{
"paper_id": "01fce6a04d40158095d59accb54b80ec",
"paper_title": "BEV-ODOM2: Enhanced BEV-based Monocular Visual Odometry with PV-BEV Fusion and Dense Flow Supervision for Ground Robots",
"paper_authors": [
"Yufei Wei",
"Chenxiao Hu",
"Wangtao Lu",
"Sha Lu",
"Yuxiang Cui",
"Fuzhang Han",
"Rong Xiong",
"Yue Wang"
],
"publication_date": "",
"publication_venue": "unknown",
"abstract": "Scale-consistent ego-motion estimation is fundamental for autonomous ground robots. Bird’s-Eye-View (BEV) representation naturally addresses the scale drift problem of monocular visual odometry (MVO) by providing a metric-scaled planar workspace, enabling the simplification of 6-DoF ego-motion to a more robust 3-DoF model. However, existing BEV-based methods suffer from two key limitations: sparse supervision signals from pose-only training, and information loss during perspective-to-BEV projection. We present BEV-ODOM2, an enhanced framework that addresses both limitations without requiring additional annotations. Our approach introduces (1) dense BEV optical flow supervision constructed directly from 3-DoF pose ground truth for pixel-level guidance, and (2) Perspective View (PV)-BEV fusion that computes correlation volumes before projection to preserve 6-DoF motion cues. An enhanced rotation sampling strategy further balances diverse motion patterns during training. We evaluate on four datasets with varied spatial scales: KITTI, Oxford, NCLT, and our newly collected ZJH-VO benchmark. BEV-ODOM2 achieves a 40% RTE improvement over prior BEV-based methods, with real-time inference on an NVIDIA Jetson AGX Orin confirming edge deployment feasibility. The source code and the ZJH-VO dataset are publicly released to facilitate future research.\n",
"keywords": [
"Monocular visual odometry",
"bird’s-eye-view representation",
"scale-consistent ego-motion estimation",
"dense supervision",
"autonomous ground robots",
"mobile robot perception"
],
"paper_institutions": [],
"output_language": "zh",
"provider": "doubao",
"model": "deepseek-v4-flash",
"prompt_template": "simple",
"extracted_at": "2026-08-18T10:30:50.602890Z",
"template_tag": "deep_read",
"summary": "# BEV-ODOM2: Enhanced BEV-based Monocular Visual Odometry with PV-BEV Fusion and Dense Flow Supervision for Ground Robots\n\n\n**作者 / Authors:** Yufei Wei, Chenxiao Hu, Wangtao Lu, Sha Lu, Yuxiang Cui, Fuzhang Han, Rong Xiong, Yue Wang\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n**期刊/会议 / Publication Venue:** 未明确标注（正文含 Note to Practitioners，疑似 IEEE T-ASE 格式）\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A: 阅读对齐与输入校验\n\n### 分类理由\n\n- 本文主要贡献是提出一个新的单目视觉里程计算法/框架 BEV-ODOM2，包含密集 BEV 光流监督、PV-BEV 融合、增强旋转采样等新方法，因此归类为 `method`。\n- 本文不是综述（survey），也不是以系统/硬件平台为主要贡献（system）。\n\n### 1. Paper metadata\n\n- **Title:** BEV-ODOM2: Enhanced BEV-based Monocular Visual Odometry with PV-BEV Fusion and Dense Flow Supervision for Ground Robots\n- **Authors:** Yufei Wei, Chenxiao Hu, Wangtao Lu, Sha Lu, Yuxiang Cui, Fuzhang Han, Rong Xiong, Yue Wang。作者单位未在正文中明确列出，仅以 1、2 上标区分。\n- **Publication venue or outlet:** 未明确标注期刊/会议名称与年份；正文格式含 Note to Practitioners，疑似 IEEE T-ASE 投稿格式。\n\n### 2. Research positioning\n\n- **Research area:** 机器人感知 / 单目视觉里程计（MVO） / BEV 表示 / 地面机器人自主导航。\n- **Concrete task:** 基于 BEV 表示的地面机器人单目视觉里程计，从连续单目图像估计 3-DoF 位姿（x, y, yaw），并保持尺度一致性、抑制尺度漂移。\n- **Target users or application scenario:** 地面移动机器人、室内服务/巡检机器人、室外自动驾驶平台；适用于低成本、无额外标注、可在嵌入式设备（如 NVIDIA Jetson AGX Orin）上实时运行的定位模块，也可作为 GNSS 中断时的航位推算备份。\n\n### 3. Input material checklist\n\n- **PDF:** 否（输入为 Markdown 文本，含图片引用路径，但未嵌入实际图片文件）。\n- **Appendix / supplement:** 是（附录 A-E：ZJH-VO 数据集细节、动态场景鲁棒性分析、超参数设计验证、KITTI 高程敏感性分析、航位推算应用分析）。\n- **Code link:** \n- **Dataset link:** \n\n### 4. Missing materials and risks\n\n- **Missing items:**\n - 原始 PDF 版式、页眉页脚、最终出版信息（卷期/年份）缺失。\n - 正文中引用的图片文件（images/...）未嵌入，无法直接查看 Fig.1-10。\n - 作者单位全称未给出。\n - 出版 venue 和 publication date 未明确标注。\n- **Likely impact:**\n - 图片缺失影响对框架图、轨迹图、光流图、消融图等视觉证据的核对。\n - 单位缺失影响作者背景与机构分析。\n - 出版信息缺失影响引用和版本确认，但不影响方法理解。\n\n### 5. Reading route\n\n- **Step 1:** 先读摘要、引言、结论，明确问题定义、核心贡献和主要结果（相对 RTE 提升 40%、Jetson AGX Orin 实时运行）。\n- **Step 2:** 读第 III 节方法，重点理解 PV-BEV 双分支融合、密集 BEV 光流监督构造、增强旋转采样策略和损失函数设计。\n- **Step 3:** 读第 IV 节实验，对比表 I-III 的定量结果和表 V 的消融实验，验证各组件贡献。\n- **Step 4:** 读附录 A-E，检查数据集细节、动态场景鲁棒性、超参数验证、KITTI 高程敏感性以及航位推算分析。\n- **Step 5:** 如有需要，结合开源代码复现，并核对公式（11-12）与 BEV 光流 ground truth 构造过程。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B: 第一遍概览\n\n### 1. 论文类型与类别\n\n- 方法类论文（method）。本文核心贡献是提出一个新的单目视觉里程计算法框架 BEV-ODOM2，包含密集 BEV 光流监督、PV-BEV 融合、增强旋转采样等新方法，并构建新数据集 ZJH-VO 用于验证。\n- 依据：摘要与引言明确列出方法贡献（Section I），方法部分（Section III）给出完整技术细节；不是综述，也不是以硬件/系统为主要贡献。\n\n### 2. 背景与研究背景\n\n- 研究领域：机器人感知 / 单目视觉里程计（MVO）/ BEV 表示 / 地面机器人自主导航。\n- 问题背景：MVO 存在尺度漂移；BEV 表示通过公制尺度网格将 6-DoF 运动简化为 3-DoF（x, y, yaw），可缓解尺度漂移（Section I）。\n- 已有方法局限：BEV-ODOM 等仅用 3-DoF pose 监督，监督信号稀疏；PV 到 BEV 的 LSS 投影会丢失 pitch/roll/z 等非平面运动信息（Section I, II-C）。\n- 本文定位：在不引入额外标注的前提下，用 dense BEV optical flow supervision 和 PV-BEV fusion 同时解决上述两个问题（Section III-A）。\n\n### 3. 直觉正确性检查\n\n- 关键假设 1：地面机器人运动近似平面，3-DoF 模型足够。\n - 合理性：地面机器人主要在平面上运动，BEV 表示天然匹配；但 KITTI Seq10 存在显著高程变化，作者在附录 D 中承认这是误差来源，并用滑动窗口 Pearson 相关（r=0.287，高变化帧 r=0.556）支持该判断。\n- 关键假设 2：BEV 网格具有统一公制尺度，因此可由 3-DoF pose ground truth 直接构造密集光流。\n - 合理性：BEV 是公制平面，刚性变换可逐像素计算（Eq. 11-12, Fig. 3），逻辑自洽。\n- 关键假设 3：在 LSS 投影前计算 PV correlation volume，可保留 6-DoF 运动信息。\n - 合理性：correlation 在特征层面编码相对运动，投影后仍保留非平面运动线索（Section III-C），且消融实验（Table V 第四行）显示 PV-BEV fusion 带来一致提升。\n- 关键假设 4：静态场景假设下构造的 dense flow 对动态物体鲁棒。\n - 合理性：附录 B 用动态物体像素比例与误差的关系实验支持，BEV 投影压缩动态物体面积，静态单元占主导。\n- 总体判断：核心假设在目标场景（地面机器人、平坦环境）下成立，但非平坦地形是已知局限。\n\n### 4. 核心贡献\n\n1) 提出 BEV-ODOM2 统一框架，以双策略解决稀疏监督和信息损失，且无需额外监督（Section I, III-A）。\n2) 提出密集 BEV 光流监督：从 3-DoF pose ground truth 构造像素级 dense flow，提供比稀疏 pose 更丰富的训练信号（Section III-E, Fig. 3）。\n3) 提出 PV-BEV 双分支融合：在 LSS 投影前计算 PV correlation volume，再投影到 BEV 与原生 BEV correlation 融合，保留 6-DoF 运动信息（Section III-C/D, Fig. 2）。\n4) 提出增强旋转采样策略，缓解地面机器人数据集直行偏差，提升转弯场景鲁棒性（Section III-F）。\n5) 构建并开源 ZJH-VO 多场景多尺度数据集，在 KITTI、Oxford、NCLT、ZJH-VO 四个数据集上验证，并在 NVIDIA Jetson AGX Orin 上实现实时推理（Section IV-A, IV-D, Table IV）。\n\n### 5. 清晰度评估\n\n- 结构：标准 IMRaD 结构，方法部分按框架、特征提取、BEV 投影、融合、监督、采样、损失分节，逻辑清晰。\n- 公式：关键公式编号完整（Eq. 1-16），符号定义清楚，便于复现。\n- 图表：Fig. 1-3 说明动机、框架和 dense flow 构造；Table I-V 覆盖定量对比、消融和计算成本；附录 A-E 补充数据集、动态鲁棒性、超参数、高程敏感性和航位推算分析。\n- 可读性：对熟悉 LSS、correlation volume、BEV 的读者友好；但输入材料中图片未嵌入，无法直接查看 Fig. 1-10，且作者单位、出版 venue 和日期缺失，影响完整引用。\n\n### 6. 继续或停止建议\n\n- 建议：继续深入阅读（进入 Module D/E）。\n- 理由：本文方法新颖、开源代码和数据集可复现，实验设计较完整（四数据集、多基线、消融、边缘部署），是 BEV 里程计方向的重要参考；但需注意平面运动假设和评估协议（如 SE(3)/Sim(3) 对齐、前 10m 尺度初始化）对结论的影响。若仅需高层概览，第一遍已足够；若要复现或扩展，应继续。\n\n### 7. 结构大纲图\n\n```markmap\n# BEV-ODOM2 论文概览\n## 标题与作者\n## 摘要\n## 引言\n### 问题：MVO 尺度漂移\n### 已有 BEV 方法局限\n### 贡献列表\n## 相关工作\n### 传统方法\n### 透视视角学习方法\n### BEV 表示学习方法\n## 方法\n### 总体框架\n### 特征提取与 PV 分支\n### BEV 投影管线\n### 运动信息提取与融合\n### 密集 BEV 光流监督\n### 增强旋转采样\n### 损失函数\n## 实验\n### 数据集\n### 实验设置\n### 定性分析\n### 定量分析\n### 消融研究\n## 结论与未来工作\n## 附录\n### A: ZJH-VO 数据集细节\n### B: 动态场景鲁棒性\n### C: 超参数验证\n### D: KITTI 高程敏感性\n### E: 航位推算应用分析\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## Module C1: 本文要解决什么问题？\n\n### 1. 一句话问题定义\n\n本文要解决的是：地面机器人在仅使用单目相机、且不依赖额外标注或传感器的情况下，现有 BEV 表示的单目视觉里程计（MVO）仍存在监督信号稀疏、以及透视视图到 BEV 投影过程中信息丢失的问题，导致位姿估计精度不足、尺度漂移抑制不充分（摘要；Section I；Section III 开头）。\n\n### 2. 