前言

前篇文章提到，对比PCL使用CPU和Nvidia GPU进行欧式聚类发现，尴尬发现使用CPU的计算效率反而更高。

本篇文章探讨一下原因。

正文

观察代码可以发现，代码中使用CPU欧式聚类的搜索方法选用的是kdtree，使用GPU欧式聚类的搜索方法选用的是octree。感觉有可能是这里的原因导致CPU计算效率更高。于是尝试将CPU的搜索方法也改为octree。

但是编译确保错了，细看官方文档发现

​

​

pcl::search::octree的构造方法中有一个resolution的参数，而在pcl::gpu::octree的构造方法中并没有提供带有resolution参数的构造方法。

尴尬。这样一来就没有保证cpu和gpu计算时同时使用octree。

于是我转头去实现法线估计的cpu和gpu比较。 发现还是同样的问题：同样的方法，其参数在CPU和GPU上的实现不能保持一致。

​

​

在法线估计的参数上，我设置radius=0.03f, max_results=1000

得到结果使用gpu消耗的时间<<cpu消耗的时间，但是我对比了两者结果，发现计算结果的法线向量完全不一样。

如果参数不一样、结果不一样，那么即使计算效率gpu更高，也不能说明什么问题。

后来又发现了在pcl/gpu之外，还有一个pcl/cuda，这下面有一个voxelgrid，结果代码中说does not work…

​

总结一下前述：

1. 对于欧式聚类，修改参数resolution不会导致结果发生改变；
2. 对于欧式聚类，gpu和cpu计算结果一致；
3. 对于欧式聚类，cpu计算效率略高于gpu；
4. 对于法线估计，修改参数会导致计算结果改变；
5. 对于欧式聚类，gpu和cpu计算结果不一致；
6. 对于欧式聚类，cpu计算效率远低于GPU；
7. 无论是欧式聚类还是法线估计，cpu和gpu提供的接口都有差异，以至于找不到完全一致的参数进行比较。
8. 除pcl/gpu外，还有pcl/cuda，但是也没什么用。

---

后来我找到了Nvidia官方提供的PCL cpu和gpu计算比较代码：

https://github.com/NVIDIA-AI-IOT/cuPCL/tree/main

其中提供了聚类、滤波、ICP、NDT、Octree和segmentation的演示代码

​

clone和自己硬件环境对应的代码分支

根据官方的说明，配置好依赖环境，直接进到子目录下make，就可以。但是我尝试死活编译不通。

检查PCL各项环境配置的都没问题，于是创建CMakeLists，通过cmake生成makefile，再make。成功了…

最后编译执行了cuFilter，得到结果如下：

GPU has cuda devices: 1
----device id: 0 info----
  GPU : Orin 
  Capbility: 8.7
  Global memory: 15420MB
  Const memory: 64KB
  SM in a block: 48KB
  warp size: 32
  threads in a block: 1024
  block dim: (1024,1024,64)
  grid dim: (2147483647,65535,65535)


------------checking CUDA ---------------- 
CUDA Loaded 119978 data points from PCD file with the following fields: x y z

------------checking CUDA PassThrough ---------------- 
CUDA PassThrough by Time: 0.999257 ms.
CUDA PassThrough before filtering: 119978
CUDA PassThrough after filtering: 5110

------------checking CUDA VoxelGrid---------------- 
CUDA VoxelGrid by Time: 6.46314 ms.
CUDA VoxelGrid before filtering: 119978
CUDA VoxelGrid after filtering: 3440


------------checking PCL ---------------- 
PCL(CPU) Loaded 119978 data points from PCD file with the following fields: x y z

------------checking PCL(CPU) PassThrough ---------------- 
PCL(CPU) PassThrough by Time: 3.08542 ms.
PointCloud before filtering: 119978 data points (x y z).
PointCloud after filtering: 5110 data points (x y z).

------------checking PCL VoxelGrid---------------- 
PCL VoxelGrid by Time: 11.5708 ms.
PointCloud before filtering: 119978 data points (x y z).
PointCloud after filtering: 3440 data points (x y z).

目前该项目源码尚未开源，但是从结果和部分调用的代码来看，参数一致、结果一致，🈶可比较性。

测试结果可以发现使用CUDA可以加速PCL对点云的滤波计算。

补充CMakeLists.txt

cmake_minimum_required(VERSION 3.16)
project(cupcl)

set(CMAKE_CXX_STANDARD 17)

# 将资源文件复制到build目录中
# configure_file(${CMAKE_SOURCE_DIR}/cuFilter/lib  ${CMAKE_BINARY_DIR}/  COPYONLY)
# configure_file(${CMAKE_SOURCE_DIR}/table_scene_lms400.pcd  ${CMAKE_BINARY_DIR}/table_scene_lms400.pcd  COPYONLY)


find_package(PCL 1.14 REQUIRED)
find_package(CUDA  REQUIRED)

message(STATUS "PCL INCLUDE DIRS : ${PCL_INCLUDE_DIRS}")

include_directories(
    ${PCL_INCLUDE_DIRS}
    ${CMAKE_SOURCE_DIR}/cuFilter/lib   
)
link_directories(
    ${PCL_LIBRARY_DIRS}
    ${CMAKE_SOURCE_DIR}/cuFilter/lib    
)
add_definitions(${PCL_DEFINITIONS})
add_executable(cupcl 
    # seg1.cpp
    cuFilter/main.cpp
)
target_link_libraries(cupcl ${PCL_LIBRARIES} cudafilter ${CUDA_LIBRARIES})