使用奇异值分解（Singular Value Decomposition，SVD）计算最佳拟合平面方程时的误差

奇异值分解（Singular Value Decomposition，SVD）是一种常用的矩阵分解方法，在计算机视觉和三维几何处理中有广泛的应用。在点云处理中，SVD可以用于计算最佳拟合平面方程，从而实现平面拟合和平面参数估计。

在点云处理库（Point Cloud Library，PCL）中，可以利用SVD计算最佳拟合平面方程，并估计平面拟合的误差。下面将介绍如何使用PCL进行平面拟合和计算误差的方法。

首先，确保已经安装了PCL库，并在代码中包含了相应的头文件。下面是一个示例代码：

#include <iostream>
#include <pcl/io/pcd_io.h>