痛点/缺陷\n\n- **监督信号稀疏**：现有 BEV-based MVO 仅用单个 3-DoF pose 向量作为监督，难以引导网络学习连续 BEV 特征图之间的细粒度、像素级对应关系（摘要；Section I 第 2 段；Section III-E 开头）。\n- **PV→BEV 投影信息丢失**：标准透视到 BEV 变换（如 LSS）将 3D 信息投影到 2D 平面，丢弃 pitch、roll、z 轴平移等非主自由度几何线索，造成里程计估计歧义，例如路面不平或车辆动态引起的俯仰/横滚变化在 BEV 中不可见（摘要；Section I 第 2 段；Section II-C）。\n- **已有 BEV 方法未充分利用 BEV 可构造性**：BEV-ODOM、BEV-DWPVO 等仅用 pose 监督，未利用 BEV 统一度量网格可直接从位姿构造稠密光流这一特性，也未保留 PV 中的 6-DoF 运动信息（Section II-C；Section III 引言）。\n- **数据集运动模式偏置**：地面机器人数据集普遍偏向直线行驶，大旋转/转弯样本不足，导致模型对多样运动模式的鲁棒性差（Section III-F；Table V 消融实验）。\n\n### 3. 形式化目标/优化目标\n\n- 整体训练目标为多任务损失：\n $$\\mathcal{L}_{\\mathrm{total}}=\\mathcal{L}_{\\mathrm{3-DoF}}+\\lambda_{1}\\mathcal{L}_{\\mathrm{5-DoF}}+\\lambda_{2}\\mathcal{L}_{\\mathrm{flow}}$$\n 其中 $\\lambda_1=0.2$、$\\lambda_2=0.1$（Section III-G，公式 13）。\n- 3-DoF BEV pose 损失（L1 回归）：\n $$\\mathcal{L}_{\\mathrm{3-DoF}}=|t_{\\mathrm{pred},x}-t_{\\mathrm{gt},x}|+|t_{\\mathrm{pred},y}-t_{\\mathrm{gt},y}|+\\alpha|\\theta_{\\mathrm{pred}}-\\theta_{\\mathrm{gt}}|$$\n 其中 $\\alpha=10$（公式 14）。\n- 5-DoF PV pose 损失（平移方向归一化 + 旋转矩阵 Frobenius 范数）：\n $$\\mathcal{L}_{\\mathrm{5-DoF}}=\\|\\hat{\\mathbf{t}}_{\\mathrm{pred}}-\\hat{\\mathbf{t}}_{\\mathrm{gt}}\\|_{1}+\\beta\\|\\mathbf{R}_{\\mathrm{pred}}-\\mathbf{R}_{\\mathrm{gt}}\\|_{F}$$\n 其中 $\\hat{\\mathbf{t}}=\\mathbf{t}/\\|\\mathbf{t}\\|_2$，$\\beta=10$（公式 15）。\n- 稠密 BEV 光流损失：\n $$\\mathcal{L}_{\\mathrm{flow}}=\\|\\mathbf{F}_{\\mathrm{flow}}-\\mathbf{F}_{\\mathrm{flow-gt}}\\|_{1}$$\n （公式 16）。\n- 总体目标是在保持 BEV 表示固有尺度一致性的前提下，通过稠密监督和 PV-BEV 融合提升 3-DoF 位姿估计精度，同时不引入额外标注或传感器模态（Section III-G；Section I 贡献列表）。\n\n### 4. 成功标准（指标/期望性质）\n\n- **主要定量指标**：相对平移误差 RTE（%）、相对旋转误差 RRE（°/100m）、绝对轨迹误差 ATE（m），并区分 SE(3) 与 Sim(3) 对齐方式（Section IV-B.2）。\n- **尺度一致性**：使用对数尺度因子曲线 $s_i=\\log_2(d_i/d_i^{\\mathrm{GT}})$ 评估长期尺度漂移，期望曲线接近零且波动小（Section IV-C.2，Fig. 5）。\n- **目标性能**：相比 prior BEV 方法 RTE 提升 40%（摘要；Section V）；在 NCLT/Oxford 上 RTE 达 5.01%/4.60%，RRE 达 2.14°/100m/1.02°/100m（Table I）；KITTI 上平均 ATE 4.49m（SE(3) 对齐，无尺度修正）（Table II）；ZJH-VO 上平均 RTE 3.57%（Table III）。\n- **实时性与边缘部署**：RTX 4090 上 69.52/56.62 FPS；NVIDIA Jetson AGX Orin 上 FP32 为 16.91/14.14 FPS，TensorRT backbone 加速后为 21.84/16.73 FPS，满足地面机器人实时运行要求（Table IV；Section IV-D.4）。\n- **消融验证**：增强旋转采样、稠密光流监督、PV-BEV 融合三个组件均带来一致性能提升，证明每个设计对最终目标均有贡献（Table V）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2: 相关工作定位\n\n### 1. 最强基线（Strongest baselines）与比较轴\n\n- **最强基线：** 与本文同属“仅位姿监督 + BEV 表示”的 **BEV-ODOM**（[^7]，IROS 2024）和 **BEV-DWPVO**（[^6]，IEEE RAL 2025）。二者是本文最直接、最强的同类基线，也是消融实验的起点（Table V 第一行即相当于 BEV-ODOM 类设置）。\n - **BEV-ODOM**：方法为“BEV 特征相关 + 学习回归后端”，核心思想是用 BEV 统一度量网格隐式锚定尺度，仅用 3-DoF 位姿监督。局限：监督信号稀疏（每帧只有一个位姿向量），且 PV→BEV 投影丢失非平面运动信息（见 Section II-C、III-A）。\n - **BEV-DWPVO**：方法为“BEV 空间关键点提取/匹配 + 可微加权 Procrustes 求解”，核心思想是用可解释的几何求解替代回归。局限：同样只有稀疏位姿监督，且对匹配质量与求解约束更敏感（见 Section II-C、IV-D-1 中“更灵活的约束”对比）。\n- **比较轴：** ① 精度：RTE（%）、RRE（°/100m）、ATE（m），含 SE(3) 与 Sim(3) 两种对齐方式（Table I/II/III）；② 尺度一致性：对数尺度因子变化曲线（Fig. 5）；③ 监督需求：是否需额外深度/光流/分割等外部监督（Table I 的 Ex. Supv. 列）；④ 计算效率：FPS、GPU 内存、边缘部署（Table IV）。\n- **结果定位：** 在 NCLT/Oxford 上，BEV-ODOM2 的 RTE 比 BEV-DWPVO 降低 42.21%/33.53%，RRE 降低 39.38%/23.31%（Section IV-D-1）；在 KITTI 上平均 ATE(SE(3)) 为 4.49 m，优于多数使用 Sim(3) 尺度校正的基线（Table II）；在 ZJH-VO 上平均 RTE 3.57%、ATE(SE(3)) 2.11 m，均优于 BEV-ODOM 与 BEV-DWPVO（Table III）。\n\n### 2. 最接近的方法（Closest approaches）与关键差异\n\n- **最接近方法：** BEV-ODOM 是本文最直接的前作/同源工作（同一作者团队，见 [^7]）；BEV-DWPVO 是同一团队的另一条 BEV 技术路线（[^6]）。二者都只使用位姿监督，都依赖 BEV 网格的度量尺度来抑制尺度漂移。\n- **关键差异：**\n 1. **密集监督 vs 稀疏监督：** BEV-ODOM/BEV-DWPVO 只用 3-DoF 位姿作为稀疏监督；BEV-ODOM2 利用 BEV 网格可由 3-DoF 位姿直接构造的性质，生成逐像素密集 BEV 光流真值（Eqs. 11–12，Fig. 3），提供像素级对应学习信号（Section III-E）。\n 2. **PV-BEV 融合 vs 纯 BEV：** BEV-ODOM/BEV-DWPVO 在投影后再做相关/匹配，丢失 pitch/roll/z 等非主自由度信息；BEV-ODOM2 在 LSS 投影前先计算 PV 相关体，再投影到 BEV 并与 BEV 相关体融合（Section III-C、III-D），保留 6-DoF 运动线索。\n 3. **训练数据采样：** BEV-ODOM2 增加增强旋转采样（70:30 高/标准旋转对），缓解地面机器人数据集直行偏差（Section III-F）。\n- **一句话差异：** 前作“用 BEV 表示解决尺度漂移但只给稀疏监督”，本文“在 BEV 表示上额外构造密集光流监督，并用 PV-BEV 双分支融合补回投影丢失的运动信息”。\n\n### 3. 正交方向（Orthogonal directions）\n\n- **传统几何方法：** ORB-SLAM3（[^18]）、DSO（[^19]）、SVO（[^20]）等。核心思想：特征/直接法 + 几何优化。局限：依赖初始深度定尺度，长轨迹尺度漂移严重；在 NCLT 高抖动和 Oxford 动态场景中甚至跟踪失败（Table I 中 ORB-SLAM3 在 NCLT 无结果）。\n- **透视视图（PV）学习式方法：** DeepVO（[^22]）、TartanVO（[^23]）、DF-VO（[^24]）、DROID-SLAM（[^25]）、DPVO（[^26]）。核心思想：端到端回归或相关体 + 可微优化。局限：多数需要深度/光流/立体等额外监督来保证尺度；DeepVO 虽仅需位姿监督但精度明显低于 BEV 方法（Table I/II/III）。\n- **语义/占用 BEV 方法：** BEV-SLAM（[^3]）、BEV-Locator（[^4]）、OCC-VO（[^27]）。核心思想：用语义或 3D 占用表示做地图匹配/定位。局限：依赖中间地图生成质量，需要昂贵标注（Section II-C）。\n- **与本文关系：** 这些方向与本文正交——本文不依赖语义/占用，不依赖外部传感器或标注，也不使用传统几何初始化尺度，而是直接在 BEV 度量网格上做自监督式密集监督与双分支融合。\n\n### 4. 本文的一句话定位\n\nBEV-ODOM2 是在“仅位姿监督的 BEV 单目视觉里程计”这一路线上，通过密集 BEV 光流监督和 PV-BEV 双分支融合同时解决稀疏监督与投影信息丢失两个核心问题，从而在保持 BEV 尺度一致性的前提下取得相对前作约 40% RTE 提升（摘要、Section V）的增强框架。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3: 论文如何解决问题？\n\n### 1. 核心机制概述\n\nBEV-ODOM2 针对现有 BEV 单目视觉里程计的两大核心缺陷提出双策略解决方案（Section III，Fig. 2）：\n\n- **稀疏监督问题**：提出密集 BEV 光流监督（Dense BEV Optical Flow Supervision）。利用 BEV 网格的统一度量尺度，直接从 3-DoF 位姿真值构造逐像素光流真值，为网络提供稠密、像素级的对应关系学习信号，无需额外标注。\n- **PV→BEV 信息损失问题**：提出 PV-BEV 双分支融合（PV-BEV Fusion）。在 LSS 投影之前先计算透视视图（PV）特征的相关体，保留 6-DoF 运动线索；随后用同一套 LSS 管线将该相关体投影到 BEV 空间，与 BEV 原生相关体拼接融合，兼顾 BEV 的尺度一致性与 PV 的几何丰富性。\n\n所有监督信号（3-DoF 位姿、5-DoF 位姿、密集 BEV 光流）均由位姿真值构造，不依赖深度、语义分割或光流传感器等额外监督。\n\n### 2. 逐步分解\n\n1. **输入**：连续单目图像 \\(I_t\\) 和 \\(I_{t+1}\\)。\n2. **共享特征提取**：使用 ResNet-50 + FPN 提取多尺度特征 \\(\\mathbf{F}_{\\mathrm{IF}}\\)；相机内参 \\(\\mathbf{K}\\) 和外参 \\(\\mathbf{E}\\) 经 MLP 编码后，与图像特征逐元素相乘得到 PV 特征 \\(\\mathbf{F}_{\\mathrm{PV}}\\)。\n3. **PV 分支处理**：在 LSS 投影前，对连续 PV 特征计算局部相关体 \\(\\mathbf{C}_{\\mathrm{PV}}\\)，搜索范围 \\(\\Delta_{\\mathrm{PV}}=5\\)，得到 \\(11\\times11\\) 的相关窗口；该相关体编码特征级别的相对运动模式。随后通过 CNN 降维和 MLP 回归 5-DoF 位姿 \\(\\mathbf{T}_{5\\mathrm{-DoF}}\\)，监督时只约束旋转和归一化平移方向，以符合单目尺度不确定性。\n4. **BEV 投影**：LSS 管线将 PV 特征投影为 BEV 特征 \\(\\mathbf{F}_{\\mathrm{BEV}}\\)；同时，将 PV 相关体 \\(\\mathbf{C}_{\\mathrm{PV}}\\) 用 anchor frame \\(I_t\\) 的深度分布投影为 \\(\\mathbf{C}_{\\mathrm{PV-BEV}}\\)，从而在 BEV 空间中保留 6-DoF 运动信息。\n5. **BEV 分支处理**：在 BEV 特征上计算局部相关体 \\(\\mathbf{C}_{\\mathrm{BEV}}\\)，搜索范围 \\(\\Delta_{\\mathrm{BEV}}=5\\)，直接编码平面运动（x, y, yaw）。\n6. **多模态融合**：将 \\(\\mathbf{C}_{\\mathrm{BEV}}\\) 与 \\(\\mathbf{C}_{\\mathrm{PV-BEV}}\\) 沿通道维拼接，得到 \\(\\mathbf{C}_{\\mathrm{concat}}\\)。\n7. **解码与输出**：UNet 风格编码器-解码器处理拼接后的相关体，输出密集 BEV 光流 \\(\\mathbf{F}_{\\mathrm{flow}}\\)；3-DoF 位姿分支连接解码器倒数第二层特征，回归 \\([\\theta, t_x, t_y]\\)。\n8. **监督与训练**：总损失 \\(\\mathcal{L}_{\\mathrm{total}} = \\mathcal{L}_{3\\mathrm{-DoF}} + \\lambda_1 \\mathcal{L}_{5\\mathrm{-DoF}} + \\lambda_2 \\mathcal{L}_{\\mathrm{flow}}\\)，其中 \\(\\lambda_1=0.2\\)、\\(\\lambda_2=0.1\\)。\n9. **数据增强**：增强旋转采样策略，构建高旋转样本列表（相对 yaw 15°–45°）和标准旋转列表（<15°），按 70:30 比例采样，并限制平移距离不超过 4 米，以平衡直线与转弯运动模式。\n\n### 3. 关键公式与模块作用\n\n- **特征调制**：\\(\\mathbf{F}_{\\mathrm{PV}} = \\mathbf{F}_{\\mathrm{IF}} \\odot \\mathrm{MLP}(\\mathbf{K}, \\mathbf{E})\\)。作用：将相机内外参注入共享特征，使网络感知成像几何。\n- **PV 相关体**：\\(\\mathbf{C}_{\\mathrm{PV}}[\\Delta x,\\Delta y,x,y] = \\sum_c \\mathbf{F}_{\\mathrm{PV}}^t[c,x,y] \\cdot \\mathbf{F}_{\\mathrm{PV}}^{t+1}[c,x+\\Delta x,y+\\Delta y]\\)。作用：在投影前捕获像素级 6-DoF 运动模式。\n- **5-DoF 位姿回归**：\\(\\mathbf{T}_{5\\mathrm{-DoF}} = \\mathrm{MLP}_{\\mathrm{PV}}(\\mathrm{CNN}_{\\mathrm{PV}}(\\mathbf{C}_{\\mathrm{PV}}))\\)。作用：为 PV 分支提供中间监督，保留旋转与平移方向信息。\n- **LSS 投影**：\\(\\mathbf{F}_{\\mathrm{BEV}} = \\mathrm{Project}_{\\mathrm{LSS}}(\\mathbf{F}_{\\mathrm{PV}}, \\mathbf{F}_{\\mathrm{PVD}}, \\mathbf{K}, \\mathbf{E})\\)；\\(\\mathbf{C}_{\\mathrm{PV-BEV}} = \\mathrm{Project}_{\\mathrm{LSS}}(\\mathbf{C}_{\\mathrm{PV}}, \\mathbf{F}_{\\mathrm{PVD}}^t, \\mathbf{K}, \\mathbf{E})\\)。