本文提出了一种快速鲁棒的点云配准算法，对存在离群噪声点的点云数据具有较好的配准效果。首先使用了截断最小二乘（TruncatedLeastSquaresTLS）代价函数重新构造配准问题，该代价是的估计点对时能够对大部分的不正确的对应点不加入计算，然后使用了一个通用的图论框架来分离尺度，旋转和平移，从而允许对这三个变换矩阵进行级联求解，尽管这三个矩阵在本质上仍然是非凸的组合函数，但是论文中：
（1）LTS尺度和平移估计可以通过自适应的投票方法求解多项式的解
（2）LTS旋转估计矩阵是被认为符合semidefiniteprogram（SDP），即便在极端异常的数据中也是符合的。所以该算法是被命令为TEASER（TruncatedleastsquaresEstimationAndSEmidefiniteRelaxation）
TeaseR++是一个用C++的快速、鲁棒的点云配准库，具有Python和Matlab接口。
github: