之间的刚性变换，将其统一到同一坐标系下得到完整点云，进而为下游任务提供基础数据支撑（杨泽坤等，2025；应申等，2025；邓学锋等，2019）。一方面，传统迭代最近点（iterative closest point，ICP）算法及其改进系列，如全局最优ICP（globally optimal ICP，Go-ICP）算法、法向量ICP（normal-vector ICP，NICP）算法，将配准问题视为距离最小化问题，通过最小二乘来迭代计算最近邻距离的最佳旋转和平移参数，直至精度达到阈值或满足收敛标准（Besl和McKay，1992；Serafin和Grisetti，2015；Yang等，2016）。然而，该类方法依赖初始位姿的接近性，易陷入局部最优解，在特征匮乏场景中表现不佳。另一方面，基于深度学习的配准方法通过端到端从原始点云中学习复杂的几何特征表示，突破了传统手工描述符特征手动调参的局限性。例如，核点卷积（kernel point convolution，KPConv）通过设计一组可学习的核点，在局部点云邻域内进行卷积运算，实现点云特征的有效聚合（Thomas等，2019）；向量神经元网络（vector neuron network，VNN）通过将传统的神经元从单一标量扩展到三维向量，从而使神经网络能够处理具有旋转对称性的数据，显著提升了配准的召回率（Deng等，2022）。虽然该类方法在通用数据集，如公开数据集3DMatch，已取得突破性进展（Cheng等，2024；Zeng等，2017；Zhang等，2025）；然而，在面对典型结构化场景，如巷道、长走廊、隧道等，强方向性—重复结构—弱纹理环境时，会出现显著的性能退化（何洪磊等，2021；王海军等，2022）。

上文所述场景作为地下矿山、轨道交通、市政管廊等关键基础设施的骨架，其高精度三维模型是安全监测与智能运维的基础（刘卓等，2020；吴江寿等，2015；刘敬娜等，2024）。其中，点云配准挑战主要表现为如下三个方面：①长直通道结构，长宽比大于3︰1，沿主轴方向几何变化缓慢而垂直方向变化剧烈；②存在周期性分布的支撑、管片或门窗等重复同质化结构，导致局部几何特征高度相似，影响了传统描述符对局部特征唯一性的依赖；③混凝土、石材等材质的墙面表面曲率极低，进一步削弱了纹理与几何关键点的区分度，使得基于光度一致性或曲率极值的特征检测方法失效（许宇伟等，2022；湛逸飞和杨必胜，2017；洪镇填等，2015）。这导致传统旋转不变描述符的应用会产生系统性偏差与误匹配，使得六自由度（six degrees of freedom，6-DoF）位姿估计问题在数学上趋向病态，即沿主轴的平移与绕主轴的旋转难以被局部特征有效约束。因此，如何在上文所述结构化场景中提升配准精度，成为亟待解决的技术难题。

因此，国内外提出了多种稳健的配准方法，主要从特征描述符学习、多尺度分层处理和异常值剔除三个方面来进行探索。一是，在特征描述符学习方面。主要是通过构建强大的神经网络学习方法（Wang等，2023；Yang等，2024；Chen等，2021）。例如，Ao等（2021）提出了SpinNet，通过引入网络圆柱形来表示架构，以充分学习点云局部几何结构；Ao等（2023）提出了BUFFER网络，结合点方法和局部区域块方法，引入一种高效通用的VNN特征学习架构和对应搜索机制，以预对齐的局部块计算回归SO（2）旋转矩阵，平衡精度、效率和泛化能力。二是，在多尺度分层方面。利用多级处理，解决复杂度高、信息丢失问题（Han等，2024；Hatleskog和 Alexis，2024）。如Yang等（2021）使用三维无损检测算法求解了坐标变换，根据隧道巷道的环境特征来优化算法的单元分辨率；Qin等（2023）提出了GeoTransformer网络，编码超点对的距离和角度几何信息，使用多尺度核卷积提取多级点云特征，实现从稀疏到稠密的配准；随银岭等（2020）将三维点云累加投影到二维平面，利用尺度不变特征变换算法匹配累加投影图得到匹配点对，提高了大规模点云的处理速度。三是，在异常值剔除方面。常常通过分类或聚类来区分是否为噪声（Bai等，2021）。如Ma等（2025）利用聚类算法对开挖隧道凹凸特征点进行了聚类，以匹配点对构造全等三角形来计算变换矩阵。Gou等（2025）通过对地面和侧面关键点进行分类，实现了隧道精细化配准；但其抗噪模型有限，当隧道特征点高度模糊时配准失败。Pais等（2020）将噪声点划分为内部点和外部点；但简单的二值化难以体现点云数据的丰富拓扑信息和几何特征。上述研究虽能实现室内外场景点云较精确配准，但在结构化场景，如走廊、隧道等环境时，由于特征匮乏，通用描述符区分度低，无法精确匹配，同时难以有效利用场景先验信息，导致轴方向位姿估计失真。因此，如何在兼顾模型通用性的前提下，将巷道、走廊等场景的几何方向先验规律科学有效地嵌入深度学习配准网络，以提取通用、稳定的匹配特征，成为研究的关键。