作用：将 PV 特征和 PV 相关体映射到统一度量 BEV 网格，同时保留运动信息。\n- **BEV 相关体**：\\(\\mathbf{C}_{\\mathrm{BEV}}[\\Delta x,\\Delta y,x,y] = \\sum_c \\mathbf{F}_{\\mathrm{BEV}}^t[c,x,y] \\cdot \\mathbf{F}_{\\mathrm{BEV}}^{t+1}[c,x+\\Delta x,y+\\Delta y]\\)。作用：在 BEV 空间中直接编码平面运动。\n- **融合**：\\(\\mathbf{C}_{\\mathrm{concat}} = \\mathrm{Concat}(\\mathbf{C}_{\\mathrm{BEV}}, \\mathbf{C}_{\\mathrm{PV-BEV}})\\)。作用：融合 BEV 的尺度一致平面运动与 PV 的 6-DoF 运动线索。\n- **解码与位姿**：\\(\\mathbf{F}_{\\mathrm{flow}} = \\mathrm{U}_{\\mathrm{Dec}}(\\mathrm{U}_{\\mathrm{Enc}}(\\mathbf{C}_{\\mathrm{concat}}))\\)；\\(\\mathbf{T}_{3\\mathrm{-DoF}} = \\mathrm{MLP}_{\\mathrm{BEV}}(\\mathrm{CNN}_{\\mathrm{BEV}}(\\mathbf{F}_{\\mathrm{Dec}}^{L-1})) = [\\theta, t_x, t_y]\\)。作用：联合预测密集光流和最终 3-DoF 位姿，光流监督为位姿回归提供丰富特征。\n- **光流真值构造**（式 11–12）：\\(\\mathbf{p}_{\\mathrm{veh}} = [(o_y-v)r,\\ (u-o_x)r,\\ 0,\\ 1]^T\\)，\\(\\mathbf{F}_{\\mathrm{flow-gt}}[u,v] = \\mathcal{P}(\\mathbf{T}_{\\mathrm{rel}} \\mathbf{p}_{\\mathrm{veh}}) - [u,v]\\)。作用：利用 BEV 的度量一致性，从 3-DoF 位姿真值直接生成逐像素稠密监督。\n- **损失函数**：\\(\\mathcal{L}_{3\\mathrm{-DoF}}\\) 用 L1 回归平移和 yaw（\\(\\alpha=10\\)）；\\(\\mathcal{L}_{5\\mathrm{-DoF}}\\) 用归一化平移方向 L1 加旋转 Frobenius 范数（\\(\\beta=10\\)）；\\(\\mathcal{L}_{\\mathrm{flow}}\\) 用预测光流与真值光流的 L1 距离。\n\n### 4. 过程图\n\n```mermaid\nflowchart TD\n A[\"输入 I_t, I_{t+1}\"] --> B[\"共享 ResNet-50+FPN 特征提取 F_IF\"]\n B --> C[\"相机参数 MLP 调制: F_PV = F_IF ⊙ MLP(K,E)\"]\n C --> D[\"PV 分支: 计算 PV 相关体 C_PV\"]\n D --> E[\"PV 5-DoF 位姿回归 T_5DoF\"]\n C --> F[\"LSS 投影: PV 特征 -> F_BEV\"]\n D --> G[\"LSS 投影: PV 相关体 -> C_PV-BEV\"]\n F --> H[\"BEV 相关体 C_BEV\"]\n G --> I[\"通道拼接 C_concat = Concat(C_BEV, C_PV-BEV)\"]\n H --> I\n I --> J[\"UNet 编码器-解码器\"]\n J --> K[\"密集 BEV 光流 F_flow\"]\n J --> L[\"3-DoF 位姿 T_3DoF = [θ, t_x, t_y]\"]\n E --> M[\"总损失 L_total\"]\n K --> M\n L --> M\n N[\"位姿真值构造光流真值 F_flow-gt (式11-12)\"] --> M\n O[\"增强旋转采样: 70% 高旋转 + 30% 标准旋转\"] --> A\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4: 数据集、基准与实现/评估设置\n\n### 1. 数据集 / 基准列表\n\n本文在四个数据集上评估 BEV-ODOM2，覆盖室外/室内、不同空间尺度与运动模式（Section IV-A；Table I-III）。\n\n- **KITTI Odometry Dataset**（Section IV-A.1，Table II）：\n - 场景：典型郊区道路驾驶，是视觉里程计标准基准。\n - 规模/划分：按既有协议，用序列 00–08 训练，09–10 测试。\n - 特点：测试序列含显著高程变化，会挑战本文的平面运动假设。\n\n- **Oxford Radar RobotCar Dataset**（Section IV-A.1，Table I）：\n - 场景：复杂城市驾驶，交通密度变化、动态参与者多。\n - 规模/划分：3 个训练序列、4 个测试序列，覆盖停止、低速、高速以及小巷、街道等不同运动/空间尺度。\n - 特点：序列 17-12 含强光照条件，用于检验泛化能力。\n\n- **NCLT Dataset**（Section IV-A.1，Table I）：\n - 场景：校园级导航，低速运动，环境变化显著。\n - 规模/划分：与 Oxford 相同，3 个训练序列、4 个测试序列。\n - 特点：平台抖动明显、光照剧变、季节变化；序列 08-20 具有明显季节条件（ foliage ），测试季节泛化。\n\n- **ZJH-VO Multi-Scale Dataset**（Section IV-A.2，Appendix A，Fig. 6，Table VI）：\n - 场景：四轮无悬挂移动平台采集，覆盖地下车库、室外广场、建筑走廊、密集办公区四种环境。\n - 规模：12 条轨迹（每环境 3 条），12,666 帧，3,054 m 运动数据，按 8 帧间隔采样。\n - 真值：通过预建 2D LiDAR 地图与定位系统获得；平台带硬件同步四相机系统与 2D LiDAR，实验仅使用前视立体对中的左相机。\n - 特点：四种环境分别对应不同物体距离、复杂度与 BEV 挑战（如动态车辆/暗光、稀疏远距特征、窄通道/变光照、大转角/无纹理墙面）。\n\n### 2. 预处理与划分 / 覆盖设置\n\n- **公开数据集划分**（Section IV-A.1）：\n - KITTI：00–08 训练，09–10 测试。\n - Oxford：3 训练 / 4 测试。\n - NCLT：3 训练 / 4 测试。\n\n- **ZJH-VO 划分**（Section IV-A.2）：\n - 8 条轨迹训练（每环境 2 条），4 条轨迹测试。\n - 测试轨迹在时间与路径覆盖上与训练集不同，用于评估跨场景泛化、BEV 固定分辨率在不同空间尺度下的适应性。\n\n- **数据增强 / 采样预处理**（Section III-F）：\n - 对训练序列预处理，构建高旋转列表 L_high（相对 yaw 15°–45°）与标准旋转列表 L_standard（<15°）。\n - 仅保留平移距离 ≤4 m 的帧对，并利用当前帧前后各 1 分钟的时间窗提取相对位姿。\n - 训练时按 70% 高旋转、30% 标准旋转的概率采样，缓解直线驾驶偏差。\n\n- **评估指标与对齐设置**（Section IV-B.2）：\n - RTE、RRE：在固定长度子轨迹 L ∈ {100, 200, ..., 800} m 上计算 RMSE。\n - ATE：全序列一次全局对齐后的 RMSE，分别用 SE(3) 与 Sim(3) 对齐，以考察尺度一致性。\n - 对缺乏绝对尺度的 MVO 方法，先用前 10 m 真值轨迹缩放输出，再评估。\n\n- **ZJH-VO 上对基线的额外处理**（Section IV-D.3）：\n - 对 DF-VO 使用多个光流 foundation model 比较后，选 Unimatch-Flow 生成光流真值。\n - TartanVO 基于预训练模型在新数据集上微调。\n\n### 3. 训练 / 推理 / 评估环境\n\n- **实现框架与硬件**（Section IV-B.2）：\n - PyTorch 实现，NVIDIA RTX 4090 训练。\n - Adam 优化器，初始学习率 1e-4，训练 100 epochs，每 epoch 学习率衰减 0.95。\n\n- **模型/超参数设置**（Section IV-B.2，Section III-G）：\n - BEV 网格 128×128，分辨率 0.8 m/像素。\n - PV 与 BEV 分支相关搜索范围 Δ=5，即 11×11 相关窗口。\n - 损失权重：λ1=0.2（5-DoF PV 损失），λ2=0.1（dense flow 损失）；α=10，β=10。\n\n- **基线设置**（Section IV-B.1）：\n - 传统方法：ORB-SLAM3（关闭回环）。\n - PV 学习方法：DeepVO（仅位姿监督）、TartanVO、DF-VO、DROID-SLAM、DPVO（需额外深度/光流监督；DROID-SLAM 关闭全局 BA）。\n - BEV 学习方法：BEV-DWPVO、BEV-ODOM（仅位姿监督）。\n - DF-VO 在 NCLT/Oxford 上使用 ZoeDepth 与 Unimatch-Flow 提供深度和光流输入。\n\n- **计算开销评估环境**（Table IV）：\n - 所有深度学习方法在 RTX 4090、batch size 1 上测速；ORB-SLAM3 在 CPU（Intel Core i7-12700KF）上运行。\n - 输入分辨率两种：224×384（对应 NCLT）与 320×640（对应 Oxford）。\n - 边缘部署：NVIDIA Jetson AGX Orin，FP32 与仅将 ResNet-50 转为 TensorRT FP16 两种配置。\n\n### 4. 这些选择的意义与验证内容\n\n- **覆盖多样场景与尺度**（Section IV-A，Conclusion）：\n - KITTI/Oxford 覆盖郊区与城市道路，NCLT 覆盖校园级导航，ZJH-VO 覆盖地下车库、走廊、办公室等室内结构化环境。\n - 四个数据集共同验证 BEV-ODOM2 在不同空间尺度、运动模式与环境条件下的泛化能力，尤其是固定 BEV 分辨率跨尺度是否成立。\n\n- **针对平面运动假设的压力测试**（Section IV-A.1，Appendix D）：\n - KITTI Seq10 的高程变化违反平面假设，用于量化限制；Appendix D 用滑动窗口 Pearson 相关（全局 r=0.287，高 |Δz| 帧 r=0.556）证明高程变化是主要误差源。\n - NCLT 的无悬挂平台抖动、Oxford 的动态物体与强光照，均用于检验方法在非理想条件下的鲁棒性。\n\n- **验证各组件贡献**（Section IV-E，Table V）：\n - 消融实验在 NCLT、Oxford、ZJH-VO 上逐项验证增强旋转采样、密集光流监督、PV-BEV 融合。\n - 密集光流监督在三个数据集上带来超过 20% 的 RTE 改善，在 ZJH-VO 上接近 30%；PV-BEV 融合提供一致但更温和的增益。\n\n- **验证部署可行性**（Table IV，Note to Practitioners）：\n - RTX 4090 上 BEV-ODOM2 达 69.52/56.62 FPS；Jetson AGX Orin 上 FP32 为 16.91/14.14 FPS，TensorRT 骨干加速后为 21.84/16.73 FPS，超过 Oxford 16Hz、NCLT 5Hz 的传感器频率，也超过 10 FPS 的实时下限。\n - 内存占用约 2.3–2.5 GB，远低于 DROID-SLAM 的 21 GB，适合资源受限平台。\n\n- **验证实际应用价值**（Appendix E，Tables VIII-IX，Fig. 10）：\n - 10 秒 GNSS 中断航位推算分析显示，BEV-ODOM2 在 14 条序列中的 13 条上取得最优横向误差，并在 5–30 秒中断时长内退化更慢。\n - 这进一步说明数据集与评估设置不仅验证里程计精度，也验证其在真实定位中断场景中的可用性。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## Module C5: 指标与结果\n\n### 1. 评估指标（定义/说明）\n\n- **RTE（Relative Translation Error，相对平移误差）**：按固定长度子轨迹（L ∈ {100, 200, ..., 800} m）计算相对位姿的 RMSE，单位为 %，用于衡量平移精度。\n- **RRE（Relative Rotation Error，相对旋转误差）**：与 RTE 使用相同子轨迹，计算旋转分量的 RMSE，单位为 °/100m。\n- **ATE（Absolute Trajectory Error，绝对轨迹误差）**：整条轨迹与真值在全局对齐后的 RMSE，单位为 m。文中同时采用 SE(3) 对齐（无尺度校正）和 Sim(3) 对齐（含尺度校正）；对无绝对尺度的 MVO 方法，先用前 10 m 真值轨迹缩放输出再评估。\n- **尺度一致性**：使用对数尺度因子 s_i = log2(d_i / d_i^GT) 曲线（Fig. 5）观察尺度漂移，曲线越接近 0、波动越小，说明尺度一致性越好。\n- **航位推算指标（附录 E）**：10 s 横向（cross-track）航位推算误差（m）和定位可用性（%）。按场景设定横向阈值：KITTI 3.66 m、Oxford 1.83 m、NCLT 0.50 m、ZJH-VO 0.25 m。\n- **计算成本**：FPS、GPU 显存（GB）、GPU 利用率（%），在 RTX 4090 和 NVIDIA Jetson AGX Orin 上测量。\n\n### 2. 主要结果\n\n- **NCLT**：RTE 5.01%，RRE 2.14°/100m（Table I）。\n- **Oxford**：RTE 4.60%，RRE 1.02°/100m（Table I）。\n- **KITTI**：Seq09 RTE 1.37%、RRE 0.35°/100m、ATE(SE3) 2.89 m；Seq10 RTE 3.46%、RRE 0.52°/100m、ATE(SE3) 6.08 m；平均 RTE 2.42%、RRE 0.44°/100m、ATE(SE3) 4.49 m、ATE(Sim3) 4.35 m（Table II）。\n- **ZJH-VO**：平均 RTE 3.57%、RRE 4.69°/100m、ATE(SE3) 2.11 m、ATE(Sim3) 2.04 m（Table III）。\n- **总体提升**：相对先前 BEV 方法，RTE 提升约 40%（摘要与结论）。\n- **计算效率**：RTX 4090 上，224×384 输入 69.52 FPS，320×640 输入 56.62 FPS，显存约 2.3/2.5 GB（Table IV）。Jetson AGX Orin 上 FP32 为 16.91/14.14 FPS；仅将 ResNet-50 转为 TensorRT FP16 后为 21.84/16.73 FPS（Table IV）。\n- **航位推算**：10 s 横向误差在 KITTI 为 1.01/0.89 m，Oxford 为 0.33–0.37 m，NCLT 为 0.13–0.17 m，ZJH-VO 为 0.03–0.05 m；可用性在 14 条序列中 13 条最优（Table VIII/IX，附录 E）。\n\n### 3. 与基线/代表性工作的对比\n\n- **传统方法 ORB-SLAM3**：在 NCLT 上完全失败（Table I 中无数据）；在 Oxford 上 RTE 321.70%、RRE 16.53°/100m；在 KITTI 上平均 RTE 11.68%、ATE(SE3) 34.92 m；在 ZJH-VO 上部分序列跟踪丢失（Table III）。