{
  "paper_id": "0d3147d3f6242f8bb5e7ff9f74d19b60",
  "paper_title": "Uncertainty-Aware Visual-Inertial SLAM with Volumetric Occupancy Mapping",
  "paper_authors": [
    "Jaehyung Jung",
    "Simon Boche",
    "Sebastián Barbas Laina",
    "Stefan Leutenegger"
  ],
  "publication_date": "",
  "publication_venue": "2025 IEEE International Conference on Robotics and Automation (ICRA)",
  "abstract": "我们提出一种将稀疏重投影误差、惯性测量单元预积分和相对位姿因子与稠密体积占用建图紧耦合的视觉惯性同时定位与建图（VI-SLAM）方法，其中来自深度神经网络的深度预测以完全概率化的方式融合。具体而言，本方法严格具备不确定性感知能力：首先，我们不仅使用来自机器人双目装置的深度网络深度与不确定性预测，还进一步概率化地融合跨多种基线提供深度信息的运动立体，从而大幅提升建图精度。其次，预测与融合的深度不确定性不仅传播到占用概率中，还传播到所生成稠密子图之间的对齐因子中，这些因子进入概率非线性最小二乘估计器。这种子图表示提供了规模化的全局一致几何。本方法在两个基准数据集上得到充分评估，定位与建图精度超越现有技术水平，同时实时提供可直接用于下游机器人规划与控制的体积占用。",
  "keywords": [
    "视觉惯性SLAM",
    "体积占用建图",
    "不确定性感知",
    "深度融合",
    "多视图立体",
    "占用子图",
    "因子图优化"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:31:06.149856Z",
  "template_tag": "deep_read",
  "summary": "# Uncertainty-Aware Visual-Inertial SLAM with Volumetric Occupancy Mapping\n\n\n**作者 / Authors:** Jaehyung Jung, Simon Boche, Sebastián Barbas Laina, Stefan Leutenegger\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\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## 1. 论文元数据\n\n- **标题**：Uncertainty-Aware Visual-Inertial SLAM with Volumetric Occupancy Mapping（不确定性感知的视觉-惯性SLAM与体积占据建图）\n- **作者**：Jaehyung Jung、Simon Boche、Sebastián Barbas Laina、Stefan Leutenegger（四人共享上标¹；正文未给出机构全称，从其自引与基础工作 OKVIS2 [^1]、Supereight2 [^5]、Simplemapping [^17] 判断为同一研究团队，机构名称待外部核实）\n- **发表载体**：文中未明确标注期刊/会议名称与年份；排版为 IEEE 会议风格，引用文献最新至 2025 年 2 月（HILTI SLAM Challenge 2022 排行榜，[^38]），推断为近期 IEEE 机器人会议论文，具体出处需核实。\n\n## 2. 研究定位\n\n- **研究领域**：视觉-惯性 SLAM（VI-SLAM）、概率稠密建图、深度学习深度与不确定性估计。\n- **具体任务**：构建紧耦合 VI-SLAM：将稀疏重投影误差、IMU 预积分与相对位姿因子同稠密体积占据子图建图联合优化；基于立体网络与 MVS 网络预测的深度及其不确定性进行最优深度融合（第 IV-D 节，式 12–13），并将不确定性传播到占据概率积分（式 2–4）以及 occupancy-to-point 因子（frame-to-map / map-to-map）的加权中（式 5–7）。\n- **目标用户/应用场景**：需要实时、全局一致稠密占据地图的机器人下游规划与控制（如无人机、手持多相机设备）；在 EuRoC [^29] 与 Hilti-Oxford [^10] 基准数据集上验证（第 V 节）。\n\n## 3. 输入材料清单\n\n- **PDF**：有（含摘要、第 I–VI 节正文、Fig. 1–4、Table I–V 与参考文献）。\n- **附录/补充材料**：无（文中未见附录或补充材料）。\n- **代码链接**：无（文中未提供开源代码地址）。\n- **数据集链接**：使用公开数据集 EuRoC 与 Hilti-Oxford，文中仅给出引用未附直接下载链接；HILTI 排行榜链接见 [^38]。\n\n## 4. 缺失材料与风险\n\n- **缺失项**：作者机构全称、正式发表 venue 与日期、源代码与训练脚本、部分实现细节（如不确定性校准增益的具体取值、子图阈值 ε_vol 与 M_min 的敏感性分析）。\n- **可能影响**：完整复现网络训练与系统部署受限；发表信息与机构需外部查证；复现只能依赖正文给出的参数（第 V-A 节：512×384@10Hz、体素分辨率 2.5 cm、l_min=-5.015、Ceres 求解器等）。\n\n## 5. 阅读路线\n\n- **Step 1**：读摘要、第 I 节与 Fig. 1/Fig. 2，建立“深度融合 → 占据子图 → occupancy-to-point 因子 → 因子图优化”的整体框架认知。\n- **Step 2**：精读第 III–IV 节：机器人状态与坐标系定义、占据 log-odd 更新（式 2–4）与总代价函数（式 5–7），理解不确定性如何进入权重 W_o2p。\n- **Step 3**：精读第 IV-D 节不确定性感知深度融合（式 8–13）：Laplacian 损失的不确定性学习、视差→深度的不确定性线性化传播、双深度最优融合公式。\n- **Step 4**：阅读第 V 节实验（Table I–V）：ATE 定位精度、mesh accuracy/completeness 建图精度、消融实验（Table IV）与实时性/显存（Table V，建图 13 Hz、GPU 显存 3.51 GB）。\n- **Step 5**：回读第 II 节相关工作，与 Voxgraph [^21]、SigmaFusion [^23]、Simplemapping [^17]、D3VO [^25] 及最相关的 [^26] 对比，明确增量贡献与差异。\n- **Step 6**：总结局限与未来工作（动态物体、epistemic 深度不确定性、与导航控制闭环，第 VI 节），为后续 Module E/G 的深读与验证做准备。\n\n## 分类依据\n\n- 主要贡献是新的算法/估计方法：基于网络预测不确定性的立体+MVS 深度最优融合，以及将不确定性传播到占据积分与因子图加权的全概率化 VI-SLAM 公式化（第 I 节贡献列表；第 IV 节），而非综述或纯工程平台，故选 `method`。\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：第一遍通读概览\n\n## 1. 论文类型与分类\n\n- **类型**：方法论文（method archetype，与 Module A 判定一致）。提出一个新的算法/系统公式化，而非综述或纯工程平台。\n- **领域**：视觉-惯性 SLAM（VI-SLAM）、概率稠密建图（volumetric occupancy mapping）、深度学习深度与不确定性估计。\n- **子类定位**：紧耦合因子图状态估计 + 占据子图（submap）建图 + 网络预测不确定性的深度融合，属于“估计器与稠密地图联合优化”一脉（第 I 节、第 IV 节）。\n\n## 2. 研究背景与上下文\n\n- **SLAM 现状**：VI-SLAM 已相当成熟（OKVIS2 [^1]、ORB-SLAM3 [^2]、OpenVINS [^3]、VINS-Fusion [^4]），但其稀疏地图表示无法显式建模自由/占据空间，不满足规划与控制等高层机器人任务需求（第 I 节）。\n- **稠密建图痛点**：传统占据/TSDF 建图普遍采用“不确定性随深度平方增长”的二次模型，隐含视差不确定性恒定的假设；该近似在弱纹理区域、物体边缘等高不确定像素处失效，可能导致错误置信注入地图（第 I 节）。\n- **深度学习机会**：深度网络的不确定性学习（Kendall & Gal [^8]、Poggi [^9]）已活跃发展，但尚未被全概率地传播到占据积分与 VI 因子图加权中；最相关工作 [^26] 的 occupancy-to-point 因子面向精确 LiDAR 点云，未处理噪声视觉深度（第 II 节）。\n- **本文切入点**：将立体网络（静态小基线）与 MVS 网络（运动大基线）的深度及不确定性最优融合，并把不确定性一致地传播到建图与定位全链路（摘要、第 IV 节）。\n\n## 3. 直觉正确性检查（关键假设及合理性）\n\n- **假设 1：静态立体与运动立体互补**——立体网络在静止时仍可靠（小基线），MVS 网络在大基线时对远处更准。直觉合理，Fig. 3（风扇架近处立体更细、远处 MVS 更锐）提供定性支持。\n- **假设 2：两网络深度估计相互独立**（式 13 最优融合前提）——二者共享输入图像，实际存在相关性，独立性是近似；但作为加权融合的一阶近似可接受，风险是融合方差 σ_fuse 可能被低估。\n- **假设 3：表面附近占据 log-odd 局部线性**（式 7 中 σ_map = l_min / ||3∇L|| 的推导基础）——在表面邻域内线性化是标准做法，合理。\n- **假设 4：Laplacian 损失学到的 aleatoric 不确定性经常数增益校准（使验证集平均 Mahalanobis 距离为 1，第 V-A 节）后可用**——实践中常用且有效，但校准为全局标量，未处理空间偏差。\n- **假设 5：子图位姿可由因子图修正从而维持全局一致**（第 III 节，承袭 Voxgraph [^21]）——已被先前工作验证，合理。\n- **总体判断**：假设链符合概率估计惯例，公式化自洽（式 1–13 层层递进），直觉上成立；主要弱点在独立性假设与全局校准增益的粗糙性。\n\n## 4. 核心贡献\n\n1) **不确定性感知深度融合**：为 Unimatch [^13] 立体网络与 Simplemapping [^17] MVS 网络增加不确定性解码器（Laplacian 损失，式 8–11），并按预测方差最优融合两路深度（式 12–13，第 IV-D 节）。\n2) **全概率化 VI-SLAM 公式化**：网络不确定性同时传播到占据 log-odd 积分（式 2–4）与 occupancy-to-point 因子（frame-to-map / map-to-map）的加权 W_o2p（式 5–7），实现估计器与稠密占据建图的紧耦合。\n3) **可扩展的全局一致地图**：基于 Supereight2 [^5] 的占据子图表示与子图管理策略（ε_vol、M_min 阈值，第 IV-E 节），支持大规模场景。\n4) **SOTA 实验验证**：EuRoC 上 ATE 与建图 accuracy/completeness 超越 OKVIS2、Simplemapping 等（Table I–II）；Hilti-Oxford 排行榜已发表方法中排名第一（Table III，第 V-C 节）。\n5) **实时性**：估计器 29 Hz、建图 13 Hz，GPU 显存仅 3.51 GB（Table V，第 V-E 节）。\n\n## 5. 清晰度评估\n\n- **结构**：标准 IEEE 会议六节结构（引言→相关工作→定义→方法→实验→结论），逻辑递进清晰；第 IV 节按模块（建图→因子图→深度融合→子图管理）组织，易于跟随。\n- **图示**：Fig. 1 定性展示最终效果，Fig. 2 系统框图明确数据流（深度融合→子图扩展→两类 o2p 因子），Fig. 3 直观对比立体/MVS/融合深度，质量良好。\n- **公式**：式 1–13 推导完整，符号在第 III 节统一定义；不确定性从视差/对数深度到深度的线性化传播（式 10、12）交代清楚。\n- **可读性**：总体良好。不足之处：作者机构未标注、正式发表 venue 与年份缺失（Module A 已确认）；不确定性校准增益取值、ε_vol 与 M_min 的敏感性未讨论；Table III 中部分对比项（XR Penguin）分数异常大，需在深读时核对。\n\n## 6. 继续或停止建议\n\n- **建议：继续深读（进入第二遍/第三遍）**。\n- **理由**：贡献明确且相互支撑（深度融合→不确定性传播→紧耦合优化），实验覆盖定位、建图、消融（Table IV）与实时性（Table V）四个维度，证据链完整；对从事 SLAM、稠密建图、不确定性估计的研究者有直接复用价值。\n- **若时间有限**：可只精读第 IV-D 节（式 8–13）与第 V 节（Table II/IV），即可把握“不确定性如何提升建图精度 29%”这一核心结论。\n\n## 7. 结构大纲图\n\nmarkmap\n\n# 论文概览：不确定性感知 VI-SLAM 与体积占据建图\n\n## I. 引言\n\n### 状态估计与 VI-SLAM 背景\n\n### 二次不确定性模型的局限\n\n### 三项贡献列表\n\n## II. 相关工作\n\n### 立体匹配与 MVS 深度网络\n\n### 稠密 SLAM 与概率建图\n\n### 与最相关工作 [^26] 的差异\n\n## III. 定义与符号\n\n### 坐标系与机器人状态 x\n\n### 子图定义\n\n## IV. 视觉-惯性估计器\n\n### A. 