为解决上述问题，本文提出几何–方向先验感知点云配准（geometric-orientational prior-aware point cloud registration，GOAPReg）网络。首先，以KPConv为几何编码骨架，通过多尺度特征融合与场景主方向分析，筛选与结构主轴一致的关键点，增强特征点的结构相关性与区分度；其次，编码局部区域的几何与方向特征，通过点云内自注意力与点云间交叉注意力交互学习，强化点云内部上下文感知与跨点云间的特征关联度和一致性；最后，在方向对齐基础上，利用3D代价卷积网络解耦SO（2）旋转估计，并结合随机采样一致性（random sample consensus，RANSAC）算法迭代求解最优变换矩阵。

2  研究方法

点云配准问题通常可以表示为如下优化问题：

式中，分别为源点云P、目标点云Q中的点；分别为旋转矩阵、平移向量；为一个排列矩阵，用于表示点之间的对应关系；为与源点云中第个点对应的目标点云中点的索引。GOAPReg网络的总体架构如图 1所示，包含紧密耦合的如下三个阶段：显式轴向约束关键点提取；几何–方向先验感知特征交互描述符学习；方向解耦内点匹配。

2.1  显式轴向约束关键点提取

显式轴向约束关键点提取模块基于多尺度几何编码，有效融合局部与全局特征。传统3D卷积网络将点云规则网格化，易导致关键结构信息丢失，尤其在点云稀疏或密度不均时更为显著。因此，本文采用KPConv（Thomas等，2019），作为3D几何特征编码骨架，通过体素半径控制邻域范围，实现多尺度分层特征聚合。KPConv在空间中定义一组核点执行卷积，保留原始点云结构并有效捕捉局部几何信息（图2）；在此基础上，深层特征经上采样与浅层特征跳跃连接，恢复原始分辨率，获取逐点旋转不变特征；进一步，模块融合局部旋转不变特征与全局方向感知特征打分，通过轴向约束筛选与场景主方向一致的高置信度关键点，在增强特征区分度的同时，为后续特征交互提供几何–方向联合先验。图3展示了显式轴向约束关键点提取流程。

KPConv的卷积操作定义为（Thomas等，2019）

式中，F为输入特征；g为由核点定义的卷积核；x为当前点；N_x为x邻域内的点集合；f_i为点x_i的特征。其中，g定义为

式中，W_k为核点对应的权重矩阵；h为核点和点y_i之间的相关性函数；K为定义的最大核点数；k为第k个核点；i为核点领域中点的索引。有

式中，σ为核点的影响距离。

图 4展示了基于KPConv的分层网络架构。具体地，输入层接收原始点云数据，即点坐标和可能的特征；每个卷积层包括核点和权重矩阵，用于计算局部特征；下采样层通过网格下采样控制输入点的密度，确保每个层次的点云密度一致；上采样层在解码器部分，通过最近邻插值或其他方法恢复细节；使用最大池化操作减少点的数量，标准化操作进一步增强特征的稳健性和一致性，确保特征具有零均值和单位方差，有助于提高模型的泛化能力。

为获取点云的方向感知特征，网络实施如下。

（1）对每个点进行去中心化：

式中，p为点云中点的坐标。

（2）计算协方差矩阵：

式中，N为点云中点的个数。

（3）对协方差矩阵进行特征分解，最大特征值对应的特征向量即为点云主方向d_main。

（4）对于任一点，计算其与点云主方向的对齐度：

式中，θ_i为点的相对位置与点云主方向之间的夹角，（°）。

考虑到主方向的可变性，采用VNN（Deng等，2022），在特征空间中显式保留三维方向信息，使特征具有旋转等变性。将提取的几何不变特征、方向感知旋转等变特征进行融合后输入不变特征层中进行打分，输出每个点作为关键点的置信度（取值0～1），根据置信度分数选择得分大于阈值的点作为候选点，并通过FPS确保关键点在空间中均匀分布。

