lipan
29f1d45d66
算法更新: delivery v1.2.1、平整度v1.5、测距v2.2、整车配准v1.3 适配器: vehicle-registration 新增、各算法 manifest 和 adapter 更新 后端: taskCadFiles/source 字段迁移、derivedPointClouds 注册、取消任务联动 前端: ElapsedTime 时长显示、两步算法流程、canRun 逻辑修复 文档: 新增5份算法性能分析报告
161 lines
7.3 KiB
Markdown
161 lines
7.3 KiB
Markdown
# 整车配准算法性能分析报告
|
||
|
||
> 分析时间：2026-06-25
|
||
> 算法版本：`整车配准v1.3`
|
||
> 入口函数：`translate_align_by_front_tail`（`translate_align_pointcloud_to_cad.py`）
|
||
> 测试环境：INTEL SSDSC2KB01（SATA SSD，~394 MB/s）；A100 40 GB；CPU 128 核
|
||
> **实测数据**：12 GB / 10 亿点 binary PLY 输入，总耗时 **10 min 24 s**
|
||
|
||
---
|
||
|
||
## 执行流程总览
|
||
|
||
```
|
||
translate_align_by_front_tail()
|
||
├─ 1. CAD STEP → mesh → 30k 点云采样 ← 实测 6 min 30 s（无 cache 时）
|
||
│ └─ [cache 命中] 直接加载 .ply ← 实测 ~5 s
|
||
├─ 2. 加载原始点云（Open3D binary PLY） ← 实测 1 min 17 s
|
||
├─ 3. 车头 / 车尾裁剪 × 4 ← 实测 2 min 17 s
|
||
├─ 4. 车头 / 车尾局部采样（1000 pts × 4）← 实测 7.6 ms
|
||
├─ 5. 平移估计（点集质心差） ← 实测 1.3 ms
|
||
├─ 6. ICP 精配准（采样 20 万点） ← 实测 1.9 s
|
||
├─ 7. 应用变换 + 写入配准结果 PLY ← 实测 12.8 s
|
||
└─ 8. 对齐误差统计（采样 10 万点 KNN） ← 实测 977 ms
|
||
```
|
||
|
||
---
|
||
|
||
## 各步骤详细说明与时间估算
|
||
|
||
### 第一阶段：CAD 准备（STEP → 采样点云）
|
||
|
||
| # | 步骤 | 代码位置 | 说明 | 无 cache | 有 cache |
|
||
|---|---|---|---|---|---|
|
||
| 1a | `read_step_file`（OCC 加载） | `translate_align...py:73` | OCC `STEPControl_Reader` 读 STEP | ~10 s | 跳过 |
|
||
| 1b | `BRepMesh_IncrementalMesh`（tessellate） | `translate_align...py:147` | OCC 三角剖分，147,275 个面 | **~6 min** | 跳过 |
|
||
| 1c | 提取顶点/三角形数组 | `translate_align...py:100` | Python for loop 遍历所有面 | ~15 s | 跳过 |
|
||
| 1d | `o3d.PointCloud` + 均匀采样 30k 点 | `translate_align...py:155` | 从 mesh 均匀采样 `cad_sample_points=30000` | ~3 s | 跳过 |
|
||
| 1e | **加载 cache PLY**（`useCadCache=true`） | `translate_align...py:510` | 直接读 1.4 MB PLY，30k 点 | — | **~1 s** |
|
||
|
||
> **CAD cache 机制**：首次运行时 STEP tessellate 需约 6 分钟，生成 `cad_cache/<hash>.ply`（1.4 MB）。后续所有运行直接加载 cache，耗时降至 1 秒以内。**务必开启 `useCadCache=true`（已默认开启）**，且不要删除 `cad_cache/` 目录。
|
||
|
||
---
|
||
|
||
### 第二阶段：加载原始点云
|
||
|
||
| # | 步骤 | 代码位置 | 说明 | 实测时间 |
|
||
|---|---|---|---|---|
|
||
| 2 | `o3d.io.read_point_cloud`（binary PLY） | `translate_align...py:547` | Open3D C++ 读 12 GB binary PLY，直接构造 PointCloud | **~1 min 17 s** |
|
||
|
||
Open3D 读取速度约 158 MB/s（受限于磁盘顺序读速 ~394 MB/s + float 转换）。12 GB 需要约 75 秒，无法进一步优化除非换更快的磁盘。
|
||
|
||
---
|
||
|
||
### 第三阶段：车头 / 车尾裁剪（主要瓶颈）
|
||
|
||
| # | 步骤 | 代码位置 | 说明 | 实测时间 |
|
||
|---|---|---|---|---|
|
||
| 3 | `crop_end_region_by_ratio` × 4 | `translate_align...py:180` | 对 10 亿点 Open3D PointCloud 做 4 次 `pcd.crop(AABB)`（CAD 前/后 + 扫描前/后） | **~2 min 17 s** |
|
||
|
||
虽然 `o3d.crop` 是 C++ 实现，但对 10 亿点的 PointCloud 内部仍需遍历全量点做 AABB 测试（O(N) × 4 次），实测每次约 34 秒，4 次共计 137 秒。
|
||
|
||
裁剪后车头/尾各只有 ~几千到几万点（ratio=0.01，即取前 1% 长度），所以裁剪结果本身非常小，耗时全部来自对全量 10 亿点的遍历。
|
||
|
||
---
|
||
|
||
### 第四阶段：局部采样 + 粗配准
|
||
|
||
| # | 步骤 | 代码位置 | 说明 | 实测时间 |
|
||
|---|---|---|---|---|
|
||
| 4 | `sample_farthest_points_simple` × 4 | `translate_align...py:235` | 随机采样 1000 点；裁剪后点数已很少，O(M) | **7.6 ms** |