系统总览（Fig. 2）\n\n### B. 占据子图建图（式 1–4）\n\n### C. 因子图优化（式 5–7，o2p 因子与加权）\n\n### D. 不确定性感知深度融合（式 8–13）\n\n### E. 子图管理（ε_vol / M_min）\n\n## V. 实验结果\n\n### A. 实现细节\n\n### B. EuRoC：ATE 与建图精度（Table I–II，Fig. 4）\n\n### C. Hilti-Oxford：排行榜第一（Table III）\n\n### D. 消融研究（Table IV）\n\n### E. 时间与显存（Table V）\n\n## VI. 结论与未来工作\n\n### 动态物体 / epistemic 不确定性 / 导航控制闭环\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：论文要解决什么问题？\n\n## 1. 一句话问题定义\n\n论文旨在解决**如何在视觉-惯性SLAM（VI-SLAM）中以全概率化、不确定性感知的方式，将稀疏视觉-惯性因子与稠密体积占据（volumetric occupancy）子图建图紧耦合**的问题——即利用深度网络（stereo 与 MVS 网络）预测的深度及其不确定性，进行最优深度融合，并将该不确定性一致地传播到占据概率积分与因子图优化中，从而同时获得高精度实时定位与全局一致的稠密占据地图（摘要；第 I 节；第 IV 节）。\n\n## 2. 痛点与现有不足\n\n- **稀疏地图无法支撑下游任务**：传统 VI-SLAM（OKVIS2 [^1]、ORB-SLAM3 [^2]、OpenVINS [^3]、VINS-Fusion [^4]）基于稀疏或（半）稠密路标点的重投影/光度误差，其地图表示无法显式建模自由/占据空间，不适合机器人感知、探索等需要稠密几何的高层任务（第 I 节）。\n- **启发式不确定性模型不具统计一致性**：稠密建图中广泛使用随深度平方增长的不确定性模型（等价于假设视差不确定性恒定），该近似在一般情况下不成立——例如弱纹理区域或物体边缘的像素深度高度不确定，其信念应被折扣，否则会污染占据地图（第 I 节；第 IV-B 节，Supereight2 [^5] 的线性/二次模型）。\n- **现有概率化建图方法的局限**：SigmaFusion [^23] 虽引入深度不确定性，但内存开销大且建图与状态估计器解耦（ad-hoc mapping）；最相关的 occupancy-to-point 因子工作 [^26] 依赖高精度 LiDAR 点云，而视觉深度噪声大，需要逐像素加权才能正确用于优化（第 II 节；第 IV-C 节）。\n- **互补深度源未被不确定性感知地融合**：静态立体（stereo，小基线、静止时仍可靠）与运动立体（motion stereo / MVS，可提供大基线、远距离更锐利）天然互补，但此前方法（如 Simplemapping [^17]）未基于网络预测不确定性对二者进行最优融合（第 I 节；第 IV-D 节；Fig. 3）。\n\n## 3. 形式化目标 / 优化目标\n\n- **估计目标**（第 III 节）：给定惯性与多相机测量，基于观测不确定性联合估计机器人状态 x = [ᵂr_Sᵀ, q_WSᵀ, ᵂvᵀ, b_gᵀ, b_aᵀ]ᵀ 以及以子图（submap）集合表示的体积占据值。\n- **总代价函数**（第 IV-C 节，式 5）：\n  c(x) = ½ Σ ρ_c(e_rᵀ W_r e_r) + ½ Σ e_sᵀ W_s e_s + ½ Σ e_pᵀ W_p e_p + ½ Σ ρ_t(e_o2pᵀ W_o2p e_o2p)（frame-to-map）+ ½ Σ ρ_t(e_o2pᵀ W_o2p e_o2p)（map-to-map），\n  即联合最小化重投影误差（Cauchy 鲁棒核）、IMU 预积分误差、相对位姿误差，以及占据-to-点因子（Tukey 鲁棒核，要求表面处 log-odd L=0，式 6）。\n- **不确定性加权**（式 7）：w_o2p_i = 1/(σ_map_i² + σ_d_i²)，其中 σ_map 为占据图不确定性、σ_d 为网络深度不确定性——即不确定性直接进入因子图权重。\n- **最优深度融合**（第 IV-D 节，式 12–13）：在两路深度估计独立的假设下，d_fuse = σ_fuse²(σ_st⁻² d_st + σ_mvs⁻² d_mvs)，σ_fuse² = (σ_st⁻² + σ_mvs⁻²)⁻¹；不确定性经 Laplacian 损失（式 8–9、13）学习，并从视差/对数深度线性化传播到深度（式 10–11）。\n- **占据积分**（第 IV-B 节，式 2–4）：分段线性逆传感器模型以 σ_d 缩放 log-odd 更新，逐像素学习的不确定性取代启发式模型。\n\n## 4. 成功判据（指标与期望性质）\n\n- **定位精度**：EuRoC 数据集上的 ATE RMSE（因果/非因果，Table I）；Hilti-Oxford 数据集的官方挑战评分（Table III，目标为超过 OKVIS2、BAMF-SLAM、XR Penguin 等并登上排行榜第一）。\n- **建图精度**：mesh accuracy（无阈值平均点到面距离，单位 m）与 completeness（0.2 m 阈值内的真值顶点比例，%）（Table II；第 V 节评估协议：marching cubes 重建 + 1 cm³ 体素下采样 + point-to-plane ICP 对齐）。\n- **消融验证**：相对启发式二次不确定性模型，网络预测不确定性应提升建图精度（实测 +10%），深度融合进一步提升（实测 +29%）（Table IV）。\n- **实时性与资源约束**：估计器实时运行（实测 29 Hz，含后台回环优化）、建图 13 Hz、双网络推理仅占 3.51 GB GPU 显存（Table V；第 V-E 节）。\n- **期望系统性质**：全局一致的地图（子图锚定局部坐标系 + occupancy-to-point 因子对齐，第 IV-E 节）、可直接用于下游机器人规划与控制的实时体积占据输出（摘要；Fig. 1）。\n\n**推理链小结**：问题动机（稀疏地图不足 + 启发式不确定性失真）→ 方法目标（全概率化紧耦合 VI-SLAM 与占据子图建图，不确定性贯穿融合、积分与因子加权）→ 可量化判据（ATE、mesh accuracy/completeness、消融增益、实时频率与显存），各判据分别对应第 V 节 Table I–V 的实验设计。\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：相关工作定位分析\n\n## 1. 最强基线与对比轴\n\n### OKVIS2 [^1]（定位基线，同时是本文估计器底座）\n\n- **方法**：基于因子图的紧耦合视觉-惯性 SLAM，包含稀疏重投影误差、IMU 预积分、相对位姿因子与回环优化（第 III 节、第 IV-C 节式 5）。\n- **核心思想**：仅靠稀疏路标的视觉-惯性优化即可达到高精度、可回环的实时定位。\n- **局限**：稀疏路标地图无法显式建模自由/占据空间，不能直接服务规划与控制等高层任务（第 I 节）。\n- **对比轴**：定位精度——EuRoC 的 ATE RMSE（Table I，causal/non-causal）与 Hilti-Oxford 定位得分（Table III）。本文 causal ATE 0.041 m vs OKVIS2 0.043 m；Hilti-Oxford 总分 causal 44.57 vs 42.66、non-causal 199.35 vs 170.70，且在已发表方法中排名第一（第 V-B/C 节）。\n\n### Simplemapping [^17]（建图基线，同团队前期工作）\n\n- **方法**：ORB-SLAM3 [^2] 提供位姿与稀疏路标，Simplerecon 式 MVS 网络 [^16] 预测深度并融合进 TSDF。\n- **核心思想**：利用 MVS 网络深度实现实时视觉-惯性稠密建图。\n- **局限**：建图与估计器单向解耦（地图信息不反馈到位姿优化），且未建模深度不确定性（第 II 节）。\n- **对比轴**：建图精度——mesh accuracy（无阈值，m）与 completeness（0.2 m 阈值，%）（Table II、Fig. 4）。本文平均 accuracy 0.057 m vs 0.144 m，completeness 55.40% vs 50.71%。\n\n### 其他定位对比对象\n\n- VINS-Fusion [^4]、ORB-SLAM3 [^2]、DVI-SLAM [^31]（Table I，均为 stereo-inertial 配置）；BAMF-SLAM [^36]、XR Penguin/MAVIS [^37]（Hilti-Oxford 排行榜，Table III）。对比轴均为定位精度（ATE 或官方得分）。\n\n## 2. 最接近的方法与关键差异\n\n### [^26] Boche et al.（LiDAR-Visual-Inertial 占据建图，文中明确指出为最相关工作）\n\n- **方法**：首次提出 occupancy-to-point 因子（frame-to-map / map-to-map）将占据子图对齐嵌入视觉-惯性因子图。\n- **核心思想**：以占据 log-odd 梯度归一化残差，使点落在表面上（L=0），实现子图全局一致对齐（第 IV-C 节式 6）。\n- **关键差异**：该工作依赖高精度 LiDAR 点云，无需深度不确定性建模；本文面向网络预测的噪声深度，将不确定性逐像素传播到因子权重 W_o2p（式 7：w = 1/(σ_map² + σ_d²)）与占据积分（式 3–4），实现全概率化。\n\n### SigmaFusion [^23]\n\n- **方法**：基于 DroidSLAM [^24] 信息矩阵预测稠密深度不确定性，并做不确定性加权占据积分。\n- **核心思想**：不确定性积分可降低重建噪声。\n- **关键差异**：显存开销大，且建图与估计器解耦（ad-hoc mapping）；本文将不确定性同时传播到占据积分与因子图权重，实现紧耦合（第 II 节）。\n\n### D3VO [^25]\n\n- **方法**：将深度估计学到的光度不确定性用于直接法视觉里程计。\n- **关键差异**：仅是 VO 而非完整 SLAM 系统，无稠密占据建图与子图回环（第 II 节）。\n\n### TANDEM [^22] / CNN-SLAM [^19] / DeepFusion [^20]\n\n- **方法**：将深度网络（MVS 或单目/motion stereo）深度融合进 TSDF 或稠密地图。\n- **关键差异**：TANDEM 用 TSDF 渲染深度辅助图像对齐、无不确定性传播；CNN-SLAM/DeepFusion 融合 motion stereo 深度但无学习式不确定性、无占据-因子图紧耦合；本文的深度融合（式 12–13）与不确定性全链路传播为核心增量。\n\n### Voxgraph [^21]\n\n- **方法**：SDF 子图表示 + 基于欧氏距离场的子图对齐。\n- **关键差异**：对齐信号与权重来源不同（距离场 vs 本文不确定性加权的 occupancy-to-point 因子）；本文沿用其子图思想（第 III 节）。\n\n### Supereight2 [^5]（建图底座）\n\n- **方法**：八叉树自适应多分辨率占据子图管线。\n- **关键差异**：使用启发式不确定性模型（线性/二次深度模型，隐含视差不确定性恒定假设）；本文替换为网络逐像素学习的不确定性，对弱纹理区域等高不确定像素自动降权（第 I 节、第 IV-B 节）。\n\n## 3. 正交方向\n\n- **立体/MVS 网络结构改进**：ACVNet [^12]、Unimatch [^13]、MVSNet [^15]、Simplerecon [^16]、Simplemapping [^17]——专注深度/视差预测精度本身，与 SLAM 耦合方式正交；本文直接复用 Unimatch 与 [^17] 并加装不确定性解码器（第 IV-D 节）。\n- **深度不确定性学习理论**：Kendall & Gal [^8]、Poggi et al. [^9] 的 aleatoric 不确定性建模（Laplacian 损失），属通用视觉方法，本文将其迁移到立体/MVS 网络（式 8–11）。\n- **RGB-D/面元稠密建图**：KinectFusion [^6]、ElasticFusion [^18]——依赖深度传感器或 surfel 表示，与本文纯多相机+IMU 设定正交。\n- **最优融合理论**：Carlson [^28] 的联邦平方根滤波/最优融合公式，作为本文双深度融合的数学工具（式 12–13），本身不涉及 SLAM。\n\n## 4. 一句话定位\n\n本文是首个\"全链路不确定性感知\"的紧耦合视觉-惯性 SLAM 与体积占据子图建图系统：将立体与 MVS 网络学习到的深度不确定性统一传播到最优深度融合、占据概率积分与 occupancy-to-point 因子加权中，从而在 EuRoC 与 Hilti-Oxford 上以实时速度（建图 13 Hz）同时超越定位与建图两条线上的 SOTA（第 I 节贡献列表；Table I–IV）。\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（方法机制解析）\n\n## 1. 核心机制概述（浅层理解）\n\n论文提出一个**全不确定性感知（fully uncertainty-aware）**的视觉-惯性 SLAM 框架，将稠密体积占据建图与因子图优化**紧耦合**（摘要；第 I 节；第 IV-A 节，Fig. 2）。