\n- **PV 学习方法**：DeepVO（仅位姿监督）在 NCLT/Oxford 上 RTE 24.13%/30.52%，明显差于 BEV 方法；TartanVO、DF-VO、DROID-SLAM、DPVO 需要额外监督（深度/光流/预训练），在 NCLT/Oxford 上 RTE 普遍高于 BEV-ODOM2（Table I）。在 KITTI 上 DF-VO 的 RTE 2.11% 优于 BEV-ODOM2 的 2.42%，但 DF-VO 使用了立体深度和光流监督；BEV-ODOM2 在 Seq09 的 RTE/ATE 最优（Table II）。\n- **BEV 方法**：相比 BEV-DWPVO，NCLT RTE 降低 42.21%，Oxford RTE 降低 33.53%，RRE 分别降低 39.38% 和 23.31%（正文 Section IV-D-1）。相比 BEV-ODOM，在 NCLT/Oxford/KITTI/ZJH-VO 上 RTE 均更低（Table I-III）。\n- **尺度一致性对比**：Fig. 5 显示 BEV 类方法（BEV-DWPVO、BEV-ODOM、BEV-ODOM2）的对数尺度因子曲线更接近 0、波动更小；BEV-ODOM2 在融合 PV 分支后仍保持该特性。\n\n### 4. 消融、敏感性及跨论文差异\n\n- **Table V 消融（NCLT/Oxford/ZJH-VO）**：\n - 基线（无增强旋转采样、无稠密光流、无 PV-BEV 融合）：NCLT RTE 9.95%、RRE 4.31°/100m、ATE(Sim3) 126.63 m；Oxford RTE 8.67%、RRE 1.74°/100m、ATE 108.35 m；ZJH-VO RTE 7.28%、RRE 7.98°/100m、ATE 3.68 m。\n - +增强旋转采样：NCLT RTE 降至 6.68%，Oxford 6.51%，ZJH-VO 5.85%。\n - +稠密光流监督：NCLT RTE 5.09%，Oxford 5.08%，ZJH-VO 4.13%；RTE 相对上一行改善超过 20%，ZJH-VO 接近 30%。\n - +PV-BEV 融合（完整模型）：NCLT RTE 5.01%、RRE 2.14°/100m、ATE 63.95 m；Oxford RTE 4.60%、RRE 1.02°/100m、ATE 70.57 m；ZJH-VO RTE 3.57%、RRE 4.69°/100m、ATE 2.04 m。\n- **超参数验证（附录 C，Table VII，Oxford）**：\n - 损失权重：λ1=0.2、λ2=0.1 最优（RTE 4.60%）；增大 λ1 至 1.0 或 λ2 至 0.5 均使 RTE 上升至 5.18%/5.34%。\n - 采样比例：70:30 最优（RTE 4.60%）；50:50 为 5.28%，90:10 为 5.45%。\n- **动态场景鲁棒性（附录 B，Fig. 8）**：随动态物体像素占比升高，BEV 光流 EPE 和 RTE 无系统性恶化；Oxford 动态占比最高达 35% 时仍稳定。\n- **KITTI 高程敏感性（附录 D，Fig. 9）**：Seq10 中 |Δz| 与逐帧 RTE 的滑动窗口 Pearson 相关系数全局 r=0.287，前 25% 高 |Δz| 帧 r=0.556，说明高程变化是 Seq10 误差升高的主因；PV-BEV 融合可部分缓解。\n- **跨论文/跨数据集差异**：不同数据集运动模式差异大（KITTI 旋转较缓、NCLT/ZJH-VO 无悬挂平台抖动大），BEV-ODOM2 在四类数据集上均保持最优或接近最优，且仅用位姿监督即可达到需额外监督方法的竞争力。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## Module C6: 可进一步探索的方向\n\n### 总体判断\n\nBEV-ODOM2 在方法层面已较完整（PV-BEV 融合 + 密集 BEV 光流监督 + 增强旋转采样），但论文自身在结论（Section V）和附录 D/E 中留下若干开放问题：平面运动假设、固定 BEV 网格分辨率、动态物体监督噪声、以及长期漂移校正。以下按理论、工程、数据/评估三方面给出可探索方向。\n\n### 理论方向\n\n1. 非平面运动建模与可微高程/姿态解耦：论文在 KITTI Seq10 上误差主要来自高程变化（Appendix D，Fig.9，全局 Pearson r=0.287，高 |Δz| 帧 r=0.556）。可探索将 BEV 网格扩展为可学习的高程/俯仰-横滚补偿场，或在 LSS 投影前显式估计 residual pitch/roll，使 3-DoF 输出在非平面场景下仍保持尺度一致。理论问题：如何在保持 BEV 尺度锚定的同时恢复被投影丢弃的 6-DoF 信息，而不是仅靠 PV 分支隐式补偿。\n2. 密集 BEV 光流监督的噪声建模：当前 flow GT 基于静态场景假设（Eqs. 11-12），动态物体会产生错误监督（Appendix B）。可研究 uncertainty-aware loss，让网络同时预测每个 BEV cell 的置信度，或利用语义先验对动态区域降权，从理论上解决“错误监督”与“密集监督”之间的冲突。\n3. 尺度一致性的理论界：论文用 BEV 网格作为隐式尺度锚（Section IV-C2），但未给出误差传播上界。可推导 BEV 分辨率、深度分布误差、相关窗口大小与 RTE/尺度漂移之间的理论关系，指导超参数选择。\n\n### 工程方向\n\n1. 全模型 TensorRT/INT8 量化与剪枝：Table IV 显示仅将 ResNet-50 转 TensorRT FP16 即可在 Jetson AGX Orin 上从 16.91 FPS 提升到 21.84 FPS（224×384）。可进一步对 LSS、FuseNet、UNet decoder 做量化感知训练、层剪枝或知识蒸馏，目标是在 320×640 下超过 30 FPS。\n2. 多相机/环视扩展：结论（Section V）提出多相机 360° 感知。工程上可复用同一 LSS 投影与 PV-BEV 融合，将多路 PV correlation volume 投影到统一 BEV 后融合，需解决相机间重叠区域相关计算与位姿基准统一问题。\n3. 回环检测与重定位集成：论文目前是纯里程计，无回环（Section V future work）。可工程化地将 BEV 特征作为轻量描述子接入现有 SLAM 后端（如 ORB-SLAM3 的 map 管理），在 BEV 空间做 place recognition，以校正长期漂移。\n\n### 数据/评估方向\n\n1. 更多非平面与恶劣条件基准：现有四数据集以平面/近平面为主，KITTI Seq10 是唯一显著高程变化序列（Appendix D）。建议在 ZJH-VO 或新数据中增加坡道、减速带、颠簸路面，并给出 per-frame |Δz| 与误差的关联分析，检验 PV-BEV 融合对非平面运动的补偿上限。\n2. 动态场景的定量 benchmark：Appendix B 用语义分割估计动态像素比例，但未提供逐像素动态 GT。可构建带动态物体标注的 BEV 流评测集，量化不同动态比例下 flow EPE 与 RTE 的退化曲线，并验证 uncertainty/语义降权方案。\n3. 跨尺度与跨传感器泛化测试：ZJH-VO 已覆盖室内外多尺度（Table VI），但相机高度、FOV、内参变化未系统测试。可设计“训练集相机配置 A、测试集相机配置 B”的跨域实验，评估 MLP(K,E) 对相机参数的泛化能力；同时补充与 LiDAR/IMU 融合的航位推算对比（Appendix E 已有 DR 指标，可扩展至 30s+ 与不同车速）。\n\n### 优先级建议\n\n- 短期：全模型 TensorRT/INT8 量化（工程），直接提升部署价值；在 ZJH-VO 增加坡道/颠簸序列（数据），验证平面假设边界。\n- 中期：动态区域 uncertainty-aware 监督（理论+数据），可同时改善鲁棒性与可解释性。\n- 长期：多相机 + 回环检测（工程），将 BEV-ODOM2 从里程计扩展为完整定位模块。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## Module C7: 现实部署中的表现\n\n### 1. 部署约束\n\n- **平台与场景假设**：方法面向地面机器人，核心假设是近似平面运动，将位姿估计简化为 3-DoF（x, y, yaw）。因此部署场景应主要为室内平地、园区道路、城市/郊区道路等；陡坡、强烈颠簸或显著高程变化会违反平面假设并降低精度（见 Note to Practitioners 与 Appendix D 的 KITTI Seq10 高程敏感性分析）。\n- **传感器要求**：仅需单目相机，不需要激光雷达、深度相机或额外标注；训练仅依赖机器人已有的位姿日志（pose ground truth）。但需要相机内参 K 和外参 E，并在训练/推理时通过 MLP 编码进网络（第 III-B 节）。\n- **BEV 网格固定设置**：BEV 网格固定为 128×128、分辨率 0.8 m/像素（第 IV-B 节）。该固定分辨率在不同空间尺度场景（ZJH-VO 多尺度数据集）中仍能工作，但极端大尺度或极小尺度场景可能需要重新调节网格参数。\n- **边缘设备可行性**：已在 NVIDIA Jetson AGX Orin 上验证，FP32 模型在 224×384 和 320×640 输入下分别达到 16.91/14.14 FPS；将 ResNet-50 骨干转为 TensorRT FP16 后提升至 21.84/16.73 FPS（Table IV）。这超过 Oxford 16Hz、NCLT 5Hz 的传感器频率，也超过文中引用的 10 FPS 地面机器人实时性下限（第 IV-D 节）。\n- **典型应用形态**：可作为 GNSS 中断时的航位推算备份，论文给出 10 秒中断窗口内的横向误差与可用性分析（Appendix E），适合隧道、地下车库、室内等 GNSS 拒止环境。\n\n### 2. 计算与延迟影响\n\n- **桌面端推理性能**：在 RTX 4090 上，BEV-ODOM2 在 224×384 和 320×640 分辨率下分别达到 69.52 FPS 和 56.62 FPS，高于 30 FPS 实时阈值；GPU 显存占用仅 2.304/2.525 GB（Table IV）。\n- **与同类方法对比**：相比 BEV-ODOM（92.84/72.64 FPS），BEV-ODOM2 因增加 PV 分支导致 FPS 适度下降，但显存几乎不变，换来 Table I 中显著的精度提升。相比 DROID-SLAM（7–19 FPS、>21 GB 显存）和 DPVO（约 18 FPS），BEV-ODOM2 在效率与精度之间更平衡（第 IV-D 节）。\n- **边缘端延迟**：Jetson AGX Orin 上 FP32 约 59–71 ms/帧，TensorRT 骨干加速后约 46–60 ms/帧；部分 TensorRT 加速带来 29%/18% 的提速，说明仍有量化/剪枝优化空间（Table IV 与 Conclusion）。\n- **计算瓶颈**：LSS 投影、PV 与 BEV 双分支相关体计算、UNet 密集流解码是主要计算环节；共享 LSS 参数和共享骨干降低了额外开销（第 III-C、III-D 节）。\n\n### 3. 鲁棒性与安全性\n\n- **尺度一致性**：BEV 网格提供隐式尺度锚定，BEV-ODOM2 在 NCLT/Oxford 上保持低尺度漂移（Fig. 5），这对长距离航位推算安全至关重要。\n- **动态物体鲁棒性**：密集 BEV 光流监督基于静态场景假设构造，但 Appendix B 显示，即使 Oxford 上动态物体像素占比达 35%，流 EPE 和 RTE 均未系统性恶化；BEV 投影压缩动态物体面积、静态单元占多数是主要缓解机制。\n- **高程变化敏感性**：KITTI Seq10 中，帧间高程变化 |Δz| 与 RTE 的滑动窗口 Pearson 相关系数在 top 25% 高变化帧中升至 0.556，说明平面假设失效是主要误差源；PV-BEV 融合可部分缓解（Appendix D）。\n- **安全边界**：Appendix E 给出分层横向误差上限（KITTI 3.66m、Oxford 1.83m、NCLT 0.50m、ZJH-VO 0.25m）。BEV-ODOM2 在 10 秒 GNSS 中断内，多数序列可用性超过 94%，室内可达 96.8%；但论文明确说明它不是独立定位方案，而是延长绝对校正前安全操作窗口的模块。\n- **已知失效模式**：无回环检测/重定位，长时间运行仍会累积漂移；纹理缺失墙面、大转角、剧烈光照变化（如 ZJH-VO 密集办公室、Oxford 17-12 强光照）会带来挑战；陡坡和强颠簸会降低精度（Note to Practitioners）。\n\n### 4. 可维护性\n\n- **开源与复现**：代码和 ZJH-VO 数据集均已开源（ 和 。\n- **模块化设计**：共享 ResNet-50+FPN 骨干、LSS 投影、PV/BEV 双分支、FuseNet/UNet 解码器结构清晰，各组件可独立替换或消融（Fig. 2、Table V）。\n- **训练与超参数**：使用 Adam、初始学习率 1e-4、100 epochs，损失权重 λ1=0.2、λ2=0.1，旋转采样比 70:30；Appendix C 给出了超参数验证，便于在新数据集上调整。\n- **部署适配成本**：迁移到新平台需要重新标定相机内参/外参，并可能需要针对新场景的 BEV 分辨率、旋转采样比和损失权重进行微调；TensorRT 加速目前仅转换骨干网络，完整模型加速仍需工程开发。\n- **后续演进**：论文提出未来加入多相机 360° 感知、回环检测/重定位、自适应时序模型，以及全模型量化与剪枝，说明当前版本仍是研究原型向生产模块过渡的阶段（Conclusion）。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## Module C8: 简明总结\n\n### 1. 总结段落\n\nBEV-ODOM2 是一个面向地面机器人的增强型 BEV 单目视觉里程计框架，旨在解决现有 BEV 方法的两大局限：仅用位姿监督导致的稀疏监督信号，以及透视到 BEV 投影造成的信息丢失。该方法在不引入额外标注的前提下，利用 BEV 网格的度量尺度特性，直接从 3-DoF 位姿真值构造稠密 BEV 光流作为像素级监督（第 III-E 节）。同时，它引入 PV-BEV 双分支融合，在 LSS 投影前计算 PV 相关体，再投影到 BEV 空间与 BEV 原生相关体拼接，从而保留 6-DoF 运动线索（第 III-C/D 节）。此外，增强旋转采样策略以 70:30 比例平衡高旋转与常规运动样本，缓解直行数据偏差（第 III-F 节）。在 KITTI、Oxford、NCLT 和新提出的 ZJH-VO 四个数据集上，BEV-ODOM2 相比此前 BEV 方法将 RTE 降低约 40%，并在 NVIDIA Jetson AGX Orin 上达到实时推理（第 IV 节）。消融实验表明三个组件均有效，其中稠密光流监督带来超过 20% 的 RTE 提升（表 V）。总体而言，该方法在保持 BEV 表示固有尺度一致性的同时，显著提升了精度与泛化能力。\n\n### 2. 五个关键要点\n\n1. 核心问题：BEV 单目 VO 受稀疏位姿监督和 PV→BEV 信息丢失限制；BEV-ODOM2 用稠密 BEV 光流监督 + PV-BEV 融合解决，且仅需位姿真值。\n2. 稠密监督构造：利用 BEV 统一度量网格，由 3-DoF 相对位姿直接生成逐像素光流真值（式 11-12），提供像素级对应学习信号。\n3. 双分支融合：PV 分支在 LSS 投影前计算相关体，再投影到 BEV 与 BEV 相关体拼接，保留 pitch/roll/z 等非主自由度线索。\n4. 数据增强：增强旋转采样（70% 高旋转、30% 常规）缓解直行偏差，提升转弯等少见但关键动作的估计。\n5. 实验与部署：在四个数据集上 RTE 较先前 BEV 方法提升约 40%，Jetson AGX Orin 上 FP32 16.91/14.14 FPS，TensorRT 骨干 21.84/16.73 FPS，满足实时边缘部署。\n\n### 3. 