|
||
| 5 | 平移估计 | `translate_align...py:638` | 车头质心差 + 车尾质心差均值估计初始平移 | **1.3 ms** |
|
||
|
||
---
|
||
|
||
### 第五阶段：ICP 精配准
|
||
|
||
| # | 步骤 | 代码位置 | 说明 | 实测时间 |
|
||
|---|---|---|---|---|
|
||
| 6 | `sample_farthest_points_simple`（20 万点采样） | `translate_align...py:355` | 从 10 亿点随机采样 `icp_sample_points=200000` | **< 1 s** |
|
||
| 7 | `o3d.registration.registration_icp` | `translate_align...py:375` | Point-to-point ICP，source 20 万点 → target CAD 30k 点，最多 50 次迭代；Open3D C++ | **1.9 s** |
|
||
|
||
ICP 本身非常快，因为：
|
||
- source 只用 20 万点（采样）
|
||
- target CAD 只有 30k 点
|
||
- Open3D ICP 是 C++ SIMD 实现
|
||
|
||
---
|
||
|
||
### 第六阶段：应用变换 + 写入结果
|
||
|
||
| # | 步骤 | 代码位置 | 说明 | 实测时间 |
|
||
|---|---|---|---|---|
|
||
| 8 | `aligned_pcd.transform(T_final)` | `translate_align...py:704` | 对 10 亿点做 4×4 矩阵变换（Open3D C++，SIMD） | **~2 s** |
|
||
| 9 | `write_point_cloud_float32_xyz` | `translate_align...py:314` | 分块写 binary PLY，float32，12 GB → 分 1000 个 chunk 写 | **~10 s** |
|
||
| 10 | 误差统计（`compute_error_stats`） | `translate_align...py:740` | 采样 10 万点，KNN 建树 + 查询，scipy C++ | **977 ms** |
|
||
|
||
---
|
||
|
||
## 实测时间汇总
|
||
|
||
| 阶段 | 实测时间 | 占比 |
|
||
|---|---|---|
|
||
| CAD 采样（无 cache） | **6 min 30 s** | 63% |
|
||
| CAD 采样（有 cache） | **~1 s** | <1% |
|
||
| **加载原始点云（Open3D）** | **1 min 17 s** | 12% |
|
||
| **车头/尾裁剪 × 4（Open3D C++ crop）** | **2 min 17 s** | 22% |
|
||
| 局部采样 + 平移估计 | **<0.01 s** | <1% |
|
||
| ICP 精配准（20 万点） | **1.9 s** | <1% |
|
||
| 写 12 GB 结果 PLY | **12.8 s** | 2% |
|
||
| 误差统计 | **977 ms** | <1% |
|
||
| **总计（有 cache）** | **~10 min 24 s** | — |
|
||
| **总计（无 cache，首次）** | **~17 min** | — |
|
||
|
||
---
|
||
|
||
## 主要瓶颈分析
|
||
|
||
### 瓶颈 1：车头/尾裁剪 2 min 17 s（无法简单绕过）
|
||
|
||
`pcd.crop(AABB)` 是 Open3D C++ 全量遍历，10 亿点 × 4 次不可避免。
|
||
|
||
```
|
||
缓解方案：将 crop_ratio 从 0.01 增大到 0.02–0.05，
|
||
提取更多点用于粗配准，同时不影响裁剪本身速度（依然 O(N)）。
|
||
根本方案：将 Open3D PointCloud 替换为 numpy 数组，
|
||
4 次 crop 变为 4 次 numpy 布尔索引，
|
||
并行化（4 个 crop 独立，可多线程），
|
||
估计可从 2 min 17 s 降至 ~30 s。
|
||
```
|
||
|
||
### 瓶颈 2：加载原始点云 1 min 17 s（I/O 受限）
|
||
|
||
Open3D 读 12 GB 文件，受限于 SATA SSD 394 MB/s 顺序读速，理论下限约 30 s（NVMe），实测 77 s 说明还有额外开销（float 类型转换）。升级到 NVMe 可降至 ~35 s。
|
||
|
||
### 瓶颈 3：CAD tessellate 6 min（首次，已有 cache 机制解决）
|
||
|
||
OCC 对 147,275 个面的 CAD 做三角剖分只需要跑一次，结果缓存为 1.4 MB PLY。**只要 `useCadCache=true` 且 CAD 文件未更换，后续每次配准这一步只需 1 秒**。
|
||
|
||
---
|
||
|
||
## 优化目标
|
||
|
||
| 场景 | 当前 | 优化后目标 |
|
||
|---|---|---|
|
||
| 有 cache，12 GB 输入 | 10 min 24 s | ~4 min（crop 多线程 + numpy 化） |
|
||
| 首次运行（无 cache） | ~17 min | ~4 min + 6 min（CAD build 无法优化） |
|
||
|
||
---
|
||
|
||
## GPU 使用情况
|
||
|
||
| 模块 | GPU 使用 |
|
||
|---|---|
|
||
| STEP 解析 / tessellate（OCC） | ❌ CPU |
|
||
| 点云读取（Open3D） | ❌ CPU（I/O 受限） |
|
||
| crop / transform（Open3D） | ❌ CPU（C++ SIMD） |
|
||
| **ICP 精配准（Open3D）** | ❌ CPU（Open3D ICP 不使用 CUDA） |
|
||
| 误差统计（scipy KNN） | ❌ CPU |
|
||
|
||
**整车配准全程不使用 GPU**，A100 完全闲置。ICP 最有潜力用 GPU 加速（Open3D 有 `registration_colored_icp` + CUDA），但当前输入只有 20 万点，ICP 本身已是 1.9 s，瓶颈在 I/O 和 crop，GPU 化 ICP 收益有限。
|