2.2  几何–方向先验感知特征交互描述符学习

为在大量重复和弱纹理场景中学习高效且通用的特征，设计几何–方向先验感知特征交互模块，融入几何位置与方向感知信息并强化点云内和点云间特征交互学习。首先，参考局部特征学习架构SpinNet（Ao等，2021），构建轻量级局部方向对齐方法，从输入点云中通过球查询提取关键点周围的局部区域块，将其按计算得到的方向轴对齐并归一化至单位球体内；随后调用空间点变换方法，将对齐后的局部块划分为多个子区域并生成特征坐标；其次，将该坐标输入至不变特征层，经由多组3D与2D卷积构成的圆柱形卷积网络进一步融合特征，进一步通过平均池化得到每个关键点的初始特征表示；再次，进行点云内部自注意力与点云间交叉注意力机制，强化点云内部上下文感知与跨点云间的特征关联和一致性，生成最终的特征描述符；最后，采用双向匹配策略，以增强特征在重复结构场景中的判别能力（图5）。几何–方向先验感知特征交互如图6所示。

（1）点云内部自注意力特征交互，用于捕获单个点云内部重叠区域的全局上下文信息。给定输入特征图。通过计算每个位置和所有位置之间的注意力权重，聚合全局信息。有

式中，Q、K、V分别为通过卷积层生成的查询、键和值张量；为可学习的缩放参数。通过注意力权重聚合值张量，并残差连接增强关键点特征的全局一致性。

（2）点云间交叉注意力特征交互，用于学习匹配点云间的相似特性。对于源点云中的每个点，即特征图上的每个位置，计算其与目标点云中所有点的注意力权重。该权重由特征相似性、方向感知的位置偏置两部分构成。具体而言，特征相似性由查询向量和键向量的点积计算，位置偏置则由两点间的相对位置和相对方向经过一个小型神经网络获得。最终，通过加权聚合目标点云中的值向量来增强源点云特征。同理可得，目标点云特征增强。有

式中，F_out为输出的增强特征；X_s为源点云初始特征；X_t为目标点云初始特征；h为注意力头数；Q_i为源点云中点i的查询向量；K_j为目标点云中点j的键向量；V_t为目标点云值向量；为键k特征向量的维度，用来归一化因子；P_ij为点源和目标之间位置特征向量，包括（ΔX_ij，ΔY_ij，ΔZ_ij）、||Δp_ij||₂、cosθ，其中，X、Y、Z分别为三轴方向，θ为点与主方向向量之间的夹角（单位：（°））；σ为sigmoid激活函数；为残差连接系数；Conv_m为通道混合卷积层。

对于增强后的描述符相似性匹配，采用双向最近邻内点互匹配。分别计算源特征到目标特征，以及目标特征到源特征的最近邻索引。进一步，通过检查双向匹配是否一致，即源特征的最近邻的最近邻是否回到自身，过滤掉单向匹配的点对，确保每对匹配都是双向一致的，从而提高匹配的准确性和可靠性，最终建立初始对应匹配Ω_init。

2.3  方向解耦内点匹配

从确定的Ω_init中通过SO（2）方向解耦变换估计与内点一致性验证，找到最优变换估计。方向解耦内点匹配流程如图 7所示。将互匹配的关键点的等变特征图传入一个3D代价卷积网络，计算两个特征图在不同宽度值下的差异，得到每个可能的偏移量对应得分，将所有结果加权平均，预测得到最可信的偏移量d，最终预测每个对应关系在SO（2）旋转下的索引。

以关键点为中心的局部区域块已使用局部参考轴预先方向对齐，因此只需要估计两个特征图之间的SO(2)旋转即可。根据预测的索引计算旋转角度，进而计算旋转矩阵R_ij。同时，根据匹配的关键点对计算平移向量t_ij。有

式中，W为传入的特征图的宽度；c为标识圆柱特征图的矩阵索引；q为目标点云中的关键点；为两个圆柱特征图之间的旋转矩阵；为源点云关键点i的初始旋转矩阵；为目标关键点j的初始旋转矩阵；R_ij为整体旋转矩阵。

使用计算得到的旋转矩阵和平移向量对源关键点进行变换，得到变换后的点集，计算其与目标关键点之间的欧几里得距离。根据距离和关键点到目标点的距离计算阈值，筛选出小于阈值的内点。统计每个预测变换下的内点数量，选择内点数量最多的变换作为最佳初始变换矩阵。有