核心思想：用深度网络（立体网络 + MVS 网络）预测逐像素深度及其不确定性，并将该不确定性沿三条路径传播：\n\n1. **深度融合**：基于预测不确定性对静态立体（小基线、静止时可靠）与运动立体 MVS（可提供大基线、远处更准）做逆方差最优融合（第 IV-D 节，式 12–13；Fig. 3）；\n2. **占据积分**：将学习到的 σ_d 代入分段线性逆传感器模型，替代 Supereight2 [^5] 的启发式线性/二次不确定性模型（第 IV-B 节，式 2–4）；\n3. **因子图加权**：占据到点（occupancy-to-point, o2p）因子（frame-to-map 与 map-to-map）的权重 W_o2p 由地图不确定性 σ_map 与网络深度不确定性 σ_d 之和构成（第 IV-C 节，式 6–7）。\n\n系统基于 OKVIS2 [^1]（视觉-惯性估计）与 Supereight2 [^5]（八叉树自适应多分辨率占据子图）构建（第 III 节），通过子图表示实现规模化、全局一致的地图。\n\n## 2. 分步拆解（中层分析）\n\n### Step 1：带不确定性的深度预测（第 IV-D 节）\n\n- **立体网络**：以 Unimatch [^13] 为基础，增加不确定性解码器（采用 MonoDepth2 [^33] 解码器结构），用 Laplacian 损失学习 aleatoric 视差不确定性：L_st = L_u + L_∇u_x + L_∇u_y（式 8），其中 L_u = Σ |u_i − u_gt_i|/σ_u_i + log σ_u_i（式 9），并加入梯度损失 L_∇u 使不确定性输出更锐利（式 10）。\n- **MVS 网络**：以 Simplemapping [^17] 的 MVS 网络为基础，同样加不确定性解码器，学习对数深度不确定性：L_mvs = Σ |log d_i − log d_gt_i|/σ_l_i + log σ_l_i（式 12）。\n- **不确定性线性化传播**：视差→深度：d̂_st = f_c·b/u，σ_st = (f_c·b/u²)·σ_u（式 11）；对数深度→深度：d̂_mvs = exp(log d)，σ_mvs = d̂_mvs·σ_l（第 IV-D 节）。\n- **训练与校准**（第 V-A 节）：立体网络从 TartanAir [^32] 预训练权重微调（去掉后处理以加速推理），MVS 网络在 ScanNet [^34] 上训练；训练后乘以常数增益校准不确定性，使验证集平均 Mahalanobis 距离等于 1。\n\n### Step 2：不确定性感知的最优深度融合（第 IV-D 节，式 12–13）\n\n假设两路深度估计独立，按逆方差加权融合：\n\n- d̂_fuse = σ_fuse²·(σ_st⁻²·d̂_st + σ_mvs⁻²·d̂_mvs)，σ_fuse² = (σ_st⁻² + σ_mvs⁻²)⁻¹。\n- 动机：静态立体小基线在近处/静止时可靠，MVS 运动立体基线随相机运动增大、远处更准（Fig. 3 定性展示：风扇架在立体网络中细节更多，远处物体在 MVS 中更锐利，融合结果自然保持最优）。\n\n### Step 3：占据子图积分（第 IV-B 节，式 2–4）\n\n- 每个子图维护 log-odds：l(M p) = log(P_occ/(1−P_occ))（式 2）；\n- 分段线性逆传感器模型（式 3）：以 d_r（查询点与沿射线表面测量的距离）为自变量，在 [−3σ_d, τ/2) 区间斜率为 |l_min|/(3σ_d)，即深度不确定性 σ_d 直接决定 free-space 置信增长速率；表面厚度 τ 正比于深度；\n- 多观测递归均值更新（式 4）：L_k = (L_{k−1}·w_{k−1} + l)/(w_{k−1}+1)，w 饱和于 w_max；\n- **关键改动**：σ_d 不再用启发式线性/二次模型，而用网络逐像素学习的不确定性——弱纹理区域、物体边缘的高不确定深度被自动降权（第 I 节、第 IV-B 节）。\n\n### Step 4：子图管理（第 IV-E 节）\n\n- 跟踪当前深度视锥与最新子图的重叠体积，低于阈值 ε_vol（实验取 0.2）时新建子图（通过在视锥内采样点、检测是否已被先前子图观测来近似）；\n- 记录共视子图（基于共观测稀疏路标），选择共视点数 ≥ M_min（实验取 100）中最旧的子图构建 map-to-map 因子，实现几何回环；\n- 因子图优化后更新子图位姿，维持全局一致地图。\n\n### Step 5：因子图联合优化（第 IV-C 节，式 5–7）\n\n总代价（式 5）= 重投影误差（Cauchy 鲁棒核 ρ_c）+ IMU 预积分误差 + 相对位姿误差 + occupancy-to-point 因子（Tukey 鲁棒核），其中 o2p 因子分两类：\n\n- **frame-to-map**：当前帧（立体网络实时深度）对其最重叠子图 o(k)，可在优化前构建；\n- **map-to-map**：子图 m（已积分融合深度）对其最重叠子图 o(m)，用于子图对齐。\n- 因子定义（式 6）：e_o2p = L(T_{S_b W}·T_{W S_a}·p)/‖∇L(M p)‖，编码“点应落在表面上（L=0）”的约束，沿 log-odd 梯度归一化；\n- 权重（式 7）：w_o2p_i = 1/(σ_map_i² + σ_d_i²)，σ_map_i = l_min/‖3∇L‖（表面附近线性占据假设）。与高精度 LiDAR [^26] 不同，视觉深度噪声大，必须逐像素加权其贡献。\n\n### Step 6：输出\n\n实时位姿 + 增量式体积占据子图（marching cubes [^30] 重建 mesh），可直接用于下游规划与控制（摘要；Fig. 1；第 V-E 节：估计 29 Hz、建图 13 Hz、GPU 显存 3.51 GB）。\n\n## 3. 关键公式与模块角色（深层分析）\n\n| 公式 | 位置 | 角色 |\n|---|---|---|\n| 式(2)–(4) | 第 IV-B 节 | 占据 log-odds 定义、σ_d 感知的逆传感器模型、递归融合——不确定性进入建图的入口 |\n| 式(5) | 第 IV-C 节 | 总代价函数：稀疏 VI 因子与稠密 o2p 因子的紧耦合非线性最小二乘 |\n| 式(6)–(7) | 第 IV-C 节 | o2p 残差与权重：σ_map + σ_d 决定每个深度点对位姿优化的贡献 |\n| 式(8)–(9) | 第 IV-D 节 | 立体网络 Laplacian 损失（含梯度项）：aleatoric 不确定性学习 |\n| 式(11) | 第 IV-D 节 | 视差→深度不确定性的线性化传播 |\n| 式(12)–(13) | 第 IV-D 节 | MVS 对数深度损失与双深度逆方差最优融合 |\n\n**推理链条**：网络不确定性（σ_u, σ_l）→ 线性化传播（σ_st, σ_mvs）→ 最优融合（σ_fuse）→ 同时驱动占据积分置信度（式 3 的斜率）与因子图权重（式 7），实现“一次预测、三处受益”的全概率化设计。与最相关工作的本质区别（第 II 节）：SigmaFusion [^23] 的建图与估计器解耦且内存密集；[^26] 面向精确 LiDAR 点云、无需精细不确定性加权；D3VO [^25] 非完整 SLAM。本文的视觉深度噪声大，不确定性必须贯穿建图与定位两条链路。\n\n## 4. 流程图\n\nmermaid\nflowchart TD\n  A[\"传感器输入: 立体图像 + IMU + 多相机\"] --> B[\"立体网络 (Unimatch+不确定性解码器)<br/>预测视差 u 与 σ_u\"]\n  A --> C[\"MVS 网络 (Simplemapping+不确定性解码器)<br/>预测 log-depth 与 σ_l\"]\n  B --> D[\"线性化传播<br/>d_st=f_c·b/u, σ_st=f_c·b/u²·σ_u\"]\n  C --> E[\"线性化传播<br/>d_mvs=exp(log d), σ_mvs=d_mvs·σ_l\"]\n  D --> F[\"逆方差最优深度融合 (式12-13)<br/>d_fuse, σ_fuse\"]\n  E --> F\n  F --> G[\"占据子图积分 (式2-4)<br/>σ_d 感知的逆传感器模型更新 log-odds\"]\n  B --> H[\"frame-to-map 因子<br/>(当前帧立体深度)\"]\n  G --> I[\"map-to-map 因子<br/>(共视子图选择与子图对齐)\"]\n  H --> J[\"因子图联合优化 (式5-7)<br/>重投影 + IMU预积分 + 相对位姿 + o2p因子<br/>权重 w=1/(σ_map²+σ_d²)\"]\n  I --> J\n  K[\"子图管理 (第IV-E节)<br/>重叠体积<ε_vol 新建子图; M_min 共视点回环\"] --> G\n  J --> L[\"子图位姿更新 → 全局一致地图\"]\n  J --> M[\"输出: 实时位姿 + 体积占据地图<br/>(估计29Hz, 建图13Hz)\"]\n  L --> M\n``n\n\n## 5. 小结\n\n论文的解题范式是**概率化贯穿**：以网络预测的逐像素不确定性为单一信息源，经线性化传播与逆方差融合获得最优深度，再将其同时注入占据积分的传感器模型（式 3）与因子图的 o2p 权重（式 7），并借助子图表示与共视回环维持全局一致性（第 IV-E 节）。消融实验（Table IV）验证了各组件的增量贡献：网络不确定性较启发式二次模型提升建图精度约 10%，深度融合进一步提升约 29%，最终在 EuRoC 与 Hilti-Oxford 上同时超越 SOTA 的定位与建图精度并保持实时性（第 V 节，Table I–V）。\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/评测设置\n\n## 1. 数据集与基准清单（浅层理解）\n\n| 名称 | 角色 | 规模/配置 | 场景 |\n|---|---|---|---|\n| EuRoC [^29] | 定位 + 建图双重评测（Table I、II、IV、V） | 11 段序列（MH01–MH05、V101–V203），双目相机 + IMU，无人机采集 | 室内 Vicon 房间，毫米级真值轨迹与点云（第 V-B 节） |\n| Hilti-Oxford [^10] | 定位评测 + 排行榜验证（Table III、Fig. 1） | 5 相机 + IMU 手持设备；Challenge 序列 exp01/02/03/07/09/11/15/21（exp04 用于 Fig. 1 可视化） | 大型建筑/室内场景，稀疏真值位置 + 毫米级稠密点云（第 V-C 节） |\n| TartanAir [^32] | 立体网络（Unimatch [^13]）预训练权重来源 | 大规模合成双目数据 | 多样化仿真环境（第 V-A 节） |\n| ScanNet [^34] | MVS 网络 [^17] 不确定性训练 | 室内 RGB-D 重建数据集 | 室内场景（第 V-A 节） |\n\n## 2. 预处理与划分/覆盖设置（中层分析）\n\n- **网络输入预处理**：所有输入图像统一降采样至 512×384 分辨率、10 Hz 送入网络（第 V-A 节）。\n- **MVS 网络输入构造**：8 张带最新优化位姿的图像（基线 3 cm 或 10 cm 可变），并附加稀疏路标深度图以收窄深度平面（第 V-A 节，继承 Simplemapping [^17] 做法）。\n- **传感器使用划分**：\n  - EuRoC：双目对 → 立体网络；左目图像 → MVS 网络（第 V-B 节）。\n  - Hilti-Oxford：全部 5 相机 → 视觉-惯性估计器；2 个前向相机 → 立体网络；前左相机 → MVS 网络；相机-IMU 外参采用**在线标定**（第 V-C 节）。\n- **建图/因子参数**：体素分辨率 2.5 cm；l_min = -5.015；子图生成阈值 ε_vol = 0.2；共视点数阈值 M_min = 100；frame-to-map 因子最多 200 点、map-to-map 因子最多 1000 点，超限时按最低不确定性下采样（第 IV-E、V-A 节）。\n- **不确定性校准**：训练后对预测不确定性乘以常数增益，使验证集上平均 Mahalanobis 距离等于 1（第 V-A 节）。\n- **评测协议**：\n  - 定位：估计轨迹先经 SE(3) 对齐真值；EuRoC 报 ATE RMSE（分 causal / non-causal，第 V 节）；Hilti-Oxford 用官方分数（位置误差 cm 映射到 [^0] [^100] 分，[^1][^10]）。\n  - 建图：marching cubes [^30] 重建子图 mesh 并按子图位姿合并；顶点按 1 cm³ 体素下采样后用 point-to-plane ICP 对齐；accuracy = 估计顶点到真值的平均距离（无阈值，单位 m）；completeness = 真值顶点落在估计顶点 0.2 m 内的比例（第 V 节）。\n- **对照设置**：EuRoC 定位对比均采用双目+惯性同配置（VINS-Fusion、OKVIS2、DVI-SLAM、ORB-SLAM3，Table I）；建图对比实现 Ours-Mono（仅左目、无立体网络）以与单目-惯性的 Simplemapping [^17] 公平比较（Table II）。\n\n## 3. 训练 / 推理 / 评测环境（中层分析）\n\n- **训练流程**（第 V-A 节）：\n  - 立体网络 [^13]：从 TartanAir 预训练权重微调（去除后处理以加速推理），在 correlation volume 后接入 MonoDepth2 [^33] 风格的不确定性解码器，冻结其余权重，以 Laplacian 损失（式 8）训练视差不确定性。\n  - MVS 网络 [^17]：加入与深度解码器同构的不确定性解码器，从预训练权重出发在 ScanNet 上以 log-depth Laplacian 损失（式 13）训练，其余权重冻结。\n- **推理/评测硬件**：Intel i7-13700 CPU + Nvidia RTX3080 GPU 的 PC（第 V-A 节）。