核心公式/机制\n\n核心机制是稠密 BEV 光流真值构造：由于 BEV 网格具有统一度量尺度，3-DoF 相对位姿 $\\mathbf{T}_{\\mathrm{rel}}$ 可直接定义 BEV 平面上的刚体变换，从而为每个像素生成位移真值：\n\n$$\\mathbf{p}_{\\mathrm{veh}} = \\begin{bmatrix} (o_y - v) \\cdot r \\\\ (u - o_x) \\cdot r \\\\ 0 \\\\ 1 \\end{bmatrix}, \\quad \\mathbf{F}_{\\mathrm{flow-gt}}[u,v] = \\mathcal{P}(\\mathbf{T}_{\\mathrm{rel}} \\mathbf{p}_{\\mathrm{veh}}) - [u,v]$$\n\n其中 r 为 BEV 分辨率（米/像素），$(o_x, o_y)$ 为车辆坐标系原点对应像素坐标，$\\mathcal{P}(\\cdot)$ 将齐次车辆坐标投影回像素坐标。该机制将稀疏位姿监督转化为稠密像素级监督，是提升对应关系学习质量的关键。整体训练损失为 $\\mathcal{L}_{\\mathrm{total}} = \\mathcal{L}_{\\mathrm{3DoF}} + \\lambda_1 \\mathcal{L}_{\\mathrm{5DoF}} + \\lambda_2 \\mathcal{L}_{\\mathrm{flow}}$，其中 $\\lambda_1=0.2$、$\\lambda_2=0.1$。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## 1. 结构树\n\n```text\nBEV-ODOM2\n├─ I. 引言\n│ ├─ 问题背景：MVO尺度漂移，BEV表示\n│ ├─ 两个局限：稀疏监督、PV→BEV信息损失\n│ ├─ 双策略：密集BEV光流监督 + PV-BEV融合\n│ └─ 贡献列表\n├─ II. 相关工作\n│ ├─ A. 传统方法\n│ ├─ B. 透视视角学习方法\n│ └─ C. BEV表示学习方法\n├─ III. 方法\n│ ├─ A. 总体框架\n│ ├─ B. 特征提取与PV分支\n│ ├─ C. BEV投影管线\n│ ├─ D. 运动信息提取与融合\n│ ├─ E. 密集BEV光流监督\n│ ├─ F. 增强旋转采样\n│ └─ G. 损失函数\n├─ IV. 实验\n│ ├─ A. 数据集（KITTI, Oxford, NCLT, ZJH-VO）\n│ ├─ B. 实验设置（基线、实现细节、指标）\n│ ├─ C. 定性分析与案例研究\n│ ├─ D. 定量分析（表I-III, 计算成本表IV）\n│ └─ E. 消融研究（表V）\n├─ V. 结论与未来工作\n├─ 参考文献\n└─ 附录A-E\n```\n\n## 2. 方法/系统拆解\n\n- 输入：连续单目图像 I_t 和 I_{t+1}，相机内参 K 和外参 E。\n- 输出：最终 3-DoF 位姿 [θ, t_x, t_y]；辅助输出：PV 分支 5-DoF 位姿、密集 BEV 光流 F_flow。\n- 模块：\n 1. 共享特征提取：ResNet-50 + FPN 提取多尺度特征 F_IF，再与 MLP(K,E) 逐元素相乘得到 F_PV。\n 2. PV 分支：在 LSS 投影前计算局部相关体 C_PV（搜索半径 Δ_PV=5），经 CNN+MLP 回归 5-DoF 位姿（旋转 + 无尺度平移方向）。\n 3. BEV 投影管线：LSS 架构，共享参数。深度/上下文头输出 F_PVC 和 F_PVD，构造 F_PVmulti，经体素池化得到 F_BEV；同时将 C_PV 用 anchor 帧 t 的深度分布投影为 C_PV-BEV。\n 4. BEV 分支：在 BEV 特征上计算相关体 C_BEV（Δ_BEV=5）。\n 5. 融合：将 C_BEV 与 C_PV-BEV 沿通道拼接为 C_concat。\n 6. 解码：UNet 编码器-解码器从 C_concat 预测密集 BEV 光流 F_flow；3-DoF 位姿头连接解码器倒数第二层特征，回归 [θ, t_x, t_y]。\n- 损失：L_total = L_3DoF + λ1 L_5DoF + λ2 L_flow，其中 λ1=0.2，λ2=0.1；L_3DoF 使用 L1 回归，α=10 平衡旋转/平移；L_5DoF 对平移方向归一化，β=10；L_flow 为预测流与构造真值之间的 L1。\n- 训练：Adam，初始学习率 1e-4，100 epochs，每 epoch 衰减 0.95；BEV 网格 128×128，分辨率 0.8m；增强旋转采样 70:30。\n- 推理：单目图像对输入，前向一次得到位姿；在 Jetson AGX Orin 上 FP32 约 14-17 FPS，TensorRT 骨干约 17-22 FPS。\n\n## 3. 重要图表解读\n\n### 图 2（框架总览）\n\n图 2 展示了 BEV-ODOM2 的整体架构。核心是 PV-BEV 双分支：PV 分支在 LSS 投影前计算相关体，保留 6-DoF 运动信息；BEV 分支在统一尺度网格上计算相关体，提供尺度一致的平面运动信息。两者通过共享 LSS 管线投影到 BEV 空间后拼接，由 FuseNet（UNet）融合并同时预测密集光流和 3-DoF 位姿。该图对应第 III-A 节，说明了“先相关后投影”与“先投影后相关”两条路径的互补性。\n\n### 图 3（密集 BEV 光流真值构造）\n\n图 3 说明了如何仅用 3-DoF 位姿真值构造逐像素光流真值。由于 BEV 网格具有统一公制尺度，相对位姿 T_rel 可直接作为 2D 刚体变换作用于 BEV 像素坐标（式 11-12），得到每个像素的位移场。该图支撑第 III-E 节的核心论点：无需额外传感器或标注，即可获得密集监督信号。\n\n### 表 I（NCLT 与 Oxford 定量对比）\n\n表 I 显示 BEV-ODOM2 在 NCLT 上 RTE 5.01%、RRE 2.14°/100m，在 Oxford 上 RTE 4.60%、RRE 1.02°/100m，均优于所有对比方法。相比 BEV-DWPVO，RTE 分别降低 42.21%（NCLT）和 33.53%（Oxford）；相比 BEV-ODOM，RRE 也有明显下降。该表验证了密集监督与 PV-BEV 融合的有效性。\n\n### 表 V（消融研究）\n\n表 V 在 NCLT、Oxford、ZJH-VO 三个数据集上逐步加入三个组件。基线 RTE 为 9.95/8.67/7.28；加入增强旋转采样后降至 6.68/6.51/5.85；再加入密集光流监督降至 5.09/5.08/4.13；完整模型（加入 PV-BEV 融合）为 5.01/4.60/3.57。每个组件都带来一致改进，其中密集光流监督贡献最大（RTE 相对提升约 20-30%）。\n\n## 4. 实验与评估细节\n\n- 数据集：\n - KITTI Odometry：训练 00-08，测试 09-10；包含显著高程变化，挑战平面假设。\n - Oxford Radar RobotCar：3 条训练、4 条测试序列，覆盖不同交通密度和光照。\n - NCLT：3 条训练、4 条测试，校园级低速、季节变化、车辆抖动。\n - ZJH-VO（新采集）：4 种环境（地下车库、室外广场、会议走廊、密集办公室），12 条轨迹（每环境 3 条），共 12,666 帧、3,054m；8 条训练、4 条测试。\n- 指标：RTE（%）、RRE（°/100m）、ATE（m）。RTE/RRE 在固定长度子轨迹上计算 RMSE（L∈{100,...,800}m）；ATE 使用 SE(3) 和 Sim(3) 两种对齐。对无绝对尺度的方法，用前 10m 真值缩放。\n- 对比目标：传统方法 ORB-SLAM3；PV 学习方法 DeepVO、TartanVO、DF-VO、DROID-SLAM、DPVO；BEV 方法 BEV-DWPVO、BEV-ODOM。\n- 公平性处理：关闭 ORB-SLAM3 回环、DROID-SLAM 全局 BA；DF-VO 使用 ZoeDepth 和 Unimatch-Flow 提供深度/光流输入；ZJH-VO 上对 TartanVO 微调、DeepVO 重训。\n- 消融：验证增强旋转采样、密集光流监督、PV-BEV 融合三个组件的独立贡献（表 V）。\n- 计算成本：RTX 4090 上 224×384 输入 69.52 FPS，320×640 输入 56.62 FPS；Jetson AGX Orin 上 FP32 16.91/14.14 FPS，TensorRT 骨干 21.84/16.73 FPS。\n\n## 5. 图示（方法类论文架构图）\n\n```mermaid\ngraph TD\n A[I_t, I_{t+1}] --> B[ResNet-50+FPN]\n B --> C[MLP(K,E) 融合]\n C --> D[PV特征 F_PV]\n D --> E[PV相关体 C_PV]\n E --> F[PV 5-DoF 位姿头]\n E --> G[LSS 投影]\n C --> H[深度/上下文头]\n H --> G\n G --> I[BEV特征 F_BEV]\n I --> J[BEV相关体 C_BEV]\n G --> K[投影PV相关体 C_PV-BEV]\n J --> L[Concat]\n K --> L\n L --> M[UNet 编码器-解码器]\n M --> N[密集BEV光流 F_flow]\n M --> O[3-DoF 位姿头]\n```\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E: 第三遍深度评审\n\n### 1. 可重建性（Reconstructability）\n\n**重建要点**：论文提供了足够的方法细节来重建 BEV-ODOM2 的训练与推理流程，包括网络结构、相关体计算、LSS 投影、稠密光流真值构造和损失函数。主要未明确之处是 FPN 通道数、LSS 深度离散化参数、UNet 深度/宽度等工程细节，但可通过开源代码补齐。\n\n**训练流程伪代码**：\n\n```text\n输入：连续图像 I_t, I_{t+1}，相机内参 K，外参 E，位姿真值 T_rel\n1. 共享特征提取：\n F_IF = ResNet50+FPN(I_t, I_{t+1})\n F_PV = F_IF ⊙ MLP(K, E)\n2. PV 分支：\n C_PV = LocalCorrelation(F_PV^t, F_PV^{t+1}, Δ=5)\n T_5DoF = MLP_PV(CNN_PV(C_PV))\n3. LSS 投影：\n F_PVC, F_PVD = RefineNet(F_PV)\n F_PVmulti = F_PVC' ⊙ F_PVD'\n F_BEV = VoxelPooling(ProjectLSS(F_PVmulti, K, E))\n C_PV-BEV = ProjectLSS(C_PV, F_PVD^t, K, E)\n4. BEV 分支：\n C_BEV = LocalCorrelation(F_BEV^t, F_BEV^{t+1}, Δ=5)\n C_concat = Concat(C_BEV, C_PV-BEV)\n5. 解码与预测：\n F_enc = U_Enc(C_concat)\n F_flow = U_Dec(F_enc)\n T_3DoF = MLP_BEV(CNN_BEV(F_Dec^{L-1}))\n6. 稠密 BEV 光流真值构造（对每个 BEV 像素 (u,v)）：\n p_veh = [(o_y - v)·r, (u - o_x)·r, 0, 1]^T\n F_flow_gt[u,v] = P(T_rel · p_veh) - [u,v]\n7. 损失：\n L_total = L_3DoF + λ1·L_5DoF + λ2·L_flow\n L_3DoF = |t_x_pred - t_x_gt| + |t_y_pred - t_y_gt| + 10·|θ_pred - θ_gt|\n L_5DoF = ||t̂_pred - t̂_gt||_1 + 10·||R_pred - R_gt||_F\n L_flow = ||F_flow - F_flow_gt||_1\n8. 训练数据采样：\n 对每帧建立 ±1 分钟时间窗，提取相对位姿；\n 若相对偏航在 15°~45° 且平移 ≤4m，加入 L_high；若 <15°，加入 L_standard；\n 训练时以 70% 概率从 L_high 采样，30% 从 L_standard 采样。\n```\n\n**推理流程**：去掉真值构造和损失计算，输入 I_t, I_{t+1}, K, E，前向得到 T_3DoF = [θ, t_x, t_y]；稠密流 F_flow 可作为中间监督/可视化输出，不参与位姿输出。\n\n**重建可信度**：方法部分（Section III-A 至 III-G）与公式 (1)-(15) 覆盖了所有关键模块；消融实验（Table V）和超参数验证（Appendix C）进一步支持各组件设置。整体可重建性高。\n\n### 2. 假设（Assumptions）\n\n- **平面运动假设**：地面机器人主要在平坦表面运动，位姿可简化为 3-DoF (x, y, yaw)，忽略 pitch/roll/z 平移（Section III 引言、Note to Practitioners）。\n- **BEV 网格的度量尺度假设**：BEV 网格具有统一度量尺度（0.8 m/像素，128×128），可隐式锚定尺度；需要已知相机内参、外参和地面平面关系（Section IV-B）。\n- **静态场景假设**：稠密 BEV 光流真值由 3-DoF 位姿直接构造，假设场景静止；动态物体会产生错误监督（Section III-E、Appendix B）。\n- **仅需位姿真值假设**：训练只需相对位姿真值，不需要深度、光流或分割标注（Section I、III-A）。\n- **单目尺度一致性假设**：PV 分支的 5-DoF 监督只约束平移方向而不约束尺度，尺度由 BEV 投影和深度分布隐式处理（Section III-G）。\n- **数据分布假设**：增强旋转采样假设 1 分钟时间窗和 4 m 平移约束能覆盖有意义的训练帧对，且 70:30 的高/标准旋转采样比在目标数据集上通用（Section III-F、Appendix C）。\n\n### 3. 失效模式或盲点（Failure Modes / Blind Spots）\n\n- **非平面运动（高程变化）**：KITTI Seq10 存在显著帧间高程变化，违反平面运动假设，导致 RTE 升高；滑动窗口 Pearson 相关系数在全局为 r=0.287，在最高 25% |Δz| 帧中升至 r=0.556，说明高程变化是主要误差源（Appendix D、Table II）。\n- **动态物体干扰**：稠密光流真值基于静态场景假设，动态物体会在对应 BEV 区域引入错误监督；虽然 Appendix B 显示在动态像素占比最高 35% 时无系统性退化，但极端动态场景或大比例动态目标仍可能损害精度。\n- **固定 BEV 分辨率/范围限制**：BEV 网格固定为 128×128、0.8 m/像素，难以同时最优适配近距离和远距离场景；ZJH-VO 的 F-01 序列 RTE 达 8.23%，明显高于其他序列，反映多尺度场景下的适应性局限（Table III）。\n- **无回环/重定位**：方法为前馈里程计，无全局优化或回环闭合，长时间运行仍会累积漂移；附录 E 的航位推算分析仅针对 10 s 量级的 GNSS 中断（Section V、Appendix E）。\n\n### 4. 优势与劣势（Strengths and Weaknesses）\n\n**优势**：\n\n- 仅用位姿真值即可构造稠密像素级监督，避免额外标注成本；相比稀疏位姿监督，稠密流监督在 NCLT/Oxford/ZJH-VO 上带来超过 20% 的 RTE 提升（Table V）。\n- PV-BEV 双分支融合在投影前保留 6-DoF 运动线索，缓解 LSS 投影信息损失；消融中该模块带来一致但适度的提升（Table V）。\n- 保持 BEV 方法的低尺度漂移特性，尺度因子曲线接近零（Fig. 5）。\n- 在四个数据集上取得领先精度，平均 RTE 较先前 BEV 方法提升约 40%（Abstract、Conclusion）。\n- 计算效率高：RTX 4090 上 69.52/56.62 FPS，Jetson AGX Orin 上 TensorRT 骨干加速后 21.84/16.73 FPS，满足实时边缘部署需求（Table IV）。\n- 开源代码和 ZJH-VO 数据集，促进可复现研究（Section I、V）。\n\n**劣势**：\n\n- 平面运动假设限制了在坡道、颠簸路面的适用性；KITTI Seq10 上 RTE 高于使用立体深度+光流监督的 DF-VO（Table II、Appendix D）。\n- 相比 BEV-ODOM，PV 分支、UNet 和流预测头增加了模型复杂度，FPS 从 92.84 降至 69.52（224×384），但仍在实时以上（Table IV）。\n- 稠密流监督的静态场景假设在动态场景中可能产生错误梯度，需要额外鲁棒化处理（Appendix B）。