我正在试验RANSAC算法，即本文中的RANSAC实现：http://cg.cs.uni-bonn.de/en/publications/paper-details/schnabel-2007-efficient/为什么RANSAC每次在同一个点云上运行时会给我不同的结果？
我使用的代码基础是作者提供的。我试图将物体，比如用Kinect 1获得的杯子分割成原始形状。
我的问题是，每当我在相同的物体点云上运行原始形状检测时，我会得到不同的结果，就像一次运行，我会检测到3个圆柱体和一个圆锥体，并在下一次运行时检测到2圆环和1个球体。
我知道候选对象基元的第一个点是随机选取的。所以在代码中，我将随机种子参数设置为一个静态数字。在这种情况下，我的结果总是与它应该是一样的。但是，即使使用像实际时间那样的非静态种子，RANSAC是否应该产生相同或几乎相同的结果？
RANSAC代表RANdom SAmple Consensus，它是一种迭代算法，它在习惯形式下，在最大迭代次数之后停止，或者如果达到某个标准（误差最小化），该算法会停止。 “随机”部分意味着根据数据集的不同，应用RANSAC并不总能得到相同的结果，特别是当它由于达到最大迭代次数而不是最小化误差而停止时。有许多数值求解器表现这种方式。 In computing, a Monte Carlo algorithm is a randomized algorithm whose running time is deterministic, but whose output may be incorrect with a certain (typically small) probability.这与所谓的“拉斯维加斯”算法相反。 In computing, a Las Vegas algorithm is a randomized algorithm that always gives correct results; that is, it always produces the correct result or it informs about the failure，但它不能保证在一组时间/计算资源内这么做。
现在，我不知道你提到的具体实现，但这是它是如何工作的那种算法。
好吧，由于RANSAC有一个随机组件，算法的精度（结果的可变性）取决于您尝试检测和分割的场景/对象的复杂程度。
在运行基于RANSAC的算法时，有许多因素会影响准确度和精度。它通常是数据分辨率的函数（在这种情况下为点密度），对象的复杂性以及检测和分割中使用的方法。
通常，在处理中使用随机组件时，一个好主意是多次运行相同的场景/对象，并通过某种投票（频率主义方法），选择最可能的结果。