\n- **优化器**：Ceres Solver [^35]，每个数据集使用相同参数集（第 V-A 节）。\n- **实时性与资源**（Table V，MH01 实测）：VI 优化 34.3±6.6 ms、占据更新 11.6±3.6 ms、立体网络 56.3±24.1 ms、MVS 网络 75.9±9.7 ms；带闭环后台优化的估计器运行 29 Hz（基线 OKVIS2 为 41 Hz），建图 13 Hz（瓶颈为 MVS 网络）；两网络推理仅占 3.51 GB GPU 显存（第 V-E 节）。\n\n## 4. 选择理由与验证目标（深层分析）\n\n- **EuRoC 的作用**：作为 VI-SLAM 标准基准，其毫米级 Vicon 真值同时支撑定位（ATE，Table I）与建图（mesh accuracy/completeness，Table II）双重验证。结果显示 causal 评测中通过 occupancy-to-point 因子超越基线 OKVIS2（平均 0.041 m vs 0.043 m），non-causal 与基线持平（0.030 m），作者据此推断深度融合难以在已达 3 cm 级精度的轨迹上进一步增益（第 V-B 节）；建图上 Ours 平均 accuracy 0.057 m / completeness 55.40%，显著优于 Simplemapping 的 0.144 m / 50.71%。\n- **Hilti-Oxford 的作用**：验证多相机手持、更大尺度真实场景的可扩展性与部署可行性（在线外参标定贴近实际）；non-causal 总分 199.35 位列已发表方法第一（Table III，[^38] 排行榜），causal/non-causal 平均位置误差分别为 13.3 cm / 6.1 cm（第 V-C 节）；exp04 上建图 accuracy 9.4 cm、completeness 62.2%（Fig. 1）。\n- **训练集选择**：TartanAir 与 ScanNet 分别为立体匹配与多视图深度提供大规模稠密监督，配合 Laplacian 损失学习 aleatoric 不确定性（式 8、13），是全概率化框架（占据积分式 2–4、因子加权式 7）可靠性的上游保障。\n- **消融验证**（Table IV，EuRoC 全序列平均）：逐步加入立体网络（S）、不确定性（U）、深度融合（F），建图 accuracy 由 0.080 m → 0.072 m（网络不确定性较启发式二次模型 [^5] 提升 10%）→ 0.057 m（深度融合提升 29%），ATE-C 由 0.043 → 0.041 m，逐项证明各贡献有效。\n- **局限与风险**：论文未披露训练/验证集的具体划分方式与不确定性校准增益数值，影响复现完整性；EuRoC 建图 completeness 绝对值偏低（约 55%），反映快速飞行下视角覆盖的固有限制；Hilti-Oxford 部分序列（exp03、exp21）各方法得分均为 0，区分度有限（Table III）。\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：评价指标与实验结果\n\n## 1. 评价指标（定义与简要说明）\n\n- **定位精度**：\n  - **ATE RMSE [m]（EuRoC，Table I）**：估计轨迹先经 SE(3) 对齐到真值，再计算绝对轨迹误差均方根；区分 **causal**（仅使用当前时刻之前的测量）与 **non-causal**（回环闭合后的最终轨迹）（第 V 节开头）。数值越小越好。\n  - **Hilti-Oxford 定位分数（Table III）**：按官方规则将位置误差（cm）缩放至 0–100 分，分数越高越好（第 V 节、[^1][^10]）。\n- **建图精度**（第 V 节）：子图 mesh 由 marching cubes [^30] 重建并按子图位姿合并，估计与真值顶点以 1 cm³ 体素下采样后用 point-to-plane ICP 对齐。\n  - **Mesh accuracy [m]（无阈值）**：所有估计顶点到真值的平均距离，越小越好。\n  - **Completeness [%]（0.2 m 阈值）**：距估计顶点 0.2 m 以内的真值顶点比例，越大越好。\n- **实时性与资源（Table V）**：各模块耗时 mean±σ [ms]、系统运行频率（Hz）与推理 GPU 显存（GB）。\n\n## 2. 主要结果（具体数字）\n\n### 2.1 EuRoC 定位（Table I，ATE [m]，11 条序列平均）\n\n- **Causal**：Ours **0.041** < OKVIS2 0.043 < DVI-SLAM 0.051 < VINS-Fusion 0.138。\n- **Non-causal**：Ours **0.030** = OKVIS2 0.030 < ORB-SLAM3 0.035。\n- 推理链：non-causal 下基线 OKVIS2 已达 3 cm 级精度，深度融合带来的额外约束无法进一步提升（作者自述，第 V-B 节）；causal 下 occupancy-to-point 因子带来可测量的改进。\n\n### 2.2 EuRoC 建图（Table II，6 条 V 序列平均）\n\n- **Accuracy**：Ours **0.057 m** < Ours-Mono 0.082 m < Simplemapping 0.144 m（相对 Simplemapping 降低约 60%）。\n- **Completeness**：Ours **55.40%** > Ours-Mono 50.91% > Simplemapping 50.71%（+4.7 个百分点）。\n- Fig. 4 定性显示 V102 中 Ours 在房间边缘处 mesh 误差明显更低。\n\n### 2.3 Hilti-Oxford 定位（Table III，8 条 Challenge 序列总分）\n\n- **Causal**：Ours **44.57** vs OKVIS2 42.66。\n- **Non-causal**：Ours **199.35** > OKVIS2 170.70 > XR Penguin 150.62 > BAMF-SLAM 40.86。\n- 撰稿时在已发表方法中**排行榜第一**（[^38]）；平均位置误差 causal **13.3 cm**、non-causal **6.1 cm**（第 V-C 节）。\n- exp04（Fig. 1）：accuracy **9.4 cm**、completeness **62.2%**。\n- 细节注意：causal 的 exp07（15.00 vs 6.67）与 exp15（20.00 vs 14.44）上 Ours 低于 OKVIS2，说明改进并非在所有序列上一致。\n\n### 2.4 实时性与显存（Table V，MH01）\n\n- VI 优化 **34.3±6.6 ms**（OKVIS2 24.2±5.3 ms）；占据更新 11.6±3.6 ms；stereo 网络 56.3±24.1 ms；MVS 网络 75.9±9.7 ms（瓶颈）。\n- 估计器（含后台回环优化）**29 Hz**（OKVIS2 为 41 Hz）；建图 **13 Hz**；两网络推理仅占 **3.51 GB** GPU 显存（第 V-E 节）。\n\n## 3. 与基线/代表性先前工作对比\n\n- **定位**：以 OKVIS2 [^1] 为基线，causal ATE 由 0.043 降至 0.041 m（Table I）；non-causal 持平（0.030 m）；显著优于 VINS-Fusion [^4]、DVI-SLAM [^31]、ORB-SLAM3 [^2]。\n- **建图**：对比 Simplemapping [^17]（相同指标自测，Table II 脚注），accuracy 0.057 vs 0.144 m；即使纯单目-惯性的 Ours-Mono（0.082 m）也优于 Simplemapping，说明不确定性占据积分本身即有贡献。\n- **Hilti-Oxford**：non-causal 总分领先 OKVIS2、BAMF-SLAM [^36]、XR Penguin [^37]（Table III），支撑“state of the art”的声明（摘要、贡献列表第 3 条）。\n\n## 4. 消融、敏感性与跨工作差异\n\n### 4.1 消融（Table IV，EuRoC 全序列平均）\n\n| 配置 | ATE-C [m] | ATE-NC [m] | Acc. [m] | Comp. [%] |\n|---|---|---|---|---|\n| Baseline（OKVIS2） | 0.043 | 0.030 | - | - |\n| + Stereo network | 0.045 | 0.032 | 0.080 | 50.38 |\n| + Uncertainty | 0.043 | 0.031 | 0.072 | 50.31 |\n| + Depth fusion | **0.041** | **0.030** | **0.057** | **55.40** |\n\n- 推理链：仅加 stereo 网络（启发式二次不确定性）反而略降定位精度（0.045 vs 0.043）；引入网络预测不确定性后恢复基线水平并将建图精度较启发式模型提升 **10%**（0.072 vs 0.080）；再叠加深度融合使建图精度较仅 stereo 提升 **29%**（0.057 vs 0.080），同时 causal ATE 达到最优 0.041 m（第 V-D 节）。结论：**不确定性感知与深度融合的主要收益在建图精度，定位保持或小幅改善**。\n\n### 4.2 敏感性\n\n- 正文**未提供** ε_vol、M_min、不确定性校准增益等超参数的敏感性分析（与 Module A 缺失项一致）；仅给出固定取值：l_min=-5.015、ε_vol=0.2、M_min=100、体素分辨率 2.5 cm、frame-to-map/map-to-map 因子最多 200/1000 点（第 V-A 节）。\n\n### 4.3 跨论文差异综合\n\n- 与 SigmaFusion [^23]（不确定性积分但建图与估计器解耦、内存密集）和 [^26]（occupancy-to-point 因子但依赖精确 LiDAR）相比，本文在 Table I–III 中未直接数值对比二者，而是以 OKVIS2/Simplemapping 为主要对照；其差异化优势（紧耦合 + 全链路不确定性传播）主要由消融（Table IV）与建图指标（Table II）间接支撑。\n- 总体结论：定位与建图精度均达到或超过 state of the art，同时以 13 Hz 建图、29 Hz 估计、3.51 GB 显存满足实时性（第 V-E 节、第 VI 节）。\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：未来可探索的方向（What could be explored next?）\n\n## 一、浅层理解：论文自述的未来工作（第 VI 节）\n\n作者在第 VI 节明确列出三个后续方向，构成最直接的探索起点：\n\n1. **动态物体处理**：当前系统假设环境静态，动态物体（如行人）会被错误积分进占据子图，产生“鬼影”占据（第 VI 节；Fig. 1 展示的均为静态场景）。\n2. **认知不确定性**：目前仅通过 Laplacian 损失学习偶然不确定性 aleatoric uncertainty（第 IV-D 节，式 8、13），未建模网络参数带来的 epistemic uncertainty（第 VI 节）。\n3. **与导航控制闭环**：将状态与地图不确定性传递给下游规划与控制，兑现摘要中“directly usable for downstream robotic planning and control”的主张（第 VI 节）。\n\n## 二、中层分析：按理论 / 工程 / 数据评估三线展开\n\n### A. 理论方向\n\n1. **引入 epistemic 不确定性并统一融合**：在 stereo/MVS 网络中加入 MC-Dropout 或深度集成以估计模型不确定性，并与 aleatoric 项联合进入最优融合（式 12–13）。核心理论问题：两类不确定性在占据 log-odd 更新（式 2–4）与 occupancy-to-point 权重（式 7）中应如何组合，例如总方差分解 σ²_total = σ²_alea + σ²_epi 是否仍保持估计一致性。\n2. **相关性感知的深度融合**：式 13 的最优融合假设 stereo 与 MVS 深度估计相互独立；当 motion stereo 基线与静态基线接近时两估计强相关，独立假设会高估融合置信度。可推导含互协方差的广义融合公式，并分析其对占据积分偏差的影响。\n3. **不确定性校准的理论化**：目前仅用常数增益使验证集平均 Mahalanobis 距离为 1（第 V-A 节），缺乏逐像素校准保证；可引入共形预测（conformal prediction）或按深度分箱校准，为占据概率提供统计覆盖保证。\n4. **占据积分的统计一致性**：piece-wise linear inverse sensor model（式 3）是 log-odd 的近似；可研究在 learned σ_d 下该近似的偏差界，或直接从概率占据定义推导精确贝叶斯更新，替代 Supereight2 的启发式线性/二次模型（第 IV-B 节）。\n5. **因子图性质分析**：Tukey 鲁棒核加不确定性加权（式 5、7）对位姿可观测性、收敛域与鲁棒性的影响尚缺理论刻画，可借助鲁棒统计与可观测性分析工具补齐。\n\n### B. 工程方向\n\n1. **实时性瓶颈优化**：Table V 显示 MVS 网络 75.9 ms、stereo 网络 56.3 ms，建图仅 13 Hz（第 V-E 节）；可通过 TensorRT/INT8 量化、按关键帧触发 MVS、成本体降维等手段逼近传感器帧率。