1.代碼地址//github.com/MIT-SPARK/TEASER-plusplus提供了C++，Python和Matlab的程序。2.代碼整體框架(1) 輸入為兩組點雲的匹配對和噪聲上界；(2) 使用adaptive voting進行尺度估計，如果尺度已知，則進行已知尺度修剪外點操作；(3) 產生內點圖；(4) 在內點圖中尋找最大團從而選擇最大內點集；(5) 最大內點集傳入GNC-TLS模塊進行旋轉估計；(6) 使用adaptive voting進行平移估計；(7) 輸出為尺度，旋轉和平移；3.代碼解讀(1) 首先是載入點雲文件，讀入第一組點雲數據；(2) 將讀入的第一組點雲數據轉換為Eigen格式的數據；(3) 將第一組點雲數據變為齊次坐標形式；(4) 對第一組點雲應用一個任意SE(3)變換，產生一組無噪聲outlier-free的點雲；(5) 對第二組點雲數據添加噪聲和外點；(6) 配准算子參數設定，最大噪聲界(noise_bound，歐氏距離的L2-norm )為0.05，TLS中 為1，是否估計尺度參數(estimate_scaling)默認為不估計false(如需要估計則設為true)；GNC旋轉估計最大迭代次數(rotation_max_iterations)為100，GNC控制參數更新比值為1.4。(即控制參數每次更新的調整程度，，相關內容可以參考作者RAL2020 「Graduated Non-Convexity for Robust Spatial Perception: From Non-Minimal Solvers to Global Outlier Rejection」的 Remark 5)採用TLS框架的GNC算法估計旋轉(rotation_estimation_algorithm)，即使用GNC_TLS計算旋轉部分的最優解，旋轉估計部分的代價閾值(rotation_cost_threshold)為0.005。(7) TEASER++求解，src和tgt為Eigen矩陣形式的匹配對；(8) 運行結果，期望(Expected)旋轉、平移和估計(Estimated)旋轉、平移結果，匹配對(correspondences)數量，外點(outliers)數量，算法運行時間(Time)；
總結
此工作提出了一個快速的可證明的算法，用於極端外點率情況的基於對應點的配准問題。使用了估計理論中的未知但有界噪聲，幾何中的不變測量，圖理論中的內點選擇最大團和優化中的緊SDP鬆弛。 這篇TRO文章是由作者之前在RSS2019 「A Polynomial-time Solution for Robust Registration with Extreme Outlier Rates」 和 ICCV2019 「A Quaternion-based Certifiably Optimal Solution to the Wahba Problem with Outliers」兩個工作攛掇起來的。使用了前者RSS2019中的不變測量概念，後者ICCV2019中旋轉參數化為四元數的想法，整體算法流程類似於前者的框架，總的來說是一個很出色的整體工作。追溯着看，作者一系列的工作都很solid，有理論創新（數學證明），有實際實現（代碼規範），非常值得學習。論文鏈接： //arxiv.org/pdf/2001.07715.pdf論文視頻：//youtu.be/xib1RSUoeeQ
為1，是否估計尺度參數(estimate_scaling)默認為不估計false(如需要估計則設為true)；
每次更新的調整程度，
，相關內容可以參考作者RAL2020 「Graduated Non-Convexity for Robust Spatial Perception: From Non-Minimal Solvers to Global Outlier Rejection」的 Remark 5)