式中，“1（·）”为指示函数，当括号内条件满足时值为1，否则为0；τ为设置的内点距离阈值。从内点数量最多的对应关系中使用RANSAC算法迭代计算最优变换矩阵，迭代使用所有内点重新估计变换矩阵，以提高估计精度，最终得到最优6-DoF变换矩阵：

2.4  多任务损失函数

为有效监督配准训练过程，联合多目标阶段构建多任务损失函数：

式中，L_total为总损失函数；L_dir为方向损失，基于余弦相似度的概率损失；L_det为关键点检测损失；L_desc为描述符正负样本对比损失；L_match为匹配损失，即回归内点概率。其中：

式中，α_i为预测方向与真实方向之间的角度偏差，（°）；σ_i为预测的融合源点云和目标点云的不确定度，用于自适应调整每个点的惩罚权重。有

式中，为源点云中第i个点的关键点得分或权重；为目标点云中与原点i对应的最近邻点的关键点得分或权重；为源点云中点i是否落在重叠区域的二值掩码，其中，1表示重叠，0表示不重叠；为目标点云中与源点i对应的最近邻点，通过真实变换后的位置确定；为设计空间分布权重；CD为空间分布对齐；S^src、S^tgt分别为源点云、目标点云的关键点空间分布。第一项代表关键点可重复性损失，第二项代表关键点权重稀疏性约束。有

式中，为第i个锚点与最远正样本的距离；μ_pos为正样本边界，为第i个锚点与最近负样本的欧几里得距离；μ_neg为负样本边界。有

式中，为二值标签，其中，1为内点，0为外点；为预测值，平衡正负样本，损失中对正负样本各实现50%加权。

3  实验与结果分析

实验环境为13th Gen Intel（R）Core（TM）i7-13700KF CPU @ 3.40 GHz，24线程，搭配NVIDIA GeForce RTX 4090，24 GB显存，操作系统采用ubuntu22.04 LTS。算法实现基于PyTorch深度学习框架（CUDA11.5加速），Python版本为3.8，使用Adam优化器来训练网络，初始学习率设置0.005，学习率衰减因子为0.5，权重衰减系数为1×10^–6，选取关键点个数为1500，每一个局部区域块的邻域采样点个数为512，RANSAC最大迭代次数设为50000。

为验证方法有效性，在3DMatch、3DLoMatch基准数据集和S3DIS走廊数据集共三个公开数据集，以及一个自采巷道数据集上，分别进行对比GOAPReg网络和部分经典深度学习配准方法的实验。为确保对比实验的公平性，所有对比方法都基于原始文献提供的开源代码及其官方推荐的最优训练参数来进行复现比较。

3.1  数据集和评价指标

公开数据集3DMatch，为目前广泛应用于室内空间场景点云配准算法性能评估的基准数据集，包含从62个不同场景实测获取的点云数据，每幅点云均附有对应的真实姿态信息；3DLoMatch数据集，为3DMatch数据集的扩展版本，专注于低重叠率（10%～30%）的点云对，包含1781个点云对（Zeng等，2017）。实验使用54个场景的数据对网络进行训练，八个场景用于对网络性能进行测试，来验证模型的普适性特征学习。

S3DIS走廊数据集，包含区域1至区域6共六个大型室内区域，共拆分271个数据，涵盖走廊、会议室、办公室等多个场景（Guo等，2021）。鉴于现有点云配准数据集在走廊、巷道等场景的覆盖和标注方面存在不足，难以满足对于特定场景的有效训练和评估需求，因此，对S3DIS走廊数据集的六个室内空间中多个走廊场景进行流程化自动拆分、下采样和随机变换，对点云对进行标注生成走廊数据集。具体标注步骤：①按照最远点采样法随机选取场景中的两个点，分别作为源点云和目标点云的中心。②分别以上述选取的两个点作为中心点，基于距离采样，距离中心点越近的点，采样概率越高。这可以模拟扫描中远疏近密的实际情况，提高场景扫描真实性和挑战性，同时可以指定采样点数、采样比例及采样半径范围；如果点云数量不足，则随机重复采样。③对采样完成后生成的两片点云添加随机变换，并获取相对位姿，记录作为其真实变换矩阵。

自采巷道数据集，为实验自制。数据a选取了一段具有代表性的公路隧道点云数据，隧道全长370 m，其拱形断面结构完整覆盖了从入口至出口区间；数据b选取了一段地下巷道的点云数据；数据c选取了一段地下人工通道的点云数据。所有自采数据集记录了其内部的弱纹理空间几何结构，裸露的墙壁具有显著的结构重复对称性，且均具有很强的方向主导性，具备典型化结构场景共性挑战特性，从而能够进一步测试GOAPReg网络在此类场景下的配准效果。

由表 1可知点云配准评价指标详情。依据已有研究（Zeng等，2017），阈值设置：相对旋转误差（relative rotation error，RRE）取值15°；相对平移误差（relative translation error，RTE）取值0.3 m。

3.2  3DMatch、3DLoMatch数据集实验结果

为验证方法有效性和普适性，在公开数据集3DMatch进行训练和测试，与主流经典网络FCGF（Choy等，2019）、GeoTransformer（Qin等，2023）、SpinNet（Ao等，2021）、BUFFER（Ao等，2023）、YOHO-C（Wang等，2022）、YOHO-O（Wang等，2022）进行对比实验。不同方法分别在3DMatch、3DLoMatch数据集的评估结果见表 2。

由表2可知，在3DMatch数据集上，GOAPReg网络在RTE、RRE两项关键指标上均取得了最小值，同时，在配准召回率这一重要指标上也表现出色，为所有方法中的最高值，达到92.8%。究其原因，相较于SpinNet（Ao等，2021）随机采样关键点、FCGF（Choy等，2019）局部几何聚类，GOAPReg网络通过显式轴向约束筛选与主方向对齐的结构显著点，有效规避模糊特征点和噪声点；相较于仅通过旋转不变特征描述符的YOHO-C（Wang等，2022）、YOHO-O（Wang等，2022）、简单特征聚合的BUFFER（Ao等，2023），本文方法的几何–方向信息感知特征交互有效增强重复结构区分力，将误匹配率降低2.4%。同时，在3DLoMatch数据集上，同样展现出了卓越的性能。这充分表明，GOAPReg网络在位姿估计方面具有显著优势，能够更为精确地完成点云配准任务。此外，还具有较好的轻量化特性，网络层总体参数量不足1MB，仅略高于BUFFER（Ao等，2023），这使得在资源受限设备和平台上能够快速部署与应用，也能够在较短时间内完成点云配准任务，进一步提升了在实际应用场景中的实用性。

为了更好地对比GOAPReg网络中的关键点提取和几何–方向感知方法对于点云配准的有效性，从1623组测试点云对中选取五组不同特征环境的典型测试数据集进行配准后展示，图8展示了SpinNet和GOAPReg网络在3DMatch数据集上的可视化对比。图8（d）中，对于光滑的墙面匹配有一些平行于墙面的错位，同时对于重复的桌椅等出现了误匹配的情况；（e）中，较大程度在各个方向上重叠两片点云，匹配细节较好。究其原因，SpinNet通过直接随机采样并输入局部块进行特征学习，利用学到的方向对齐；GOAPReg网络则通过融入显式轴向关键点提取及几何–方向感知注意力交互，增强了特征描述符，从而进一步实现了方向对齐和匹配。

3.3  S3DIS走廊数据集与自采巷道数据集实验结果

1）S3DIS走廊数据集

为验证方法有效性，不同方法在S3DIS走廊数据集上的评估结果见表 3。GOAPReg网络的RTE只有0.045 m，RRE只有1.227°，配准召回率达到95.5%，表现最优。FCGF（Choy等，2019）使用全卷积网络提取特征，感受野有限，侧重于学习局部几何结构，缺乏对于场景整体结构方向和语义理解，配准召回率只有78.2%；YOHO-C（Wang等，2022）、YOHO-O（Wang等，2022）卓越的旋转稳健特性也未能显著的增加走廊场景的配准精度；GeoTransformer（Qin等，2023）的RRE约两倍于本文方法的；结合表2可知，在3DMatch数据集表现良好的SpinNet，在走廊场景下其配准召回率却降低了1.1%。得益于几何–方向感知网络结构，GOAPReg网络在处理走廊结构化场景时能够更好地利用点云的几何结构特征，因此在S3DIS走廊数据集上表现出优异的性能。

图 9展示了GOAPReg网络在S3DIS走廊数据集上的可视化配准效果，选取四组不同长度和结构的走廊测试数据集进行展示。图 9（a）中，原走廊数据长直结构显著，具有周期性重复分布的支撑、门窗等，弱纹理墙面特征稀少；配准后的源点云与目标点云在全局结构方向上对齐性能良好，尤其在（d）中，局部细节区域，如门窗、拐角、墙地面等，配准效果展示出了高度的重叠，有力证明了GOAPReg网络在此类场景下的有效性。