\n2. **大规模内存管理**：当前子图无淘汰机制，长期运行内存持续增长；可借鉴 Voxgraph [^21] 的子图流式化思想，结合占据熵决定子图冻结、合并与降采样（第 IV-E 节子图管理可扩展）。\n3. **动态物体分割前端**：接入实例分割或几何一致性检验，在深度积分前剔除动态像素，直接回应第 VI 节的静态假设局限。\n4. **多传感器扩展**：沿用同团队 LiDAR-视觉工作 [^26] 的框架，将 LiDAR 高精度深度与网络深度按不确定性加权融合；亦可扩展至鱼眼多相机（Hilti-Oxford 已用 5 相机，第 V-C 节）或事件相机。\n5. **导航控制闭环**：将占据子图直接接入局部规划器（如提取 ESDF 或 A* 搜索），并把估计协方差传入 MPC，实现“感知—规划—控制”的不确定性端到端传播（第 VI 节）。\n6. **开源与复现**：文中未提供代码与训练脚本（Module A 第 3 节），开源 OKVIS2 + Supereight2 集成及不确定性网络权重是社区急需的工程贡献。\n\n### C. 数据与评估方向\n\n1. **更广的数据集验证**：目前仅 EuRoC（室内无人机，第 V-B 节）与 Hilti-Oxford（手持多相机，第 V-C 节）；应补充户外大尺度、雨雾/低光、高动态场景（如 TUM VI outdoor、Newer College、4Seasons），检验 Laplacian 不确定性学习的跨域泛化。\n2. **不确定性质量的专门评估**：现有指标仅 ATE 与 mesh accuracy/completeness（第 V 节）；应加入 sparsification plot、AUSE、NLL、校准曲线等直接度量深度不确定性的指标，量化“不确定性感知”本身的收益。\n3. **超参数敏感性分析**：l_min = -5.015、ε_vol = 0.2、M_min = 100、w_max 等取值（第 V-A 节）缺乏消融；需扫描这些阈值对建图精度、因子数量与实时性的影响。\n4. **更多建图基线对比**：Table II 仅对比 Simplemapping [^17]；应在相同协议下补充 SigmaFusion [^23]、Voxgraph [^21]、TANDEM [^22] 等的 accuracy/completeness，以支撑“state of the art”结论。\n5. **下游任务基准**：构建“占据地图 → 规划/避障”的闭环基准，量化不确定性加权地图对规划安全性与效率的提升，呼应摘要中 downstream planning 的主张。\n\n## 三、深层分析：优先级与研究路线建议\n\n- **短期（低风险、高收益）**：不确定性评估指标（C2）+ 超参敏感性（C3）。无需改动架构即可夯实论文主张的证据链——Table IV 消融已显示网络不确定性带来约 10% 建图精度提升、深度融合带来约 29% 提升（第 V-D 节），但缺乏直接的不确定性质量度量。\n- **中期**：动态物体剔除（B3）与实时性优化（B1），直接扩展系统适用范围并回应 Table V 中 MVS 网络造成的 13 Hz 建图瓶颈。\n- **长期（理论贡献最大）**：相关性感知融合（A2）与 epistemic 不确定性（A1），可将“全概率化 VI-SLAM”从 aleatoric 推广到完整贝叶斯框架，并与导航控制闭环（B5）串联成“不确定性端到端传播”的完整研究叙事。\n\n**依据链**：第 VI 节自述局限 → 第 IV-D 节独立性假设与 Laplacian 损失 → 第 V-A 节常数增益校准与固定超参 → Table V 时延瓶颈 → Table II/IV 评估协议缺口。\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：真实世界部署视角（How would this show up in real-world use?）\n\n## 1. 浅层理解：部署形态与硬件门槛\n\n### 1.1 传感器与平台配置\n\n- **立体-惯性配置**（EuRoC 无人机数据，第 V-B 节）：双目相机 + IMU，双目图像供立体网络，左目图像供 MVS 网络。\n- **多相机-惯性配置**（Hilti-Oxford 手持设备，第 V-C 节）：5 个相机 + IMU，其中 2 个前向相机用于立体网络、前左相机用于 MVS 网络，且相机-IMU 外参需**在线标定**（第 V-C 节），说明系统对安装误差有一定容忍但依赖在线校准流程。\n- 输出为实时位姿 + 体积占据子图地图（Fig. 1、Fig. 2），可直接供下游规划与控制使用（摘要、第 I 节）。\n\n### 1.2 硬件要求\n\n- 实验平台：**Intel i7-13700 CPU + Nvidia RTX3080 GPU**（第 V-A 节），即桌面级 GPU。\n- GPU 显存：推理时立体与 MVS 网络仅占 **3.51 GB**（第 V-E 节），对嵌入式 GPU（如 Jetson Orin 级）有一定可行性，但论文未在嵌入式硬件上验证。\n- 部署含义：无 GPU 的纯 CPU 平台无法运行深度网络部分，系统不提供降级模式。\n\n### 1.3 关键运行参数（第 V-A 节）\n\n- 图像下采样至 **512×384 @ 10 Hz** 送入网络。\n- 体素分辨率 **2.5 cm**；l_min = -5.015、ε_vol = 0.2、M_min = 100。\n- frame-to-map 因子最多 200 点、map-to-map 因子最多 1000 点（超限则按最低不确定性降采样）。\n- 优化器为 Ceres Solver [^35]，且**每个数据集使用同一套参数**——但跨场景（室内→室外）迁移仍需重新调参。\n\n## 2. 中层分析：计算与延迟影响\n\n### 2.1 各模块耗时（Table V，EuRoC MH01 实测）\n\n| 模块 | 耗时 (ms) | 说明 |\n|---|---|---|\n| VI 优化 | 34.3 ± 6.6 | 相比基线 OKVIS2（24.2 ± 5.3）增加约 42%，来自 occupancy-to-point 因子 |\n| 占据更新 | 11.6 ± 3.6 | 子图 log-odd 积分 |\n| 立体网络 | 56.3 ± 24.1 | 方差大，存在 GPU 调度抖动风险 |\n| MVS 网络 | 75.9 ± 9.7 | **系统瓶颈** |\n\n### 2.2 系统级实时性（第 V-E 节）\n\n- 估计器（含后台回环优化）运行于 **29 Hz**（基线 OKVIS2 为 41 Hz）。\n- 建图管线运行于 **13 Hz**，瓶颈为 MVS 网络（第 V-E 节、第 VI 节）。\n- 部署含义：对慢速平台（手持扫描、室内低速无人机）足够；对高速平台（>5 m/s 飞行）13 Hz 建图可能造成前沿体素更新滞后，需降低 MVS 输入频率或缩小视锥。\n- MVS 网络每次需输入 **8 张带最新位姿的图像**（第 V-A 节），意味着系统需维护关键帧位姿缓冲，位姿优化完成前 MVS 推理需排队，形成估计-建图的流水线耦合。\n\n## 3. 深层分析：鲁棒性与安全性\n\n### 3.1 不确定性机制带来的安全增益\n\n- 第 I 节明确动机：低纹理区域等高不确定像素的置信度应被折减（discounted）以实现**安全机器人感知**。\n- 式(3) 分段线性逆传感器模型：深度标准差 σ_d 直接控制 log-odd 上升斜率（|l_min|/(3σ_d)），不确定测量对占据的贡献被自动压低。\n- 式(7) occupancy-to-point 权重 w = 1/(σ_map² + σ_d²)：噪声深度在因子图中被**像素级降权**，与使用精确 LiDAR 的 [^26] 形成关键区别（第 IV-C 节）。\n- 消融实验（Table IV）：网络预测不确定性较启发式二次模型使建图精度提升 **10%**，深度融合再提升 **29%**（第 V-D 节），证明不确定性传播不仅是理论完备性，且有实测收益。\n\n### 3.2 已知局限与风险（第 VI 节）\n\n- **动态物体未处理**：动态场景下占据地图会残留“鬼影”，对下游导航规划构成安全风险。\n- **仅建模 aleatoric（偶然）不确定性**：网络在分布外场景可能过度自信；epistemic 不确定性被列为未来工作（第 VI 节）。\n- **不确定性校准脆弱**：校准仅靠验证集上乘以常数增益使平均 Mahalanobis 距离为 1（第 V-A 节），域偏移（如室内训练→室外部署）下校准可能失效，进而影响融合与加权。\n\n### 3.3 鲁棒性机制\n\n- 鲁棒核函数：重投影误差用 Cauchy、occupancy-to-point 因子用 Tukey（式(5)），抑制离群深度对位姿估计的污染。\n- 子图表示将位姿漂移影响局部化，子图位姿可在优化后修正以维持全局一致（第 III 节、第 IV-E 节）。\n- 深度融合（式(12)–(13)）在立体与 MVS 间按不确定性自动权衡：静止时依赖小基线立体、运动时大基线 MVS 增益（Fig. 3），提供了一定的场景自适应能力。\n\n### 3.4 安全部署检查清单\n\n- 需监控：输入图像质量（低纹理/过曝/运动模糊）、GPU 推理延迟抖动（立体网络 ±24.1 ms 方差）、子图生成频率（ε_vol 触发）。\n- 失效模式：MVS 与立体网络同时失效（如纹理缺失 + 光照异常）时无降级方案，占据地图将停滞而估计器仍输出位姿——下游规划需感知地图新鲜度。\n\n## 4. 可维护性\n\n### 4.1 代码与依赖\n\n- 论文**未提供开源代码**（Module A 输入校验结论），复现门槛高。\n- 系统构建于两个外部框架：OKVIS2 [^1]（估计器）与 Supereight2 [^5]（占据子图建图）（第 III 节），后者开源，可部分复用。\n- 网络基于 Unimatch [^13] 与 Simplemapping 的 MVS 网络 [^17] 改造：需自行添加不确定性解码器（MonoDepth2 [^33] 风格）并微调（第 V-A 节）。\n\n### 4.2 训练与标定维护\n\n- 立体网络自 TartanAir [^32] 预训练权重微调（去掉后处理以加速推理），MVS 网络在 ScanNet [^34] 上训练不确定性（第 V-A 节）——换传感器（基线、分辨率、帧率）需重新训练/微调。\n- 不确定性校准增益需在**目标域验证集**上重新计算，属于部署时的常规维护项。\n- ε_vol、M_min、l_min 等参数缺乏敏感性分析（Module A 风险项），跨场景迁移需经验调参。\n\n### 4.3 长期运行考量\n\n- 子图数量随运行时间增长，论文未给出长时运行的内存/显存曲线；octree 自适应多分辨率（Supereight2）有助于控制内存，但大尺度场景仍需验证。\n- w_max 饱和机制（式(4)）防止 log-odd 无限累积，有利于长期地图一致性。\n- 地图持久化、重载与重定位到已有地图未在文中讨论，实际部署需自行扩展。\n\n## 5. 落地场景适配建议\n\n| 场景 | 适配度 | 关键调整 |\n|---|---|---|\n| 手持扫描/测绘 | 高 | 直接可用；Hilti-Oxford 排行榜已验证（Table III，非因果总分 199.35 居首，第 V-C 节） |\n| 室内无人机/机器人 | 中-高 | 需嵌入式 GPU；13 Hz 建图对慢速运动足够 |\n| 大尺度室外 | 中 | 依赖 MVS 网络泛化性；建议室外数据微调并重校准不确定性 |\n| 动态环境 | 低 | 未处理动态物体（第 VI 节），需外接分割/过滤模块 |\n\n## 6. 小结\n\n该系统在桌面级 GPU 硬件上已验证实时性（估计 29 Hz、建图 13 Hz、GPU 显存 3.51 GB，第 V-E 节），其全链路不确定性传播（式(3)、(7)、(12)–(13)）为安全感知提供了统计基础，并有消融实验支撑（Table IV）。真实落地需解决四件事：① 嵌入式算力适配与 GPU 调度抖动；② 动态物体处理；③ epistemic 不确定性与跨域校准；④ 可维护性短板（无开源代码、参数敏感性未知、无长期运行数据）。\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\n本文提出一种不确定性感知的视觉-惯性SLAM系统，将稀疏重投影误差、IMU预积分与相对位姿因子同稠密体积占据子图建图紧耦合联合优化（第I节；Fig. 2）。系统以OKVIS2为视觉-惯性估计基座、Supereight2为占据子图建图基座（第III节）。作者为立体网络（Unimatch）与MVS网络（Simplemapping）增加不确定性解码器，并通过Laplacian损失学习逐像素视差/深度不确定性（第IV-D节，式8–11）。基于预测不确定性，系统对静态立体（小基线、静止时可靠）与运动立体（大基线）的深度进行最优融合（式12–13），显著提升建图质量。融合深度及其不确定性进一步传播到占据log-odd积分的逆传感器模型（式2–4）以及因子图中occupancy-to-point因子（frame-to-map与map-to-map）的加权（式5–7）。在EuRoC与Hilti-Oxford两个基准数据集上的评估表明，该方法在定位与建图精度上均超越现有最优方法（第V节，Table I–III）。系统可实时运行：估计器约29 Hz、建图约13 Hz，GPU推理显存仅3.51 GB（第V-E节，Table V）。\n\n## 2. 五个关键要点\n\n1. **全概率化不确定性传播**：网络预测的深度不确定性贯穿整个管线——从占据积分的逆传感器模型（式2–4）到因子图优化的权重 $\\mathbf{W}_{o2p}$（式7），取代了传统启发式二次不确定性模型（第IV-B/C节）。\n2. **立体+MVS最优深度融合**：静态立体与运动立体基线互补，两者基于预测不确定性按方差倒数加权融合（式12–13）；消融实验显示融合使建图精度较启发式不确定性提升约29%（第IV-D节；Table IV）。