RANSAC（Random Sample Consensus，随机抽样一致算法）是一种用于处理含有异常值数据的鲁棒性参数估计方法。该算法通过随机采样最小数据集、构建模型并统计内点数量，迭代寻找最优模型参数，其核心思想是「用少数服从多数的原则」筛选出符合真实数据分布的模型。相比传统最小二乘法，RANSAC能有效抵抗高达50%的异常值干扰，特别适用于自动驾驶中传感器噪声环境下的特征匹配、点云配准等任务。
在自动驾驶开发中，RANSAC常被用于激光雷达点云的地面分割、视觉SLAM的特征点匹配、多传感器标定等关键环节。例如当车辆通过积水路面时，雷达点云中会出现大量虚假反射点，此时RANSAC可通过拟合理想平面模型，将真实地面点与噪声点分离。值得注意的是，现代改进算法如PROSAC（渐进抽样一致）通过引入先验概率，进一步提升了RANSAC在实时系统中的计算效率。