\n- 固定 BEV 网格对多尺度场景的适应性有限，ZJH-VO F-01 等序列误差明显偏高（Table III）。\n- 无回环闭合和重定位，长时间运行漂移无法消除；航位推算优势仅在短时中断内成立（Section V、Appendix E）。\n- 部分基线使用预训练模型或基础模型（如 DF-VO 用 ZoeDepth+Unimatch-Flow），对比条件不完全一致，可能影响公平性（Section IV-B、Table I 注）。\n\n### 5. 下一步研究方向（Next-Step Research Directions）\n\n- **多相机与回环/重定位**：集成多相机系统实现 360° 感知，并加入回环闭合和重定位以校正累积漂移，提升长期鲁棒性（Section V）。\n- **非平面运动扩展**：在保持 BEV 尺度一致性的前提下，引入 pitch/roll 或 6-DoF 运动建模，或利用高程敏感性分析（Appendix D）设计自适应平面假设机制。\n- **动态场景鲁棒化**：在稠密流监督中引入动态目标掩码、不确定性加权或鲁棒损失，减少动态物体对监督信号的污染（Appendix B）。\n- **自适应 BEV 分辨率/多尺度网格**：针对不同场景距离范围动态调整 BEV 分辨率或使用多尺度 BEV 表示，改善 ZJH-VO 等跨尺度场景的适应性（Table III）。\n- **边缘部署优化**：进一步进行全模型量化、剪枝和 TensorRT 加速，降低 Jetson 等嵌入式平台上的延迟（Section V、Table IV）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n### Module F: 术语表与概念依赖图\n\n#### 术语表\n\n1. **Monocular Visual Odometry (MVO) / 单目视觉里程计**\n\n- 定义：仅使用单个相机图像序列估计载体自身运动（位姿变化）的技术。\n- 直觉：用一只“眼睛”看连续画面，推断自己走了多远、转了多少。\n- 在本文中的作用：本文研究的核心任务；BEV-ODOM2 是一个 MVO 框架。\n- 前置知识：相机成像、位姿表示、特征匹配或光流。\n\n2. **Bird's-Eye-View (BEV) / 鸟瞰图表示**\n\n- 定义：将透视图像特征投影到车辆坐标系下的俯视平面网格，形成统一米制尺度的二维表示。\n- 直觉：像从正上方俯瞰地面，把三维世界压到一张有固定物理尺度的平面图上。\n- 在本文中的作用：BEV 网格提供隐式尺度锚定，使 3-DoF 位姿估计天然抗尺度漂移；也是密集光流监督的构造空间。\n- 前置知识：坐标变换、针孔相机模型、栅格地图。\n\n3. **Scale drift / 尺度漂移**\n\n- 定义：单目里程计因缺乏绝对尺度信息，在轨迹推进中估计位移逐渐偏离真实米制长度的现象。\n- 直觉：每一步都“差一点”，走久了轨迹被整体拉伸或压缩。\n- 在本文中的作用：BEV 表示和密集监督共同抑制尺度漂移，是本文主要动机之一。\n- 前置知识：单目视觉的尺度模糊性。\n\n4. **3-DoF pose (x, y, yaw) / 三自由度位姿**\n\n- 定义：地面机器人平面运动假设下的位姿参数，包括平面平移 x、y 和偏航角 yaw。\n- 直觉：只关心“在地图上往哪走、转了多少”，忽略上下颠簸和侧倾。\n- 在本文中的作用：BEV 分支的最终输出；与地面机器人主导运动模式匹配。\n- 前置知识：刚体变换、自由度概念。\n\n5. **6-DoF pose / 六自由度位姿**\n\n- 定义：完整三维刚体运动参数，包括三个平移和三个旋转。\n- 直觉：描述物体在空间中任意位置和姿态所需的全部自由度。\n- 在本文中的作用：PV 分支在投影前保留 6-DoF 运动线索，弥补 BEV 投影丢失的非平面运动信息。\n- 前置知识：SE(3) 群、旋转矩阵。\n\n6. **Dense BEV optical flow supervision / 密集 BEV 光流监督**\n\n- 定义：由 3-DoF 位姿真值直接构造的、覆盖 BEV 每个像素的二维位移场，作为网络训练的稠密监督信号。\n- 直觉：给每个网格单元都发一张“运动标签”，而不是只给整张图一个位姿标签。\n- 在本文中的作用：核心创新之一，解决 pose-only 训练监督稀疏的问题（第 III-E 节，式 11-12）。\n- 前置知识：光流、刚体变换、BEV 网格坐标映射。\n\n7. **PV-BEV fusion / 透视-鸟瞰融合**\n\n- 定义：在 LSS 投影之前先计算 PV 特征的相关体，再将其投影到 BEV 并与 BEV 相关体融合的双分支架构。\n- 直觉：先保留“透视视角下的丰富运动信息”，再统一到鸟瞰尺度，避免信息过早丢失。\n- 在本文中的作用：核心创新之二，补偿 PV 到 BEV 投影造成的信息损失（第 III-D 节）。\n- 前置知识：相关体、LSS、特征融合。\n\n8. **Lift-Splat-Shoot (LSS) / 提升-拍平-射击投影**\n\n- 定义：一种将透视图像特征通过预测深度分布“提升”到 3D，再“拍平”到 BEV 平面的可微投影方法。\n- 直觉：先猜每个像素的深度，把特征撒到三维空间，再按高度压到地面网格。\n- 在本文中的作用：PV 特征和 PV 相关体都通过共享参数的 LSS 管线投影到 BEV。\n- 前置知识：深度估计、外参内参、体素池化。\n\n9. **Correlation volume / cost volume / 相关体（代价体）**\n\n- 定义：在特征图上对每个位置与邻域位移位置做点积，得到匹配代价/相关响应张量。\n- 直觉：把“哪里和哪里像”的匹配关系存成一张表，运动信息蕴含在峰值位置中。\n- 在本文中的作用：PV 分支和 BEV 分支都用局部相关体提取运动模式，再融合。\n- 前置知识：特征匹配、卷积、光流估计。\n\n10. **Perspective View (PV) / 透视视图**\n\n- 定义：相机原始成像的透视投影视图，包含深度、遮挡和 6-DoF 几何线索。\n- 直觉：人眼看到的正常画面，近大远小。\n- 在本文中的作用：PV 分支在投影前计算相关体，保留非平面运动信息。\n- 前置知识：相机模型、透视投影。\n\n11. **ResNet-50 + FPN backbone / 共享特征提取骨干**\n\n- 定义：ResNet-50 残差网络配合特征金字塔网络，提取多尺度层次化图像特征。\n- 直觉：先用深层网络“看懂”图像，再用金字塔保留不同尺度的细节。\n- 在本文中的作用：PV 和 BEV 分支共享该骨干，保证特征表示一致。\n- 前置知识：CNN、残差网络、特征金字塔。\n\n12. **BEV grid resolution / BEV 网格分辨率**\n\n- 定义：BEV 平面中每个像素对应的物理尺寸，本文设为 0.8 米/像素，网格 128×128。\n- 直觉：把地面划成 0.8m 见方的小格子，每个格子存一个特征向量。\n- 在本文中的作用：决定 BEV 空间覆盖范围和尺度锚定的精度；也是光流真值构造的物理单位。\n- 前置知识：栅格化、分辨率与精度权衡。\n\n13. **Ground truth flow construction from pose / 由位姿真值构造光流真值**\n\n- 定义：利用 BEV 的统一米制尺度，将 3-DoF 相对位姿作为 2D 刚体变换，逐像素计算位移场（式 11-12）。\n- 直觉：既然 BEV 是“按米画的平面图”，知道车怎么动，就能直接算出每个格子往哪移。\n- 在本文中的作用：使密集监督无需额外传感器或标注，仅依赖位姿真值。\n- 前置知识：2D 刚体变换、齐次坐标、坐标反算。\n\n14. **5-DoF pose supervision / 五自由度位姿监督**\n\n- 定义：对 PV 分支施加的监督，包含完整旋转和去除尺度的平移方向。\n- 直觉：让 PV 分支学习“转了多少、往哪个方向走”，但把“走多远”留给 BEV 尺度机制。\n- 在本文中的作用：在保持单目尺度一致性的同时，为 PV 分支提供丰富监督（第 III-G 节）。\n- 前置知识：旋转矩阵、向量归一化、Frobenius 范数。\n\n15. **Enhanced rotation sampling / 增强旋转采样**\n\n- 定义：训练时按 70:30 比例从高旋转帧对（15°–45°）和标准帧对（<15°）中采样，并限制平移距离≤4m 的数据增强策略。\n- 直觉：让网络多“练转弯”，少被直行样本淹没。\n- 在本文中的作用：缓解地面数据集直行偏差，提升转弯场景鲁棒性（第 III-F 节）。\n- 前置知识：数据增强、训练集分布、时序窗口。\n\n16. **RTE / RRE / ATE / 相对平移误差、相对旋转误差、绝对轨迹误差**\n\n- 定义：RTE 为固定长度子轨迹上的相对平移 RMSE；RRE 为相对旋转 RMSE；ATE 为全局对齐后的轨迹 RMSE。\n- 直觉：RTE/RRE 看“局部走得多准”，ATE 看“整条轨迹贴得多近”。\n- 在本文中的作用：实验部分的主要定量指标（第 IV-B 节）。\n- 前置知识：RMSE、轨迹对齐、里程计评测协议。\n\n17. **SE(3) vs Sim(3) alignment / SE(3) 与 Sim(3) 对齐**\n\n- 定义：SE(3) 对齐只允许刚体变换（旋转+平移），不修正尺度；Sim(3) 对齐额外允许尺度缩放。\n- 直觉：SE(3) 是“不许作弊调比例”，Sim(3) 是“允许整体缩放后比形状”。\n- 在本文中的作用：用两种对齐区分方法的尺度一致性；BEV 方法在 SE(3) 下仍保持低误差。\n- 前置知识：李群 SE(3)/Sim(3)、Umeyama 对齐。\n\n18. **Dead-reckoning (DR) / 航位推算**\n\n- 定义：在 GNSS 失效期间，仅依靠里程计/惯导等相对测量递推位置的过程。\n- 直觉：蒙上眼睛，靠数步子猜自己走到哪。\n- 在本文中的作用：附录 E 用 10 秒 DR 窗口评估 BEV-ODOM2 作为定位备份的实用性。\n- 前置知识：定位系统、误差累积。\n\n19. **Lateral (cross-track) error / 横向（跨轨）误差**\n\n- 定义：沿地面真值航向分解的位置误差的垂直分量，衡量是否偏离可行驶路径。\n- 直觉：开车时“偏左偏右”的程度，比“开快开慢”更关乎安全。\n- 在本文中的作用：DR 分析的核心指标，对应不同场景的横向容差。\n- 前置知识：轨迹误差分解、航向参考。\n\n20. **Localization availability / 定位可用性**\n\n- 定义：DR 子轨迹中横向误差低于场景阈值的比例（%）。\n- 直觉：在定位中断时，系统“还能待在安全走廊里”的时间占比。\n- 在本文中的作用：附录 E 的第二个 DR 指标，按 KITTI/Oxford/NCLT/ZJH-VO 分层设阈值。\n- 前置知识：完整性、安全边界、统计比例。\n\n21. **ZJH-VO dataset / ZJH-VO 数据集**\n\n- 定义：本文新采集的多场景多尺度地面机器人里程计数据集，含 12 条轨迹、12666 帧、3054 米运动数据。\n- 直觉：一个覆盖地下车库、室外广场、走廊、办公室的“里程计考卷”。\n- 在本文中的作用：补充室内结构化环境基准，验证跨场景泛化。\n- 前置知识：数据集划分、传感器标定、真值生成。\n\n22. **UNet-style encoder-decoder / UNet 式编码器-解码器**\n\n- 定义：带跳跃连接的对称卷积网络，编码器逐步下采样提取全局信息，解码器逐步上采样恢复细节。\n- 直觉：先“压缩看全局”，再“展开补细节”，跳跃连接让细节不丢失。\n- 在本文中的作用：处理融合后的相关体，同时预测密集 BEV 光流和 3-DoF 位姿。\n- 前置知识：卷积神经网络、上采样、跳跃连接。\n\n23. **Voxel pooling / 体素池化**\n\n- 定义：LSS 中将投影到 3D 体素的特征按 BEV 网格累加/聚合的操作。\n- 直觉：把散落在三维空间里的特征“倒进”对应地面格子里求和。\n- 在本文中的作用：将 PV 特征和相关体转换为 BEV 特征的关键步骤。\n- 前置知识：体素、池化、可微投影。\n\n24. **Frustum projection / 视锥投影**\n\n- 定义：将图像像素沿相机射线按预测深度展开成 3D 视锥点，再变换到车辆坐标系。\n- 直觉：从相机出发“打出一束光”，每个像素沿光线在不同深度处放置特征。\n- 在本文中的作用：LSS 投影的几何基础，连接 PV 与 BEV。\n- 前置知识：相机内参、外参、射线。\n\n25. **TensorRT FP16 / TensorRT 半精度加速**\n\n- 定义：将网络转换为 NVIDIA TensorRT 引擎并使用 FP16 半精度推理。\n- 直觉：用“更省内存、更快但略低精度”的数值格式跑网络。\n- 在本文中的作用：在 Jetson AGX Orin 上仅加速 ResNet-50 骨干，FPS 从 16.91 提升到 21.84。\n- 前置知识：模型部署、量化、嵌入式 GPU。\n\n26. **Dynamic object pixel ratio / 动态物体像素占比**\n\n- 定义：单帧图像中由语义分割标出的动态物体像素比例。\n- 直觉：画面里“会动的东西”占多少面积。\n- 在本文中的作用：附录 B 用它验证密集光流监督在动态场景下的鲁棒性。\n- 前置知识：语义分割、光流真值假设。\n\n27. **Planar motion assumption / 平面运动假设**\n\n- 定义：假设地面机器人主要在水平面上运动，忽略或弱化 pitch、roll 和 z 向平移。\n- 直觉：把问题从“空中六自由度”降维成“地面三自由度”。\n- 在本文中的作用：BEV 表示和 3-DoF 输出的理论基础；也是 KITTI Seq10 误差升高的原因。\n- 前置知识：刚体运动学、地面机器人运动学。\n\n28. **Pose-only supervision / 仅位姿监督**\n\n- 定义：训练时只使用相对位姿真值，不依赖深度、光流、分割等额外标注。\n- 直觉：用机器人本来就会记录的“定位日志”当老师，不额外请“标注员”。\n- 在本文中的作用：BEV-ODOM2 的所有监督（3-DoF、5-DoF、密集光流）都由位姿真值构造。\n- 前置知识：监督学习、数据标注成本。\n\n29. **Scale anchoring / 尺度锚定**\n\n- 定义：通过某种机制（如 BEV 网格的固定米制分辨率）为单目估计提供绝对尺度参照。\n- 直觉：给“无尺度的眼睛”配一把固定刻度的尺子。\n- 在本文中的作用：BEV 表示天然提供尺度锚定，是低尺度漂移的关键。\n- 前置知识：单目尺度模糊、BEV 分辨率。\n\n30. **End-point error (EPE) / 端点误差**\n\n- 定义：光流预测值与真值之间的欧氏距离，逐像素计算后取中位数/均值。\n- 直觉：每个像素“预测的移动终点”和“真实终点”差多远。\n- 在本文中的作用：附录 B 用它量化动态场景下 BEV 光流预测误差。\n- 前置知识：光流评估、欧氏距离。\n\n#### 概念依赖图（文本版）\n\n相机图像 (I_t, I_{t+1}\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G: 验证与引用核查\n\n### 1. 关键事实核查\n\n以下每条关键结论均给出论文内定位与外部可核验来源。外部核验以公开代码/数据集链接的可访问性为限，本轮未实际运行代码或复现实验。