\n3. **紧耦合占据子图与因子图**：occupancy-to-point因子（frame-to-map与map-to-map）将稠密子图几何直接约束进视觉-惯性估计器，实现全局一致、可扩展的大尺度地图（第IV-C节，式5–6）。\n4. **子图管理策略**：通过当前深度视锥与最新子图的重叠体积阈值 $\\epsilon_{vol}$ 触发新子图生成，并基于共视稀疏路标点（至少 $M_{min}$ 个）选取最重叠的最旧子图构建几何回环因子（第IV-E节）。\n5. **SOTA性能与实时性**：EuRoC因果ATE平均0.041 m、mesh accuracy 0.057 m；Hilti-Oxford排行榜已发表方法中排名第一（因果得分对应平均位置误差13.3 cm，非因果6.1 cm）；建图13 Hz实时输出可直接服务于下游机器人规划与控制（Table I–III、V；第V-C节）。\n\n## 3. 核心公式/机制\n\n**最优不确定性感知深度融合**（第IV-D节，式12–13）：假设立体与MVS深度估计相互独立，按方差倒数加权融合：\n\n$$\\hat{d}_{\\mathrm{fuse}}=\\sigma_{\\mathrm{fuse}}^{2}\\left(\\sigma_{\\mathrm{st}}^{-2}\\hat{d}_{\\mathrm{st}}+\\sigma_{\\mathrm{mvs}}^{-2}\\hat{d}_{\\mathrm{mvs}}\\right),\\qquad \\sigma_{\\mathrm{fuse}}^{2}=\\left(\\sigma_{\\mathrm{st}}^{-2}+\\sigma_{\\mathrm{mvs}}^{-2}\\right)^{-1}$$\n\n其中 $(\\hat{d}_{st}, \\sigma_{st})$ 为立体网络的深度与标准差（视差不确定性经线性化传播 $\\sigma_{st}=\\frac{f_c b}{u^2}\\sigma_u$，式11），$(\\hat{d}_{mvs}, \\sigma_{mvs})$ 为MVS网络的深度与标准差（log-depth不确定性经线性化 $\\sigma_{mvs}=\\hat{d}_{mvs}\\sigma_l$，式13）。该融合深度随后用于占据log-odd积分与子图对齐因子加权，构成“不确定性 → 深度融合 → 占据建图 → 因子图优化”的全链路概率传播机制（Fig. 2；Fig. 3定性展示融合效果）。\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# Module D：第二遍精读理解\n\n## 1. 论文结构树（Structure Tree）\n\n``nUncertainty-Aware Visual-Inertial SLAM with Volumetric Occupancy Mapping\n├── Abstract（贡献与结果概述）\n├── I. Introduction\n│   ├── 动机：稀疏路标地图无法显式建模自由/占据空间；深度不确定性应统计一致而非简单二次模型（第 I 节）\n│   └── 三条贡献：MVS+立体网络的不确定性深度融合；全概率化 VI-SLAM + 占据子图；实时 SOTA 验证\n├── II. Related Work\n│   ├── 多视深度网络：ACVNet[^12]、Unimatch[^13]、MVSNet[^15]、Simplerecon[^16]、Simplemapping[^17]\n│   └── 稠密/概率 SLAM：KinectFusion[^6]、Voxgraph[^21]、TANDEM[^22]、SigmaFusion[^23]、D3VO[^25]、最相关[^26]\n├── III. Definitions and Notations（坐标系 F_W/F_S/F_Ci/F_Mj、机器人状态 x；基于 OKVIS2[^1] 与 Supereight2[^5]）\n├── IV. Visual-Inertial Estimator（方法主体）\n│   ├── A. Overview（Fig. 2 系统框图）\n│   ├── B. Occupancy submapping（式 2 log-odds；式 3 分段线性逆传感器模型；式 4 递归均值更新）\n│   ├── C. Factor graph optimization（式 5 总代价；o2p 因子定义与 W_o2p 加权）\n│   ├── D. Uncertainty-aware depth fusion（损失式 8–13；深度融合公式）\n│   └── E. Submap management（阈值 ε_vol 新建子图；共视子图与 M_min；最旧共视子图做几何回环）\n├── V. Experimental Results\n│   ├── A. Implementation Details（网络微调与校准、512×384@10Hz、体素 2.5 cm、参数与硬件）\n│   ├── B. EuRoC（Table I 定位 ATE；Table II 建图精度/完整度；Fig. 4）\n│   ├── C. Hilti-Oxford（Table III 排行榜得分；Fig. 1）\n│   ├── D. Ablation Study（Table IV）\n│   └── E. Timings and memory（Table V）\n├── VI. Conclusion（局限：动态物体、epistemic 不确定性、与导航控制闭环）\n└── References [^1]–[^38]\n``n\n\n## 2. 方法/系统分解（method 型）\n\n### 2.1 输入与输出\n\n- **输入**：立体图像对 + IMU（EuRoC 配置）；Hilti-Oxford 上为 5 相机 + IMU（2 个前视相机供立体网络，前左相机供 MVS 网络，外参在线标定）（第 V-B/V-C 节）。\n- **输出**：实时机器人位姿轨迹 + 以子图组织的全局一致体积占据地图，可直接用于下游规划与控制（摘要、Fig. 1）。\n\n### 2.2 模块分解\n\n1. **立体网络（基于 Unimatch[^13]）**：从 TartanAir[^32] 预训练权重微调，去掉后处理精化以加速推理；在相关体积后接来自 MonoDepth2[^33] 的不确定性解码器并冻结其余权重，以 Laplacian 视差损失 L_st = L_u + L_∇ux + L_∇uy（式 8–9）加梯度损失（式 10）训练；视差→深度线性化传播 σ_st = (f_c·b/u²)·σ_u（式 11）。\n2. **MVS 网络（基于 Simplemapping[^17]）**：加与深度解码器同构的不确定性解码器，在 ScanNet[^34] 上以 log-depth Laplacian 损失 L_mvs（式 12–13）训练；σ_mvs = d̂_mvs·σ_l（式 13）。\n3. **不确定性校准**：训练后乘常数增益，使验证集平均 Mahalanobis 距离为 1（第 V-A 节）。\n4. **最优深度融合**：假设两路估计独立，按逆方差加权得 d̂_fuse 与 σ_fuse²（第 IV-D 节融合公式）；动机是小基线静态立体（静止时仍可靠）与大基线运动立体互补（Fig. 3 为证据）。\n5. **占据子图建图（基于 Supereight2[^5]，八叉树自适应多分辨率）**：log-odd 定义（式 2）；分段线性逆传感器模型以 σ_d 缩放自由/占据贡献（式 3，l_min=-5.015，τ∝深度）；多观测递归均值更新并饱和于 w_max（式 4）。关键改动：σ_d 用网络逐像素学习不确定性替代启发式线性/二次模型（第 IV-B 节）。\n6. **因子图优化（基于 OKVIS2[^1]）**：总代价（式 5）= 重投影误差（Cauchy 核）+ IMU 预积分 + 相对位姿因子 + occupancy-to-point 因子（Tukey 核）。o2p 因子要求点位于表面（L=0），分两类：frame-to-map（当前帧 × 最重叠子图，用立体深度，可在优化前构建）与 map-to-map（子图 × 最重叠子图，用已积分的融合深度）；权重 w_o2p = 1/(σ_map² + σ_d²)，σ_map = l_min/‖3∇L‖，即地图不确定性与深度不确定性相加（第 IV-C 节）。推理链：不确定性既进入占据积分（式 3），又进入因子图加权，实现全概率化紧耦合。\n7. **子图管理**：跟踪当前深度视锥与最新子图的重叠体积（视锥采样点近似），低于 ε_vol=0.2 时新建子图；按共观测稀疏路标记录共视子图，取点数 ≥ M_min=100 的最旧共视子图构建 map-to-map 因子实现几何回环；优化式 5 后更新子图位姿保证全局一致（第 IV-E 节）。\n\n### 2.3 训练/推理流程\n\n- **训练（离线）**：立体网络在 TartanAir 预训练权重上微调不确定性（冻结主干）；MVS 网络在 ScanNet 上训练不确定性；随后做增益校准（第 V-A 节）。\n- **推理（在线实时）**：图像降采样至 512×384@10Hz → 两网络预测深度+不确定性 → 最优融合 → 融合深度连同位姿积分进当前子图 → 由共视关系构建 frame-to-map / map-to-map 因子 → Ceres[^35] 求解式 5 → 更新位姿与子图位姿。MVS 输入 8 张带最新位姿的图像（基线 3 cm 或 10 cm）+ 稀疏路标深度先验；frame-to-map/map-to-map 因子最多取 200/1000 点，超限优先保留低不确定性点（第 V-A 节）。\n\n## 3. 重要图表解读（≥2 个）\n\n### Fig. 2（系统总览框图，第 IV-A 节）\n\n展示数据流：多相机图像 + IMU → 立体网络与 MVS 网络（各自输出深度与不确定性）→ 不确定性感知最优融合 → 融合深度扩展当前子图；同时立体深度构建 frame-to-map 因子、子图对构建 map-to-map 因子，全部进入视觉-惯性估计器联合优化。该图是理解核心设计的关键：不确定性同时驱动占据积分权重（式 3）与因子图权重 W_o2p，贯穿建图与定位两条链路。\n\n### Fig. 3（深度与不确定性对比，第 IV-D 节）\n\nEuRoC 上三行对比：(top) 11 cm 基线立体网络的逆深度（仅可视化）与标准差；(middle) 8 视角、最大 50 cm 基线 MVS 网络；(bottom) 融合结果。定性结论：近处风扇支架等细节立体网络更好，远处物体 MVS 更锐利——印证小/大基线互补假设；融合结果在不确定性加权下自然保留各自最优部分，是深度融合公式的可视化证据。\n\n### Table I（EuRoC ATE，第 V-B 节）\n\n11 条序列、causal/non-causal 两栏对比 VINS-Fusion、OKVIS2、DVI-SLAM、ORB-SLAM3 与 Ours。Ours causal 平均 0.041 m，优于基线 OKVIS2 的 0.043 m（加入 o2p 因子的收益）；non-causal 平均 0.030 m 与 OKVIS2 持平——作者解释 3 cm 级精度已接近深度融合的增益上限（第 V-B 节）。注意表注：ORB-SLAM3 结果取自其论文，OKVIS2 为作者自测，来源不完全一致。\n\n### Table IV（消融实验，第 V-D 节）\n\n四行递进：Baseline(OKVIS2) → +Stereo network → +Uncertainty → +Depth fusion。ATE-C/NC 从 0.043/0.030 → 0.041/0.030 m；建图 Accuracy 从 0.080 → 0.072 → 0.057 m，Completeness 从 50.38% → 55.40%。量化结论：学习不确定性较启发式二次模型[^5]提升建图精度约 10%，深度融合再提升约 29%（第 V-D 节）。说明定位收益主要来自 o2p 因子与不确定性加权，建图收益主要来自深度融合。\n\n（补充：Table V 显示 VI 优化 34.3±6.6 ms、占据更新 11.6±3.6 ms、立体网络 56.3±24.1 ms、MVS 网络 75.9±9.7 ms；估计器 29 Hz、建图 13 Hz、GPU 显存 3.51 GB，第 V-E 节。）\n\n## 4. 实验与评估细节\n\n- **数据集**：\n  - EuRoC[^29]：无人机采集，立体+IMU，Vicon 房间 mm 级轨迹与点云真值；立体对供立体网络，左目供 MVS 网络（第 V-B 节）。\n  - Hilti-Oxford[^10]：手持设备，5 相机+IMU，稀疏真值位置与 mm 级稠密点云；5 相机全进估计器，2 前视相机成立体对，前左相机进 MVS；相机-IMU 外参在线标定（第 V-C 节）。\n- **指标**：\n  - 定位：EuRoC 用 ATE RMSE（SE(3) 对齐后）；Hilti-Oxford 用官方得分（位置误差 cm 映射到 0–100 分），区分 causal（仅用当前时刻前观测）与 non-causal（最终回环闭合轨迹，含最终 bundle adjustment）。\n  - 建图：marching cubes[^30] 重建子图网格并按子图位姿拼接；1 cm³ 体素下采样后 point-to-plane ICP 对齐；Accuracy = 估计顶点到真值的平均距离（无阈值，单位米）；Completeness = 0.2 m 内真值顶点比例（第 V 节开头）。\n- **对比目标**：定位——VINS-Fusion[^4]、OKVIS2[^1]、DVI-SLAM[^31]、ORB-SLAM3[^2]（均为立体-惯性配置）；建图——Simplemapping[^17]；Hilti 排行榜——BAMF-SLAM[^36]、XR Penguin[^37]。当前在 HILTI 2022 排行榜已发表方法中排名第一（第 V-C 节）；causal 得分对应平均位置误差 13.3 cm，non-causal 6.1 cm；exp04 上 9.4 cm accuracy、62.2% completeness（Fig. 1）。