目录
- [1.在三维体素中定义 NEARBY14，实现 14 格最近邻的查找。](#1.在三维体素中定义 NEARBY14，实现 14 格最近邻的查找。)
- [2.推导arg max||Ad||22的解为ATA的最大特征向量或者奇异向量。](#2.推导arg max||Ad||22的解为ATA的最大特征向量或者奇异向量。)
- [3. 将本节的最近邻算法与一些常见的近似最近邻算法进行对比，比如nanoflann，给出精度指标和时间效率指标。](#3. 将本节的最近邻算法与一些常见的近似最近邻算法进行对比，比如nanoflann，给出精度指标和时间效率指标。)
- [4. 也欢迎大家来公众号--"过千帆"读书。](#4. 也欢迎大家来公众号--“过千帆”读书。)
1.在三维体素中定义 NEARBY14，实现 14 格最近邻的查找。
在NearbyType中定义NEARBY14方法，并定义好nearby_grids_即可。
2.推导arg max||Ad||22的解为ATA的最大特征向量或者奇异向量。
3. 将本节的最近邻算法与一些常见的近似最近邻算法进行对比，比如nanoflann，给出精度指标和时间效率指标。
熟悉了nanoflann库中exemples中的例子，了解了构建kdtree以及K近邻搜索的方法。
nanoflann库构建kdtree需要的点云类型使用的是exemples中头文件utils.h中的定义，使用的K近邻搜索方法为knnSearch()函数。
评估结果：
由上图所示：
①三种方法实现的KNN算法的准确率和召回率均为1，未出现漏检与误检的情况；
②在build tree的耗时方面，自定义的kdtree构建耗时较大（7.9毫秒），而pcl库和nanoflann库在build tree方面耗时水平相当（分别为3.2毫秒和3.3毫秒）；
③在KNN检索调用耗时方面，nanoflann的4.27毫秒要优于自定义实现的7.9毫秒，并且远远优于pcl版本的35.3毫秒.