\n\n| 关键结论 | 论文内证据 | 外部/可复现核验来源 | 核查状态 |\n|---|---|---|---|\n| BEV-ODOM2 提出密集 BEV 光流监督，且仅用位姿真值构造 | 摘要；第 III-E 节（式 11-12）；Fig. 3 | 开源代码 可检查训练损失与 flow 构造 | 论文内一致；外部代码未在本轮实际运行核验 |\n| PV-BEV 双分支融合保留 6-DoF 运动信息 | 摘要；第 III-C 节（式 6）；第 III-D 节；Fig. 2 | 同上代码仓库中的网络结构定义 | 论文内一致 |\n| 相对 prior BEV 方法 RTE 提升 40% | 摘要；第 V 节结论 | 表 I/II/III 中 BEV-ODOM2 与 BEV-ODOM、BEV-DWPVO 的 RTE 对比可复算 | 论文内一致；40% 为概述性数字，具体数据集增益不同 |\n| 在 NVIDIA Jetson AGX Orin 上实时运行（>20 FPS） | Note to Practitioners；第 IV-D 节；Table IV（TRT Backbone 21.84/16.73 FPS） | 代码仓库部署脚本（若有） | 论文内一致；注意 FP32 下为 16.91/14.14 FPS，>20 FPS 依赖 TensorRT 加速 |\n| ZJH-VO 数据集包含 12 条轨迹、12,666 帧、3,054 m 运动数据 | 第 IV-A2 节；Appendix A；Fig. 6-7 | 数据集链接 | 论文内一致 |\n| 消融实验验证三个组件均有效 | Table V；第 IV-E 节 | 表 V 四行对比 | 论文内一致 |\n| 动态场景下密集流监督鲁棒 | Appendix B；Fig. 8 | 论文内分析 | 论文内一致，但仅基于 NCLT/Oxford 的语义分割动态比例分析 |\n| KITTI Seq10 误差主因是高程变化 | Appendix D；Fig. 9 | 表 II 中 Seq10 结果 | 论文内一致；全局 Pearson r=0.287，高 |\n| 航位推算 10s 横向误差低于场景阈值 | Appendix E；Table VIII-IX；Fig. 10 | 论文内分析 | 论文内一致；阈值的标准引用见 [^36] [^37] [^38] [^39] [^40] |\n\n### 2. 冲突或不确定性说明\n\n- 出版信息缺失：正文未标注期刊/会议名称、年份、卷期；Module A 已记录。格式含 Note to Practitioners，疑似 IEEE T-ASE，但无法确认。\n- 作者单位缺失：作者仅用上标 1/2 区分，未给出单位全称。\n- 图片未嵌入：Fig.1-10 仅以路径引用，无法直接查看，影响对框架图、轨迹图、光流误差图、消融图的独立核对。\n- 表格符号不一致：Table I 脚注中 `*` 与 `**` 的说明与表内标注存在混用；Table III 的 RRE 单位写为 `/100m`，应为 `°/100m`；Table V 的 ATE 上标 `T` 与脚注 `†` 不一致；Table VII 的 RRE 单位写为 `%/100m`，应为 `°/100m`。这些不影响核心结论，但需在复现时注意。\n- 40% RTE 提升是摘要/结论中的概括性表述；按表 I 计算，相对 BEV-DWPVO 的 NCLT RTE 降低 42.21%、Oxford 降低 33.53%，相对 BEV-ODOM 的降幅不同，因此“40%”应理解为代表性平均提升。\n- 实时性表述：Note to Practitioners 称“over 20 frames per second”，但 Table IV 中 FP32 在 Jetson 上为 16.91/14.14 FPS，仅 TensorRT 转换 backbone 后达到 21.84/16.73 FPS（224×384 下 >20 FPS）。需注意该数字依赖部分 TensorRT 加速。\n- 动态场景鲁棒性分析依赖语义分割模型计算动态物体像素比例，论文未给出该分割模型的训练细节，外部复现时需自行选择分割模型。\n\n### 3. 参考文献列表\n\n以下列出论文参考文献（编号与原文一致），供引用核查使用。\n\n[^1]: D. Scaramuzza and F. Fraundorfer, 'Visual odometry [tutorial]', IEEE Robotics & Automation Magazine, vol. 18, no. 4, pp. 80–92, 2011.\n\n[^2]: C. Chen, B. Wang, C. X. Lu, N. Trigoni, and A. Markham, 'A survey on deep learning for localization and mapping: Towards the age of spatial machine intelligence', arXiv preprint arXiv:2006.12567, 2020.\n\n[^3]: J. Ross, O. Mendez, A. Saha, M. Johnson, and R. Bowden, 'BEV-SLAM: Building a globally-consistent world map using monocular vision', in 2022 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE, 2022, pp. 3830–3836.\n\n[^4]: Z. Zhang, M. Xu, W. Zhou, T. Peng, L. Li, and S. Poslad, 'BEV-Locator: An end-to-end visual semantic localization network using multi-view images', Science China Information Sciences, vol. 68, no. 2, p. 122106, 2025.\n\n[^5]: D. Unger, N. Gosala, V. R. Kumar, S. Borse, A. Valada, and S. Yogamani, 'Multi-camera bird's eye view perception for autonomous driving', Computer Vision: Challenges, Trends, and Opportunities, p. 279, 2024.\n\n[^6]: Y. Wei, S. Lu, W. Lu, R. Xiong, and Y. Wang, 'BEV-DWPVO: BEV-based differentiable weighted Procrustes for low scale-drift monocular visual odometry on ground', IEEE Robotics and Automation Letters, 2025.\n\n[^7]: Y. Wei, S. Lu, F. Han, R. Xiong, and Y. Wang, 'BEV-ODOM: Reducing scale drift in monocular visual odometry with BEV representation', in 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), IEEE, 2024, pp. 349–356.\n\n[^8]: K. Tateno, F. Tombari, I. Laina, and N. Navab, 'CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction', in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 6243–6252.\n\n[^9]: B. Bescos, J. M. Fácil, J. Civera, and J. Neira, 'DynaSLAM: Tracking, mapping, and inpainting in dynamic scenes', IEEE Robotics and Automation Letters, vol. 3, no. 4, pp. 4076–4083, 2018.\n\n[^10]: S. Wang, V. Leroy, Y. Cabon, B. Chidlovskii, and J. Revaud, 'DUSt3R: Geometric 3D vision made easy', in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2024, pp. 20697–20709.\n\n[^11]: J. Philion and S. Fidler, 'Lift, splat, shoot: Encoding images from arbitrary camera rigs by implicitly unprojecting to 3D', in Computer Vision – ECCV 2020, Part XIV, Springer, 2020, pp. 194–210.\n\n[^12]: Y. Li, Z. Ge, G. Yu, J. Yang, Z. Wang, Y. Shi, J. Sun, and Z. Li, 'BEVDepth: Acquisition of reliable depth for multi-view 3D object detection', in Proceedings of the AAAI Conference on Artificial Intelligence, vol. 37, no. 2, 2023, pp. 1477–1485.\n\n[^13]: D. Sun, X. Yang, M.-Y. Liu, and J. Kautz, 'PWC-Net: CNNs for optical flow using pyramid, warping, and cost volume', in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 8934–8943.\n\n[^14]: Z. Teed and J. Deng, 'RAFT: Recurrent all-pairs field transforms for optical flow', in European Conference on Computer Vision, Springer, 2020, pp. 402–419.\n\n[^15]: A. Geiger, P. Lenz, C. Stiller, and R. Urtasun, 'Vision meets robotics: The KITTI dataset', The International Journal of Robotics Research, vol. 32, no. 11, pp. 1231–1237, 2013.\n\n[^16]: D. Barnes, M. Gadd, P. Murcutt, P. Newman, and I. Posner, 'The Oxford Radar RobotCar dataset: A radar extension to the Oxford RobotCar dataset', in 2020 IEEE International Conference on Robotics and Automation (ICRA), IEEE, 2020, pp. 6433–6438.\n\n[^17]: N. Carlevaris-Bianco, A. K. Ushani, and R. M. Eustice, 'University of Michigan North Campus long-term vision and lidar dataset', The International Journal of Robotics Research, vol. 35, no. 9, pp. 1023–1035, 2016.\n\n[^18]: C. Campos, R. Elvira, J. J. G. Rodríguez, J. M. Montiel, and J. D. Tardós, 'ORB-SLAM3: An accurate open-source library for visual, visual-inertial, and multimap SLAM', IEEE Transactions on Robotics, vol. 37, no. 6, pp. 1874–1890, 2021.\n\n[^19]: J. Engel, V. Koltun, and D. Cremers, 'Direct sparse odometry', IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 40, no. 3, pp. 611–625, 2017.\n\n[^20]: C. Forster, M. Pizzoli, and D. Scaramuzza, 'SVO: Fast semi-direct monocular visual odometry', in 2014 IEEE International Conference on Robotics and Automation (ICRA), IEEE, 2014, pp. 15–22.\n\n[^21]: J. Han, R. Dong, and J. Kan, 'BASL-AD SLAM: A robust deep-learning feature-based visual SLAM system with adaptive motion model', IEEE Transactions on Intelligent Transportation Systems, vol. 25, no. 9, pp. 11794–11804, 2024.\n\n[^22]: S. Wang, R. Clark, H. Wen, and N. Trigoni, 'DeepVO: Towards end-to-end visual odometry with deep recurrent convolutional neural networks', in 2017 IEEE International Conference on Robotics and Automation (ICRA), IEEE, 2017, pp. 2043–2050.\n\n[^23]: W. Wang, Y. Hu, and S. Scherer, 'TartanVO: A generalizable learning-based VO', in Conference on Robot Learning, PMLR, 2021, pp. 1761–1772.\n\n[^24]: H. Zhan, C. S. Weerasekera, J.-W. Bian, R. Garg, and I. Reid, 'DF-VO: What should be learnt for visual odometry?', arXiv preprint arXiv:2103.00933, 2021.\n\n[^25]: Z. Teed and J. Deng, 'DROID-SLAM: Deep visual SLAM for monocular, stereo, and RGB-D cameras', Advances in Neural Information Processing Systems, vol. 34, pp. 16558–16569, 2021.\n\n[^26]: Z. Teed, L. Lipson, and J. Deng, 'Deep patch visual odometry', Advances in Neural Information Processing Systems, vol. 36, 2024.\n\n[^27]: H. Li, Y. Duan, X. Zhang, H. Liu, J. Ji, and Y. Zhang, 'OCC-VO: Dense mapping via 3D occupancy-based visual odometry for autonomous driving', arXiv preprint arXiv:2309.11011, 2023.\n\n[^28]: J. C. Gower, 'Generalized Procrustes analysis', Psychometrika, vol. 40, pp. 33–51, 1975.\n\n[^29]: K. He, X. Zhang, S. Ren, and J. Sun, 'Deep residual learning for image recognition', in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770–778.\n\n[^30]: T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie, 'Feature pyramid networks for object detection', in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 2117–2125.\n\n[^31]: O. Ronneberger, P. Fischer, and T. Brox, 'U-Net: Convolutional networks for biomedical image segmentation', in Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015, Part III, Springer, 2015, pp. 234–241.\n\n[^32]: S. F. Bhat, R. Birkl, D. Wofk, P. Wonka, and M. Müller, 'ZoeDepth: Zero-shot transfer by combining relative and metric depth', arXiv preprint arXiv:2302.12288, 2023.\n\n[^33]: H. Xu, J. Zhang, J. Cai, H. Rezatofighi, F. Yu, D. Tao, and A. Geiger, 'Unifying flow, stereo and depth estimation', IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023.\n\n[^34]: S.-C. Lin, Y. Zhang, C.-H. Hsu, M. Skach, M. E. Haque, L. Tang, and J. Mars, 'The architectural implications of autonomous driving: Constraints and acceleration', in Proceedings of the Twenty-Third International Conference on Architectural Support for Programming Languages and Operating Systems, 2018, pp. 751–766.\n\n[^35]: T. Li, H. Zhang, X. Niu, and Z. Gao, 'Tightly-coupled integration of multi-GNSS single-frequency RTK and MEMS-IMU for enhanced positioning performance', Sensors, vol. 17, no. 11, p. 2462, 2017.\n\n[^36]: T. G. Reid, S. E. Houts, R. Cammarata, G. Mills, S. Agarwal, A. Vora, and G. Pandey, 'Localization requirements for autonomous vehicles', SAE International Journal of Connected and Automated Vehicles, vol. 2, no. 12-02-03-0012, pp. 173–190, 2019.\n\n[^37]: K. Rehrl and S. Gröchenig, 'Evaluating localization accuracy of automated driving systems', Sensors, vol. 21, no. 17, p. 5855, 2021.\n\n[^38]: ISO, 'Intelligent transport systems – Low-speed automated driving (LSAD) systems for predefined routes – performance requirements, system requirements and performance test procedures', International Standard ISO 22737:2021, 2021.\n\n[^39]: ISO, 'Intelligent transport systems – Automated valet parking systems (AVPS) – Part 1: System framework, requirements for automated driving and for communications interface', International Standard ISO 23374-1:2023, 2023.\n\n[^40]: P. Wenzel, N. Yang, R. Wang, N. Zeller, and D. Cremers, '4Seasons: Benchmarking visual SLAM and long-term localization for autonomous driving in challenging conditions', International Journal of Computer Vision, vol. 133, no. 4, pp. 1564–1586, 2025.\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## Module H: 图表提取\n\n### 1. 图表全索引\n\n#### 图（Figure）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的论断 | 重要度 |\n|---|---|---|---|---|---|\n| 图1 | Comparison of BEV-based monocular odometry methods | 概念对比图 | 第I节引言（正文第一段后） | 现有BEV方法受稀疏监督或额外标注限制；BEV-ODOM2用PV-BEV融合与密集BEV光流提供丰富监督 | 3/5 |\n| 图2 | Overview of the BEV-ODOM2 framework | 系统架构图 | 第III-A节（正文中位于第II-B节末尾附近，被第III-A节引用） | 双分支架构、LSS投影、FuseNet融合、5-DoF/3-DoF/flow监督 | 5/5 |\n| 图3 | Construction of dense BEV optical flow ground truth | 原理示意图 | 第III-E节（正文中位于第III-D节末尾，被第III-E节引用） | 3-DoF位姿通过式(11)-(12)构造逐像素密集光流GT | 5/5 |\n| 图4 | Case Study of BEV-ODOM2 Performance on Four Datasets | 定性结果图（轨迹+光流+误差图+小提琴图） | 第IV-C1节 | 预测轨迹接近GT；光流像素误差大多<0.4；不同运动模式下误差小 | 4/5 |\n| 图5 | Logarithmic scale factor variation on NCLT and Oxford | 定量尺度漂移曲线 | 第IV-C2节 | BEV方法尺度因子接近0、波动小；BEV-ODOM2保持尺度一致性 | 4/5 |\n| 图6 | ZJH-VO Multi-Scale Dataset Overview | 数据集概览图 | 附录A | 平台、四类环境轨迹、样本图像 | 3/5 |\n| 图7 | ZJH-VO Multi-Scale dataset motion statistics | 数据统计图 | 附录A | 帧间位移/旋转/速度分布 | 2/5 |\n| 图8 | Impact of dynamic objects on estimation accuracy | 鲁棒性分析图 | 附录B | 动态物体比例升高不导致系统性精度下降 | 3/5 |\n| 图9 | Sensitivity analysis on KITTI Seq10 | 敏感性分析图 | 附录D | 高程变化是主要误差源；PV-BEV融合部分缓解 | 3/5 |\n| 图10 | Lateral localization availability degradation over GNSS outage duration | 应用分析图 | 附录E | 5-30s中断下BEV-ODOM2退化更慢、可用性更高 | 4/5 |\n\n#### 表（Table）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的论断 | 重要度 |\n|---|---|---|---|---|---|\n| 表I | Performance comparison on NCLT and Oxford datasets | 定量对比表 | 第IV-D1节（正文位于第IV-C2节后） | NCLT RTE 5.01%、RRE 2.14°/100m；Oxford RTE 4.60%、RRE 1.02°/100m；相对BEV-DWPVO的RTE降低42.21%/33.53% | 5/5 |\n| 表II | Performance comparison on KITTI Odometry dataset | 定量对比表 | 第IV-D2节 | Seq09 RTE/ATE最优；平均ATE 4.49m（SE(3)），优于多数使用Sim(3)的基线 | 5/5 |\n| 表III | Performance comparison on ZJH-VO multi-scale odometry dataset | 定量对比表 | 第IV-D3节 | 平均RTE 3.57%、RRE 4.69°/100m、ATE 2.11m（SE(3)），跨场景泛化最优 | 5/5 |\n| 表IV | Computational cost comparison under two input resolutions | 效率对比表 | 第IV-D4节 | RTX 4090上69.52/56.62 FPS；Jetson AGX Orin上FP32 16.91/14.14 FPS，TRT backbone 21.84/16.73 FPS；显存约2.3-2.5GB | 4/5 |\n| 表V | Ablation study on three datasets | 消融实验表 | 第IV-E节 | 旋转采样、密集光流、PV-BEV融合均带来一致提升；密集光流带来>20% RTE改善 | 5/5 |\n| 表VI | ZJH-VO dataset environment characteristics | 数据集属性表 | 附录A | 四类环境具有不同BEV挑战 | 2/5 |\n| 表VII | Hyperparameter design validation on Oxford dataset | 超参数验证表 | 附录C | λ1=0.2、λ2=0.1与70:30采样比例最优 | 3/5 |\n| 表VIII | Lateral dead-reckoning error @10s | 应用指标表 | 附录E | BEV-ODOM2在14条序列中13条横向误差最优 | 4/5 |\n| 表IX | Lateral localization availability @10s | 应用指标表 | 附录E | 四个数据集平均可用性最高 | 4/5 |\n\n### 2. 优先深度阅读项（Top-priority deep reads）\n\n1. **图2 + 第III-A至III-D节（框架与双分支融合）**\n - 位置：图2在第III-A节被引用；方法细节见第III-B至III-D节。\n - 为什么重要：这是理解BEV-ODOM2整体架构的核心，包含PV-BEV双分支、LSS投影、相关体融合、UNet解码与位姿回归。\n - 阅读要点：追踪数据流：输入图像 -> ResNet-50+FPN -> PV特征 -> PV相关体 -> LSS投影 -> PV-BEV相关体；同时BEV特征 -> BEV相关体；两者拼接 -> FuseNet/UNet -> 密集光流与3-DoF位姿。注意PV相关体投影使用anchor帧t的深度分布（式(6)）。\n\n2. **图3 + 式(11)-(12)（密集BEV光流GT构造）**\n - 位置：第III-E节。\n - 为什么重要：这是本文核心创新之一，说明如何仅用3-DoF位姿GT构造逐像素密集监督。\n - 阅读要点：理解BEV像素坐标到车体坐标的转换、相对位姿变换、再投影回像素坐标的流程；确认静态场景假设及其在附录B中的鲁棒性分析。\n\n3. **表V + 第IV-E节（消融实验）**\n - 位置：第IV-E节。\n - 为什么重要：直接验证三个组件（增强旋转采样、密集光流监督、PV-BEV融合）的独立贡献。\n - 阅读要点：逐行对比RTE/RRE/ATE；注意密集光流带来的RTE改善超过20%，PV-BEV融合增益相对较小但一致；结合附录C的表VII理解超参数选择。\n\n4. **表I、表II、表III + 第IV-D节（定量主结果）**\n - 位置：第IV-D1至D3节。\n - 为什么重要：支撑“相对先前BEV方法RTE提升40%”的核心结论，并展示跨数据集泛化。\n - 阅读要点：注意不同对齐方式（SE(3) vs Sim(3)）和前10m尺度缩放对指标的影响；比较BEV-ODOM2与BEV-ODOM/BEV-DWPVO的RTE/RRE/ATE；在KITTI Seq10上结合附录D理解高程敏感性。\n\n5. **表IV + 第IV-D4节（计算效率与边缘部署）**\n - 位置：第IV-D4节。\n - 为什么重要：支撑实时性与嵌入式部署可行性，是实际应用的关键证据。\n - 阅读要点：对比RTX 4090与Jetson AGX Orin的FPS、显存、GPU利用率；注意TRT backbone仅转换ResNet-50，仍有优化空间；结合附录E的航位推算分析理解实际意义。\n\n### 3. 图表关系与实验设置图\n\n#### 图表关系图\n\n图1（动机） -> 图2（框架） -> 图3（密集光流GT构造）\n |\n v\n 图4（定性结果） 图5（尺度一致性） 表I-III（定量对比） 表V（消融）\n |\n 图6/7（数据集） -> 图8/9（鲁棒性/敏感性） -> 图10/表VIII-IX（航位推算应用）\n\n说明：图1引出问题，图2给出解决方案架构，图3解释密集监督的构造；图4-5和表I-V验证精度与组件贡献；图6-7描述新数据集；图8-9分析局限与鲁棒性；图10和表VIII-IX展示GNSS中断下的应用价值。\n\n#### 实验设置图\n\n数据集与划分：\n\n- KITTI：训练00-08，测试09-10（郊区道路，含高程变化）\n- Oxford：3条训练，4条测试（城市道路，动态目标多）\n- NCLT：3条训练，4条测试（校园低速，季节变化）\n- ZJH-VO：8条训练，4条测试（地下车库/室外广场/走廊/办公室，共12条轨迹，12666帧，3054m）\n\n实现配置：\n\n- BEV网格：128×128，分辨率0.8m\n- 相关搜索范围：Δ_PV=Δ_BEV=5（11×11窗口）\n- 骨干：ResNet-50+FPN；优化器Adam，初始lr=1e-4，100 epochs，lr decay 0.95/epoch\n- 损失权重：λ1=0.2（5-DoF），λ2=0.1（flow），α=β=10\n- 采样策略：高旋转:标准旋转=70:30\n\n评估指标：\n\n- RTE（%）、RRE（°/100m）、ATE（m）\n- 对齐方式：SE(3)与Sim(3)；对无尺度方法用前10m GT缩放\n- 计算效率：FPS、GPU显存、GPU利用率；边缘平台Jetson AGX Orin\n\n### 4. 图表到结论的映射\n\n| 结论 | 支撑图表 | 位置定位 |\n|---|---|---|\n| BEV-ODOM2相对先前BEV方法RTE提升约40% | 表I、表II、表III；摘要与第V节 | 第IV-D节；结论第V节 |\n| 密集BEV光流监督带来>20% RTE改善，接近30%（ZJH-VO） | 表V（第三行 vs 第二行） | 第IV-E节 |\n| PV-BEV融合保留6-DoF运动线索并提升精度 | 表V（第四行 vs 第三行）；图2 | 第III-C/D节、第IV-E节 |\n| 增强旋转采样缓解直行偏差、提升转弯鲁棒性 | 表V（第二行 vs 第一行）；表VII(b) | 第III-F节、附录C |\n| BEV表示提供隐式尺度锚定，尺度漂移低 | 图5；表II/III中SE(3)与Sim(3) ATE接近 | 第IV-C2节、第IV-D2/D3节 |\n| 实时性与边缘部署可行 | 表IV；第IV-D4节 | 第IV-D4节 |\n| 动态物体不导致系统性性能下降 | 图8 | 附录B |\n| KITTI Seq10误差主要来自高程变化，PV-BEV融合部分缓解 | 图9；表II | 附录D、第IV-D2节 |\n| 可作为GNSS中断时的航位推算桥（10s内横向误差低、可用性高） | 表VIII、表IX、图10 | 附录E |\n| ZJH-VO数据集覆盖多场景多尺度，支持泛化评估 | 图6、图7、表VI | 附录A、第IV-A2节 |"
}