[TOC]

概述

文章转自：https://blog.csdn.net/All_In_gzx_cc/article/details/125593120

关于自动驾驶车道线拟合算法，常用的方法有B样条、三次样条插值、Ransac、最小二乘法等等。
但是针对于高精度地图的车道线拟合，由于车道线坐标点已知，所以不需要有控制点进行约束，那么B样条、贝塞尔曲线等都不太适合；三次样条插值曲线每两个坐标点都拟合一组参数，如果高精度地图为20cm一个点的画，那么100m的道路一条车道线就将有500组参数，对于性能是不乐观的；而Ransac更适用于散点拟合，对于已知的有序点再进行多次迭代也是耗费性能的，所以目前还是以最小二乘法为主流方案。

最小二乘法，又称最小平方法，其实就是深度学习中的均方误差。它通过最小化 误差的平方和 寻找数据的最佳函数匹配。主要作用是从一堆相关数据中求解数据的一般性规律。在图像处理方面多用于各种形状的拟合。

最小二乘拟合直线，主要体现为找到一条直线，使得所有已知的点到这条直线的欧式距离的和最小（或者理解为点到直线的误差平方和最小）。开始之前先引入一个误差的概念。已知直线y=2x。现有点(x1,y1),求误差是多少，答案就是y1 - 2 * x1。