\n- **公平性**：定位对比统一为 stereo-inertial 配置；与单目-惯性的 Simplemapping 对比时专门实现 Ours-Mono（仅左目、无立体网络）并使用相同指标（Table II 表注），保证公平；两个数据集使用同一套系统参数（第 V-A 节）。\n- **消融**：Table IV 逐项加入立体网络、不确定性、深度融合，分离各贡献对定位与建图的影响（详见第 3 节 Table IV 解读）。\n- **实时性/资源**：Table V；估计器 29 Hz（OKVIS2 基线 41 Hz），建图 13 Hz（MVS 网络为瓶颈），推理 GPU 显存 3.51 GB（第 V-E 节）。\n\n## 5. 方法原型图（ASCII 数据流图，适配 method 型）\n\n``n                ┌────────────────┐  深度 d̂_st, σ_st ──┐\n 立体图像对 ───▶│ 立体网络        │                    ├──▶ 最优深度融合 ──▶ 融合深度+不确定性\n (Unimatch+     │ (Laplacian 损失)│                    │    (逆方差加权)          │\n  不确定性解码)  └────────────────┘                    │                        ▼\n                ┌────────────────┐  深度 d̂_mvs,σ_mvs ─┘          ┌───────────────────────┐\n 左目 8 帧+位姿▶│ MVS 网络        │◀─ 稀疏路标深度先验             │ 占据子图(Supereight2)  │\n                │ (log-depth 损失)│                               │ log-odds 积分(式2–4)  │\n                └────────────────┘                               └───────────┬───────────┘\n                                                                             │ σ_map + σ_d 加权\n 立体深度 ──▶ frame-to-map 因子 ──────────────┐                                           ▼\n 子图对   ──▶ map-to-map 因子 ───────────────▶├──▶ 因子图优化(式5, Ceres) ──▶ 位姿 + 子图位姿更新\n IMU      ──▶ 预积分因子 ────────────────────┤         (OKVIS2)                     (全局一致地图)\n 路标     ──▶ 重投影/相对位姿因子 ────────────┘◀──────────── 反馈位姿 ──────────────────┘\n``n\n要点：不确定性（σ_st、σ_mvs → σ_fuse）同时驱动 占据积分的逆传感器模型（式 3）、 o2p 因子权重（第 IV-C 节），实现定位-建图的全概率化紧耦合（第 I、IV 节）；子图管理（第 IV-E 节）通过 ε_vol 与共视最旧子图策略维持均匀分布且带充分重叠的子图，支撑可扩展的全局一致建图。\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：第三遍精读与深度评审\n\n## 1. 可复现性重构（Reconstruction Notes）\n\n### 1.1 系统级伪代码\n\n基于第 III–V 节与 Fig. 2 的描述，系统主循环可重构如下：\n\n``n输入: 立体图像对 (I_L, I_R), 多相机图像 {I_i}, IMU 测量\n初始化: 基于 OKVIS2 [^1] 的因子图估计器 + Supereight2 [^5] 占据子图\n\n循环 每帧 (512×384 @ 10 Hz, 第 V-A 节):\n\n1. 立体网络 (微调 Unimatch [^13] + 不确定性解码器):\n   输出 (d_st, σ_st) # 式(10): σ_st = f_c·b/u²·σ_u\n2. MVS 网络 (Simplemapping [^17] + 不确定性解码器, 8 帧带位姿图像):\n   输出 (d_mvs, σ_mvs) # 式(11): σ_mvs = d̂_mvs·σ_l\n3. 最优深度融合 (式 12–13, 假设两估计独立):\n   d_fuse = σ_fuse²·(σ_st⁻²·d_st + σ_mvs⁻²·d_mvs)\n   σ_fuse² = (σ_st⁻² + σ_mvs⁻²)⁻¹\n4. 占据积分 (式 2–4, 分段线性逆传感器模型, σ_d = σ_fuse):\n   用 l_min = -5.015, τ ∝ d 更新当前子图 log-odd 均值 L\n5. 子图管理 (第 IV-E 节):\n   若视锥采样重叠体积 < ε_vol = 0.2 → 声明新子图\n   记录共视子图; 取共视中 ≥ M_min = 100 点的最旧子图建 map-to-map 因子\n6. 因子构建:\n   frame-to-map: 立体深度反投影点 vs 最重叠子图 (≤200 点)\n   map-to-map: 融合深度积分点 (≤1000 点)\n   权重 w_o2p = 1/(σ_map² + σ_d²), σ_map = l_min/‖3∇L‖ (式 7)\n7. Ceres 求解总代价 (式 5, Tukey 鲁棒核) → 更新位姿与子图位姿\n``n\n\n### 1.2 训练重构要点（第 V-A 节）\n\n- **立体网络**：从 TartanAir [^32] 预训练权重微调，去掉后处理以加速推理；冻结主干，仅训练新增不确定性解码器（结构取自 MonoDepth2 [^33]），损失为式 (8)–(9) 的 Laplacian 视差损失 + 水平/垂直梯度损失。\n- **MVS 网络**：在 ScanNet [^34] 上从预训练权重训练 log-depth 不确定性，损失为式 (13)。\n- **不确定性校准**：训练后乘以常数增益，使验证集上平均 Mahalanobis 距离等于 1（第 V-A 节）——这是复现的关键且易被忽略的步骤。\n- **缺失细节**：校准增益具体数值、训练超参（学习率、迭代次数）、ε_vol 与 M_min 的敏感性分析均未给出，完整复现需自行调参。\n\n### 1.3 复现可行性评估\n\n- 硬件门槛明确：Intel i7-13700 + RTX3080（第 V-A 节），GPU 显存 3.51 GB（Table V）。\n- 依赖 OKVIS2、Supereight2、Unimatch、Simplemapping 四个外部组件的集成，工程量大；且论文未提供开源代码（Module A 第 3 节），复现成本高。\n\n## 2. 关键假设（Assumptions）\n\n- **不确定性校准有效**：网络预测的 aleatoric 不确定性经常数增益校准后统计一致，可直接作为高斯权重使用（第 V-A 节；式 7）。\n- **立体与 MVS 深度估计相互独立**：最优融合公式 (12)–(13) 的推导前提是两估计独立（第 IV-D 节），但两者共享输入图像，实际存在相关性，融合并非严格最优。\n- **静态环境**：整个概率框架未建模动态物体，动态干扰会被当作噪声深度积分进地图（第 VI 节明确列为未来工作）。\n- **表面附近占据近似线性**：occupancy-to-point 权重 σ_map = l_min/‖3∇L‖ 的推导依赖表面附近 log-odd 线性假设（式 7）。\n- **表面厚度 τ 与深度成正比**：逆传感器模型 (式 3) 中 τ 假设正比于深度测量（第 IV-B 节），属于启发式设定。\n- **重力对齐世界系与可靠外参**：世界系 F_W 重力对齐（第 III 节）；Hilti-Oxford 上依赖在线外参标定（第 V-C 节，Table III 脚注）。\n\n## 3. 失效模式与盲区（Failure Modes / Blind Spots）\n\n- **无纹理区域与物体边缘**：虽然论文动机正是此类区域需要折扣置信度（第 I 节），但 aleatoric 不确定性学习在分布外场景（如 EuRoC 训练域之外的纹理缺失墙面）可能系统性低估 σ_d，导致错误深度以高权重进入因子图（第 IV-D 节；第 VI 节承认缺少 epistemic 不确定性）。\n- **动态场景退化**：动态物体产生的深度会被积分进占据子图并生成 o2p 因子，污染地图且可能拖累位姿估计；系统无任何动态滤除机制（第 VI 节）。\n- **非因果精度增益有限**：Table I 显示非因果 ATE 与 OKVIS2 基线持平（均 0.030 m），作者自己承认“深度融合无法突破 3 cm 级精度”（第 V-B 节）；即不确定性建模的定位收益主要体现在因果模式与建图上，回环优化主导时贡献被稀释。\n- **个别序列负增益**：Hilti-Oxford 的 exp07（causal 15.00 vs 基线 6.67）与 exp15（causal 20.00 vs 14.44）上本文方法低于 OKVIS2 基线（Table III），提示深度融合在特定运动/场景模式下可能引入不稳定因子，论文未分析原因。\n\n## 4. 优点与不足（Strengths & Weaknesses）\n\n### 优点\n\n- **全链路概率化**：不确定性从网络预测（式 8–11）→ 最优深度融合（式 12–13）→ 占据积分（式 2–4）→ 因子图加权（式 5–7）全程传播，概念完整、公式自洽，是相对 [^26]（LiDAR 精确点云、无深度不确定性）与 SigmaFusion [^23]（建图与估计器解耦）的实质增量（第 II 节）。\n- **实验说服力强**：EuRoC causal ATE 0.041 m 优于 OKVIS2 的 0.043 m（Table I）；建图 accuracy 0.057 m / completeness 55.40% 显著优于 Simplemapping 的 0.144 m / 50.71%（Table II）；Hilti-Oxford 排行榜已发表方法第一（Table III，第 V-C 节）。\n- **消融清晰**：Table IV 逐项分解贡献——网络不确定性较启发式二次模型提升建图精度 10%，深度融合再提升 29%，验证了核心设计。\n- **实时性达标**：估计器 29 Hz、建图 13 Hz、GPU 显存仅 3.51 GB（Table V，第 V-E 节），满足下游规划控制的实时占据地图需求（摘要、Fig. 1）。\n\n### 不足\n\n- **无开源代码**：文中未提供代码链接（Module A 第 3 节），且系统集成四个外部组件，第三方复现门槛高。\n- **仅 aleatoric 不确定性**：未建模模型认知不确定性（epistemic），对训练分布外的深度过度自信问题无解（第 VI 节自认）。\n- **建图绝对质量仍有限**：EuRoC 上平均 completeness 仅 55.40%（Table II），约一半真值顶点未被 0.2 m 内的估计覆盖，距离“可用于精细规划”仍有差距。\n- **超参缺乏敏感性分析**：l_min、ε_vol、M_min、点数上限（200/1000）与校准增益均一次性给定（第 V-A 节），未报告对结果的敏感程度，泛化到新场景的风险未知。\n- **独立性假设不严格**：立体与 MVS 深度共享同一场景观测，式 (12)–(13) 的“最优”融合在相关性存在时退化为次优（第 IV-D 节）。\n\n## 5. 下一步研究方向（Next-Step Research）\n\n- **动态物体处理**：在占据积分与 o2p 因子构建前加入动态掩码或运动一致性检验，防止动态干扰污染子图（第 VI 节明确提出）。\n- **引入 epistemic 深度不确定性**：通过深度集成（deep ensembles）或贝叶斯神经网络补充模型不确定性，并与 aleatoric 联合进入融合与加权框架，提升分布外鲁棒性（第 VI 节）。\n- **与导航控制闭环**：将占据地图及其不确定性直接馈入规划器/控制器，实现考虑状态不确定性的安全自主飞行或操作（第 VI 节；可衔接 [^27] 的无人机森林飞行工作）。\n- **超参与校准的系统研究**：对 ε_vol、M_min、l_min 及不确定性校准增益做敏感性分析，并探索跨数据集的自动校准，以支撑论文方法在未调参新场景中的可靠部署（针对第 V-A 节缺失项）。\n\n## 6. 评审式总结\n\n本文在“方法”类论文中属于**架构集成 + 概率化改造**型贡献：核心创新点（不确定性贯穿深度融合、占据积分与因子图加权）逻辑闭环完整，实验覆盖定位、建图、消融与实时性四个维度且均有正收益（Table I–V）。主要风险在于工程复现门槛（无代码、多组件集成）、独立性假设的松散性，以及 aleatoric-only 不确定性在分布外场景的可靠性。若后续开源并补充动态场景与 epistemic 不确定性，该框架有潜力成为不确定性感知稠密 VI-SLAM 的参考基线。\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## 一、术语表（Glossary，共 35 条）\n\n### 1. VI-SLAM（视觉-惯性同步定位与建图）\n\n- **英文术语**：Visual-Inertial SLAM (VI-SLAM)\n- **定义**：联合相机与惯性测量单元（IMU）测量，同时估计机器人位姿并构建环境地图的方法。\n- **直觉**：相机提供丰富外观信息但缺绝对尺度，IMU 提供度量尺度与高频运动先验，二者互补。\n- **论文中的作用**：本文整体框架；基于 OKVIS2 [^1] 的估计器并与体积占据建图紧耦合（第 I、IV 节）。