当前位置：首页 > news >正文

从道路边沿拟合到模型泛化：最小二乘与正则化的工程实践

news 2026/7/15 5:58:11

1. 从道路边沿拟合说起：最小二乘法的工程实践

我第一次接触最小二乘法是在车载雷达标定项目中。当时需要根据雷达探测到的道路边沿点云数据，拟合出一条直线来计算雷达的水平安装角度误差。这个看似简单的任务，却让我深刻体会到理论和实践的差距。

假设我们采集到N个道路边沿点的坐标(xi,yi)，要拟合直线y=ax+b。最小二乘法的核心思想是找到一组参数(a,b)，使得所有数据点到直线的垂直距离平方和最小。用数学公式表示就是：

import numpy as np # 实际工程中的数据处理示例 points = np.array([[1.2, 3.1], [2.5, 4.8], [3.6, 6.2]]) # 示例数据点 X = points[:, 0] Y = points[:, 1] # 构建系数矩阵 A = np.vstack([X, np.ones(len(X))]).T # 最小二乘解 a, b = np.linalg.lstsq(A, Y, rcond=None)[0]

但在实际工程中会遇到几个典型问题：

数据噪声：雷达点云存在测量误差，特别是远距离点的误差更大
异常值：偶尔会出现错误检测的点（如路边障碍物）
数据量不足：在某些路段可能只能检测到少量边沿点

我曾遇到过一个典型案例：在某次道路测试中，使用普通最小二乘拟合的直线突然出现了30度偏差。后来发现是因为前方卡车掉落的一个小箱子被误检测为道路边沿点。这个异常值完全扭曲了拟合结果。

2. 过拟合陷阱：当模型过于"聪明"

在机器学习中，我们常用多项式拟合来逼近复杂函数。假设要用n次多项式拟合m个数据点：

# 多项式拟合示例 def poly_fit(x, y, degree): coeffs = np.polyfit(x, y, degree) poly = np.poly1d(coeffs) return poly

但这里隐藏着一个危险陷阱——过拟合。我做过一组对比实验：

用3阶多项式拟合10个噪声数据点，测试误差0.12
用9阶多项式拟合同样的点，训练误差近乎0，但测试误差高达1.83

这个现象在雷达道路拟合中尤为致命。我曾尝试用高阶多项式拟合弯曲路段，结果在训练区间内拟合完美，但超出该区间后曲线疯狂震荡，完全不符合实际道路走向。

过拟合的本质是模型记住了噪声而不是规律。就像学生死记硬背考题却不理解原理，考试时遇到新题就束手无策。在工程中，这意味着：

在训练数据上表现极佳
遇到新数据时性能急剧下降
模型参数往往非常大（特别是高阶项）

3. 正则化技术：给模型戴上"紧箍咒"

正则化的核心思想是在损失函数中添加惩罚项，限制模型复杂度。最常见的L2正则化（岭回归）形式如下：

# 带L2正则化的最小二乘 def ridge_regression(X, y, lambda_): I = np.eye(X.shape[1]) return np.linalg.inv(X.T @ X + lambda_*I) @ X.T @ y

这个λ参数就像调节旋钮：

λ=0：退化为普通最小二乘
λ→∞：所有参数趋近0
适中的λ：在拟合数据和限制复杂度间取得平衡

在车载雷达的实际应用中，我发现λ取值在0.1-1.0范围通常效果较好。过小的λ无法有效抑制过拟合，而过大的λ会导致欠拟合——模型变得过于"保守"。

4. 工程实践中的调参技巧

经过多个项目积累，我总结出一些实用经验：

数据预处理：对雷达点云进行滤波（如统计离群点去除）

# 简单的离群点过滤 def remove_outliers(points, threshold=2.0): dist = np.linalg.norm(points - np.mean(points, axis=0), axis=1) return points[dist < threshold*np.std(dist)]