点云配准是将多组三维扫描数据统一到同一坐标系的过程，常用均方根误差、倒角距离等指标衡量对齐质量。实际工程中，不少人遇到评估数值突然变大或为负的情况，这往往和尺度不统一有关，而非配准算法本身出错。
尺度归一化指把点云的坐标数值按比例缩放到相近范围，并平移到统一原点附近。若两组点云一组以毫米为单位、另一组以米为单位，直接配准后算距离，误差会被放大一千倍。通过归一化消除量纲差，评估指标才能反映真实几何偏差。
理解尺度归一化要先看其操作对象。点云本质是一堆三维坐标集合，当采集设备不同，比如激光雷达和深度相机，输出坐标绝对值可能差几个数量级。此时不做处理，任何评估公式都会给出异常结果，误导我们对配准效果的判断。
一、评估指标数值异常的常见表现
最典型的异常是RMSE数值远超物体实际尺寸。例如一个三十厘米宽的零件，配准后RMSE显示成四百，这明显违背常识。此类情况多因源点云未除以千分制比例，而目标点云已是米制。
另一类是倒角距离或豪斯多夫距离出现负值或无穷大。当点云尺度悬殊，最近点搜索会在错误密度下失效，导致距离计算溢出。我们在巡检项目里见过两组点云因缩放遗漏，指标直接变成nan，后期排查耗时两天。
还有隐性异常：指标数值看起来正常，但配准可视化明显错位。这说明归一化不彻底，只调了比例没调重心，评估公式恰好对平移不敏感，掩盖了问题。因此异常不只看数字，也要结合空间叠加效果。
二、尺度归一化的具体步骤
第一步是中心化，计算点云重心坐标，将每个点减去重心，使点云围绕原点分布。这一步消除平移影响，让不同位置扫描的数据可在同一参考框比较。中心化不改变点间相对距离，因此不会扭曲形状。
第二步是缩放，常用方式是除以点云边界框对角线长度或平均点到重心距离。假设A点云对角线长度是一百，B是零点一，将B乘以一千即可同尺度。下表列出两种常用缩放基准的适用场景。
| 缩放基准 | 适用情况 | 注意事项 |
|---|---|---|
| 边界框对角线 | 物体外形规整、无离群点 | 离群点会拉长边界导致缩放不准 |
| 平均半径 | 含噪声或局部缺失点云 | 需先去噪避免半径被带偏 |
第三步是配准后反归一化，若业务需要原尺度坐标，可将变换矩阵按缩放比例还原。很多新手忘做反归一化，导致输出模型尺寸错误。我们建议在脚本里用变量记录比例因子，方便回溯。
实际操作中，可用开源库如Open3D的scale和translate函数完成上述流程。关键是把源和目标都过一遍同样归一化参数，而不是只处理一方。只处理一方等于引入新尺度差，指标仍会异常。
三、配准前中后阶段的排查方法
配准前应先打印两组点云的坐标范围。若最大值一个在十的三次方、一个在十的零次方，必须归一化。这个阶段花一分钟检查，能省去后期反复调参。我们习惯写个脚本自动报出量纲差异。
配准中可观察迭代收敛曲线。若误差在头几步暴降而后震荡，可能是尺度没对齐导致优化在错误曲面爬行。此时暂停，检查当前变换矩阵里是否含异常大缩放系数，有的话退回重做归一化。
配准后除看指标，还应做差值热力图。把对应点距离标到颜色上，若整体偏红但指标正常，说明归一化遗漏重心。我们遇到过评估通过但拼接缝明显的案例，最后发现是只缩放未中心化。
尺度归一化不是可选技巧，而是点云评估的前置条件。把它当标准动作，指标异常率能降大半。
四、误区与正确做法
误区一是认为配准算法会自动适应尺度。部分全局配准如RANSAC基于特征，对尺度敏感，不会自行缩放。依赖算法兜底只会得到漂亮 False 数值。正确做法是在数据入口统一量纲。
误区二是用单一指标断定异常。有人看到RMSE大就重跑配准，其实换倒角距离也大才是真异常。我们建议同时算两个指标交叉验证，并保留归一化日志，方便复盘哪步引入偏差。
正确做法是建立标准化预处理管道：读入点云、去离群、中心化、缩放、配准、评估、反归一化。每个环节写单元测试，比如断言坐标均值接近零。这样指标异常能定位到具体节点，不必全盘重来。
五、总结
评估指标数值异常的根因常是尺度不统一，尺度归一化通过中心化和比例缩放消除量纲差，让RMSE等指标回归真实。我们在多个实测项目验证，规范归一化后异常基本消失。
遇到指标离谱时，先查坐标范围而非换算法。把归一化做成强制步骤，配合前后期排查，点云配准质量可控可查。这样才能把三维数据真正用起来，而不是困在数值谜团里。