2）自采巷道数据集

为探究方法在地下巷道数据集中的配准稳健性，进一步在实采隧道、巷道及地下通道数据集上进行测试。图 10展示了GOAPReg网络在实采数据集上的配准结果。针对隧道（图 10（a））、巷道（（b））、地下人工通道（（c））等结构化场景，GOAPReg网络能够在全局和局部上较为理想地进行配准。这表明，几何–方向先验感知模块有助于对结构化场景进行全局和局部特征学习，能够为后续点云导航、建模等应用提供可靠的位姿估计和匹配结果。

3.4  消融实验

为进一步验证每个策略对结构化场景的有效性，各关键策略在S3DIS走廊数据集上进行消融实验，通过移除特定模块，来量化各模块对于配准的贡献。总共设置四组实验，消融实验结果见表 4。其中，实验1为基线模型；实验2将随机最远点采样代替原来的显式轴向约束关键点提取模块；实验3在特征描述符学习阶段不使用几何–方向先验感知交互特征增强，直接将卷积学习到的特征进行匹配估计；实验4为GOAPReg网络。

由表4可知，基线模型，虽然网络速度最快，但是精度最差；实验2、实验3中，缺少每一个策略都会造成网络性能降低，随机采样无法有效捕捉点云的方向性特征，而缺少几何–方向特征增强则降低了对巷道特征的表达能力，以及点云之间的关联性和适应性。因此，表明了本文建立的两个策略在巷道等结构化特征场景配准任务中的有效性。

4  结  论

针对现有局部特征配准方法在巷道、隧道等结构化场景失效、位姿估计易陷入病态的问题，本文提出了一种GOAPReg网络。显式轴向约束关键点提取模块，基于KPConv（Thomas等，2019），实现多尺度特征融合，结合场景主方向筛选与结构主轴一致的关键点，增强特征结构性与区分度；几何–方向先验感知的特征交互描述符学习机制，通过点云内自注意力与点云间交叉注意力协同作用，编码局部区域的几何与方向特征，破解重复结构与弱纹理区域特征混淆困境；方向解耦内点匹配策略，通过3D代价卷积网络估计旋转矩阵，并联合随机采样一致性算法迭代优化变换矩阵，实现精准稳健的位姿估计。最终，基于公开数据集3DMatch、3DLoMatch、S3DIS走廊数据集，以及自采巷道数据集的实验结果表明，相较于主流配准方法SpinNet（Ao等，2021）、GeoTransformer（Qin等，2023）、BUFFER（Ao等，2023）等，本文方法在相对旋转误差、相对平移误差与配准召回率三项核心指标上均表现较优，尤其在重复结构显著、弱纹理区域及低重叠场景下展现了更强的适应性。消融实验进一步验证了模块改进的独立贡献及其协同增强效应。研究成果能够为地下矿山、交通隧道等关键基础设施的高精度三维建模与智能化运维提供可靠的技术支撑。

本研究仍存在一定的局限性，如实验场景有限、数据类型单一及实时性不足等。未来工作将致力于与多模态数据，如惯性导航单元、视觉纹理等，进行深度融合，以应对极端恶劣环境场景的配准挑战。同时，探索端到端轻量化场景点云配准实现，通过持续优化，有望推动高精度点云配准技术在更广泛的工业与工程实践中实现实时化、智能化应用。

《时空信息学报》是由自然资源部主管，国家基础地理信息中心、中国地理信息产业协会、黑龙江测绘地理信息局共同主办的中文学术期刊，双月刊。为分享最新研究成果，搭建学术交流平台，中国地理信息产业协会公众号开设“时空信息学报”专栏，独家刊载《时空信息学报》论文，供广大读者研阅。欢迎产学研用各界关注、分享！

“时空智能遥感”专题编委会：

张继贤  国家基础地理信息中心、莫干山地信实验室

闫   利  武汉大学

顾海燕  中国测绘科学研究院

专题其他文章：

1.地表异常遥感监测与预警研究进展

2.基于多模态特征自适应融合与空间关系图网络表达的城市土地利用精细分类方法

3.基于GWVE-YOLO的北京砖石长城植被侵蚀检测模型

4.融合空间感知与多尺度特征的城市点云语义分割方法

5.面向高分遥感影像的城市裸露推填土轻量化提取方法