隔壁倒霉孩子1. TEASER算法核心思想回顾
在点云配准领域，我们经常需要处理包含大量异常值的数据集。传统的最小二乘法在面对这种情况时表现不佳，因为它们对所有数据点都赋予相同的权重。TEASER（截断最小二乘估计与半定松弛）算法通过创新的数学方法解决了这一难题。
TEASER的核心创新在于将配准问题分解为三个层次：
- 尺度估计（Scale Estimation）
2.旋转估计（Rotation Estimation）
3.平移估计（Translation Estimation）
这种分层处理方式不仅提高了算法的鲁棒性，还使得每个子问题都可以用最优化的数学工具来解决。特别值得一提的是，TEASER能够处理异常值比例高达99%的情况，这在实际应用中具有重大意义。
关键提示：TEASER的鲁棒性主要来自两方面：一是使用截断最小二乘（TLS）目标函数，二是采用最大团（Maximal Clique）和半定规划（SDP）松弛等高级数学工具。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 鲁棒尺度估计详解
2.1 尺度估计的数学模型
在点云配准中，尺度估计问题可以表述为：给定两组点云之间的对应关系，估计它们之间的尺度变换因子s。TEASER采用以下生成模型（TRIM模型）：
s_ij = s^* + o_ij + e_ij
其中：
- s^*是真实尺度因子
- o_ij是异常值（可能非常大）
- e_ij是小的高斯噪声
这个模型的关键在于它明确区分了正常测量（受小噪声影响）和异常测量（可能完全错误）。
2.2 截断最小二乘目标函数
TEASER使用截断最小二乘（TLS）作为目标函数：
min_s Σ ρ(s_ij - s)
其中ρ是截断损失函数：
ρ(r) = min(r², c²)
这个损失函数的精妙之处在于：对于残差小于阈值c的测量，它像普通最小二乘一样工作；对于残差大于c的测量，它不再惩罚，从而避免异常值对估计的影响。
2.3 自适应阈值选择
阈值c的选择至关重要：
- c太小：可能把正常测量误判为异常
- c太大：无法有效过滤异常值
TEASER采用基于测量噪声统计特性的自适应阈值：
c = kσ，其中σ是测量噪声的标准差，k是安全系数（通常3-4）
3. 旋转估计的凸松弛方法
3.1 旋转矩阵的特殊性质
旋转矩阵R∈SO