用 Context7 做一次点云配准的调研---测试---报告闭环：鲁棒 ICP
专栏：用 Agents / Bots 搭一支研究团队 ------ Harness 实践笔记
本专栏不神化某个模型，而谈怎么把一群助手装进可控的 Harness：上下文、工具、环境、目标与检测、规则与禁忌，以及编排协作与人机边界。每篇只攻一块，尽量带可复现的小实验或对照（公开数据、沙箱账号），避免把私有项目写进公网。文末有完整专栏地图；「工具」区已备 Context7 两篇（调研闭环 + 显式连接对照）。欢迎从任意一篇跳进整套框架。
背景
点云配准（ICP）在真实传感器噪声下容易被离群对应点拖偏。Open3D 官方推荐用鲁棒核（Tukey / Huber / Cauchy）做 point-to-plane ICP。本文用已连接的 Context7走一遍：查文档 → 跑公开数据实验 → 写结论。不含「连 vs 不连」对照（见姊妹篇）。
调研（Context7）
同一问题：Open3D Python 里如何做带 TukeyLoss 的 point-to-plane ICP？k 怎么设？
resolve-library-id("Open3D")→/websites/open3d（钉在 curated latest）query-docs(...)→ 官方教程与可运行片段
要点：
- API：
TransformationEstimationPointToPlane(TukeyLoss(k=sigma))再交给registration_icp - 文档建议：
k取噪声标准差 σ - 官方示例（σ=0.1）：fitness≈0.938，inlier_rmse≈0.336
- 来源：https://www.open3d.org/docs/latest/tutorial/pipelines/robust_kernels.html （版权标到 2026）
工具调用 2 次；返回结构化代码 + 可点击官方链接。
实验设计
| 项 | 设定 |
|---|---|
| 数据 | o3d.data.DemoICPPointClouds（公开） |
| 初值 / 阈值 | 官方 trans_init；对应距离阈值 1.0；最大迭代 50；CPU |
| 噪声 | 源与目标都加高斯噪声，σ ∈ {0, 0.02, 0.05, 0.1, 0.2}，每档 5 个种子 |
| 方法 | P2P、P2L、P2L+Tukey / Huber / Cauchy（k=σ，σ=0 时 k=0.01） |
| 参考位姿 | 无噪声点云上 P2L ICP 的结果（非真值；故 σ=0 时 P2L 误差为 0 是定义使然） |
比官方示例更难：官方只给源加噪，本文两侧都加。
结果（旋转误差 °，5 种子均值）
| σ | P2P | P2L | Tukey | Huber | Cauchy |
|---|---|---|---|---|---|
| 0 | 3.40 | 0.00 | 12.28 | 10.05 | 10.41 |
| 0.02 | 2.40 | 4.74 | 9.91 | 6.42 | 9.88 |
| 0.05 | 3.50 | 7.51 | 9.68 | 6.28 | 9.61 |
| 0.1 | 5.70 | 12.35 | 9.97 | 10.00 | 12.27 |
| 0.2 | 10.43 | 15.22 | 9.49 | 13.27 | 11.23 |
σ=0.1 平移误差（m）：P2P 0.370，P2L 0.708，Tukey 1.301，Huber 0.800，Cauchy 1.198。
单次配准约 0.5--1.1 s（CPU）。
敏感性（σ=0.1，单种子，50 次迭代）：k=σ → 9.33°；k=5σ → 6.04°；先 P2P 再 Tukey(k=σ) → 2.66°（约降 70%）。
结论
- 初值较差时，k=σ 过小会把大残差正确对应也当成离群点 → 低噪声下 Tukey 反而最差。
- 高噪声（σ=0.2）时 Tukey 旋转误差最低且最稳。
- 实务：先粗配（P2P / 大 k），再 k≈σ 的 Tukey 精修。
- 阈值 1.0 时 fitness≈1，几乎无区分度；评测看位姿误差。
复现
pip install open3d 后即可用公开数据集复现。核心代码：
python
loss = o3d.pipelines.registration.TukeyLoss(k=sigma)
est = o3d.pipelines.registration.TransformationEstimationPointToPlane(loss)
reg = o3d.pipelines.registration.registration_icp(src, tgt, 1.0, T0, est)数据与来源
- 数据：Open3D 公开数据集
DemoICPPointClouds与程序生成的随机噪声。 - 文档：https://www.open3d.org/docs/latest/tutorial/pipelines/robust_kernels.html
专栏地图
用 Agents / Bots 搭一支研究团队 ------ Harness 实践笔记
写给谁：想把「一个人 + 一群助手」跑成可持续技术预研+研发流程的工程师与研究者。
背景：多助手协作已经便宜，真正难的是上下文从哪来、工具接不接、环境是否可复现、目标怎么验、规则与禁忌怎么落地。本专栏按 Harness 拆零件，每篇只攻一块，并尽量带对照实验；演示默认沙箱与公开数据。
- 上下文（Context）--- 对话、记忆、技能、仓库与文档如何进入视野；什么该进、什么不该进。
- 工具（Tools）--- 显式连接器 vs 隐式搜索；何时值得接官方 API。
- 环境（Environment）--- 沙箱机、浏览器、CI、GPU、密钥与登录态；演示环境与真实环境隔离。
- 目标与检测方法（Goals & Evaluation）--- 可验收目标、例程、指标、失败样例与回归。
- 规则、约束与禁忌（Rules & Guardrails）--- 审批闸门、安静时段、发布前检查与信息安全清单。
- 编排与协作（Orchestration）--- 多 Bot 分工、频道订阅、交接与去重。
- 人机边界（Human-in-the-loop）--- 必须人点的步骤；草稿卡、发布审批、失败时如何停手。
写法：问题 → 机制/工具 → 小实验或对照 → 可带走的结论。观点仅代表作者实践，与平台无关。