\n- **前置知识**：状态估计、非线性最小二乘、相机与 IMU 的互补特性。\n\n### 2. Factor graph optimization（因子图优化）\n\n- **英文术语**：Factor graph optimization\n- **定义**：将状态估计表示为变量节点（位姿、速度、偏置）与因子（测量约束）构成的图，联合最小化所有残差代价（式 5）。\n- **直觉**：每个测量如一条弹簧，把相关变量拉向全局一致的状态配置。\n- **论文中的作用**：估计器骨架；新增的 occupancy-to-point 因子被加入该图并用 Ceres 求解（第 IV-C 节）。\n- **前置知识**：非线性最小二乘、稀疏线性代数、Ceres 求解器 [^35]。\n\n### 3. IMU pre-integration（IMU 预积分）\n\n- **英文术语**：IMU pre-integration\n- **定义**：在两帧之间对 IMU 测量积分得到相对运动约束 e_s，与积分起点的绝对位姿解耦。\n- **直觉**：用高频惯性数据桥接两帧间运动，约束轨迹平滑性与度量尺度。\n- **论文中的作用**：总代价（式 5）第二项，权重 W_s 来自 IMU 不确定性传播。\n- **前置知识**：刚体运动学、IMU 偏置模型、误差状态传播。\n\n### 4. Reprojection error（重投影误差）\n\n- **英文术语**：Reprojection error\n- **定义**：将三维路标投影回图像平面与观测像素位置之差 e_r，视觉 SLAM 的标准残差。\n- **直觉**：路标应出现在它被观测到的位置。\n- **论文中的作用**：式 5 第一项，配合 Cauchy 鲁棒核 ρ_c，权重 W_r 来自重投影协方差（第 IV-C 节）。\n- **前置知识**：针孔相机模型、外参标定。\n\n### 5. Relative pose factor（相对位姿因子）\n\n- **英文术语**：Relative pose factor\n- **定义**：约束位姿图中两帧相对位姿的误差项 e_p（式 5 第三项）。\n- **直觉**：即使绝对位姿漂移，共视帧间的相对关系应保持。\n- **论文中的作用**：继承自 OKVIS2 的位姿图结构，权重 W_p 来自路标边缘化（第 IV-C 节）。\n- **前置知识**：位姿图、边缘化（marginalization）。\n\n### 6. Occupancy mapping（占据建图）\n\n- **英文术语**：Volumetric occupancy mapping\n- **定义**：将空间体素化并维护每个体素被占据概率的地图表示，可直接用于规划与控制。\n- **直觉**：与 TSDF 记录到表面距离不同，占据地图直接回答某格子被占的概率。\n- **论文中的作用**：本文稠密地图表示，基于 Supereight2 [^5]（第 I、IV-B 节）。\n- **前置知识**：体素化、占据栅格地图。\n\n### 7. Log-odds（对数几率）\n\n- **英文术语**：Log-odds\n- **定义**：占据概率的 logit 变换 l = log(P_occ/(1−P_occ))（式 2），使贝叶斯递归更新变为加权平均（式 4）。\n- **直觉**：概率接近 0 或 1 时数值稳定；多观测融合变成均值更新。\n- **论文中的作用**：子图体素存储的基本量；逆传感器模型（式 3）与 o2p 因子（式 6）均作用于 l。\n- **前置知识**：贝叶斯更新、logit 变换。\n\n### 8. Inverse sensor model（逆传感器模型）\n\n- **英文术语**：Piece-wise linear inverse sensor model\n- **定义**：由单次深度测量沿光线更新体素 log-odd 的分段线性模型（式 3），σ_d 控制表面不确定带宽度，τ 为表面厚度。\n- **直觉**：光线穿过处更空闲、表面附近更占据；σ_d 越大过渡越平缓。\n- **论文中的作用**：将网络预测的逐像素不确定性 σ_d 注入占据积分的关键接口（第 IV-B 节）。\n- **前置知识**：光线投射（ray casting）、传感器噪声模型。\n\n### 9. Submap（子图）\n\n- **英文术语**：Submap\n- **定义**：在局部坐标系 F_Mj 下维护的局部地图，子图间有几何重叠，其位姿可被估计器校正以实现全局一致（第 III 节）。\n- **直觉**：把大地图拆成可局部修正的拼图块，抑制位姿漂移累积。\n- **论文中的作用**：地图基本单元；重叠体积低于 ε_vol 时新建子图（第 IV-E 节）。\n- **前置知识**：地图表示、位姿图优化。\n\n### 10. Occupancy-to-point factor（占据到点因子）\n\n- **英文术语**：Occupancy-to-point (o2p) factor\n- **定义**：编码反投影点应位于表面（L=0）的因子 e_o2p（式 6），以 log-odd 梯度范数归一化。\n- **直觉**：把稠密地图当作软表面约束，把帧或子图拉回与地图几何一致的位置。\n- **论文中的作用**：本文核心创新之一，将占据地图与视觉-惯性估计器紧耦合（第 IV-C 节；源自 [^26] 并扩展到噪声深度）。\n- **前置知识**：因子图、标量场梯度。\n\n### 11. Frame-to-map factor（帧到地图因子）\n\n- **英文术语**：Frame-to-map factor\n- **定义**：用当前帧立体网络深度反投影点与其最重叠子图 o(k) 构建的 e_o2p（第 IV-C 节）。\n- **直觉**：让当前帧贴合已有地图，提供稠密配准约束。\n- **论文中的作用**：式 5 第四项；可在优化前构建，适用于因果（在线）模式。\n- **前置知识**：点云配准、因子图。\n\n### 12. Map-to-map factor（地图到地图因子）\n\n- **英文术语**：Map-to-map factor\n- **定义**：用第 m 个子图中已积分的融合深度与其最重叠子图 o(m) 构建的 e_o2p，实现子图对齐（第 IV-C、IV-E 节）。\n- **直觉**：相邻子图重叠区表面应重合，从而把子图缝合起来，形成几何回环。\n- **论文中的作用**：式 5 第五项；选取最旧且至少含 M_min=100 点的共视子图。\n- **前置知识**：子图对齐、回环检测。\n\n### 13. Stereo network（立体网络）\n\n- **英文术语**：Stereo network\n- **定义**：在矫正立体图像对上预测视差及（本文新增的）不确定性的深度网络；基于 Unimatch [^13] 加不确定性解码器（第 IV-D、V-A 节）。\n- **直觉**：左右图像中同一物体的横向错位量（视差）反比于深度。\n- **论文中的作用**：提供小基线、静止时仍可靠的深度 d_st 与 σ_st（式 10）；在 TartanAir 预训练上微调。\n- **前置知识**：立体匹配、图像矫正、视差-深度几何。\n\n### 14. MVS network（多视图立体网络）\n\n- **英文术语**：Multi-View Stereo (MVS) network\n- **定义**：给定多张已知位姿图像，在参考帧预测深度的网络；基于 Simplemapping 的 MVS 网络 [^17] 加不确定性解码器（第 IV-D 节）。\n- **直觉**：多视角三角化，基线可随运动增大，远处深度更准。\n- **论文中的作用**：提供大基线深度 d_mvs 与 σ_mvs（式 13）；是建图 13 Hz 的瓶颈（Table V）。\n- **前置知识**：多视图几何、代价体、透视变换（perspective warping）。\n\n### 15. Disparity（视差）\n\n- **英文术语**：Disparity\n- **定义**：矫正立体对中同一像素的横向位移 u；深度 d = f_c·b/u（式 10），f_c 为矫正焦距、b 为基线。\n- **直觉**：近处物体视差大，远处视差小。\n- **论文中的作用**：立体网络的直接输出；不确定性经线性化由视差域传播到深度域。\n- **前置知识**：三角测量、立体几何。\n\n### 16. Cost volume（代价体）\n\n- **英文术语**：Cost volume\n- **定义**：沿候选视差/深度平面堆叠匹配代价构成的高维张量，是立体/MVS 网络的核心中间表示（第 II 节）。\n- **直觉**：为每个深度假设打分，网络再从中回归最优深度。\n- **论文中的作用**：ACVNet、Unimatch、MVSNet、Simplerecon 等方法的共同骨架；本文网络在其后接不确定性解码器。\n- **前置知识**：立体匹配、3D 卷积。\n\n### 17. Depth uncertainty（深度不确定性）\n\n- **英文术语**：Depth uncertainty (σ_d)\n- **定义**：逐像素深度估计的标准差；本文由网络数据驱动预测，替代启发式二次模型（第 I、IV-B 节）。\n- **直觉**：弱纹理墙面、物体边缘的深度不可信，应降低其权重。\n- **论文中的作用**：贯穿全文主线——进入占据积分（式 3）、o2p 因子权重（式 7）与深度融合（式 12–13）。\n- **前置知识**：概率论、传感器噪声建模。\n\n### 18. Aleatoric / epistemic uncertainty（偶然/认知不确定性）\n\n- **英文术语**：Aleatoric / epistemic uncertainty\n- **定义**：偶然不确定性来自数据噪声（本文用 Laplacian 损失学习）；认知不确定性来自模型参数未知（本文留作未来工作，第 VI 节）。\n- **直觉**：前者是测量抖动，后者是模型没见过类似数据。\n- **论文中的作用**：明确本文仅处理 aleatoric（第 IV-D 节），epistemic 列为未来方向。\n- **前置知识**：贝叶斯深度学习（Kendall & Gal [^8]）。\n\n### 19. Laplacian loss（拉普拉斯损失）\n\n- **英文术语**：Laplacian loss\n- **定义**：假设残差服从 Laplacian 分布的负对数似然 |u−u_gt|/σ_u + log σ_u（式 9、13），使网络同时学习预测值与不确定性。\n- **直觉**：log σ_u 项同时惩罚过度自信（σ 小而误差大）与过度保守（σ 过大）。\n- **论文中的作用**：立体网络（视差域）与 MVS 网络（log 深度域）的不确定性训练目标（第 IV-D 节）。\n- **前置知识**：最大似然估计、异方差回归。\n\n### 20. Gradient loss（梯度损失）\n\n- **英文术语**：Gradient loss (L_∇u)\n- **定义**：对视差梯度施加的 Laplacian 型损失（式 8）；水平/垂直梯度不确定性由相邻像素视差不确定性合成（式 11）。\n- **直觉**：约束不确定性图的空间锐度，避免输出模糊。\n- **论文中的作用**：立体网络训练的辅助项（第 IV-D 节）。\n- **前置知识**：图像梯度、独立误差合成（平方和开根）。\n\n### 21. Uncertainty propagation via linearization（线性化不确定性传播）\n\n- **英文术语**：Uncertainty propagation via linearization\n- **定义**：对非线性变换一阶泰勒展开传播不确定性：σ_st = (f_c·b/u²)·σ_u（式 10）；log 深度域 σ_mvs = d̂_mvs·σ_l（式 13）。\n- **直觉**：小扰动下输出扰动约等于斜率乘以输入扰动。\n- **论文中的作用**：把网络在视差/log 深度域学到的 σ 转换为深度域 σ 的桥梁。\n- **前置知识**：泰勒展开、误差传播律。\n\n### 22. Uncertainty-aware depth fusion（不确定性感知深度融合）\n\n- **英文术语**：Uncertainty-aware depth fusion\n- **定义**：在两估计独立假设下按逆方差加权融合立体与 MVS 深度（式 12–13）：d̂_fuse = σ_fuse²(σ_st⁻²d̂_st + σ_mvs⁻²d̂_mvs)，σ_fuse² = (σ_st⁻²+σ_mvs⁻²)⁻¹。\n- **直觉**：谁更确定听谁的；融合后方差必不大于任一来源（Carlson [^28]）。\n- **论文中的作用**：核心贡献之一；消融显示建图精度较仅立体提升 29%（Table IV）。\n- **前置知识**：高斯融合/卡尔曼更新、独立性假设。\n\n### 23. Static vs motion stereo（静态立体与运动立体）\n\n- **英文术语**：Static stereo / motion stereo\n- **定义**：静态立体指固定基线双目；运动立体指利用相机自身运动形成的虚拟大基线多视图（第 I、IV-D 节）。\n- **直觉**：静止时双目仍可用；运动时大基线提升远处精度——二者互补。\n- **论文中的作用**：深度融合的动机；Fig. 3 定性展示互补性（风扇近处立体更细、远处 MVS 更锐）。\n- **前置知识**：立体几何、基线与深度精度的关系。\n\n### 24. TSDF（截断符号距离场）\n\n- **英文术语**：Truncated Signed Distance Field (TSDF)\n- **定义**：存储体素到最近表面的带符号距离（截断于 τ）的地图表示，由 KinectFusion [^6] 开创（第 I、II 节）。\n- **直觉**：零等值面即重建表面。\n- **论文中的作用**：占据地图的对照表示；Voxgraph、Simplemapping、TANDEM 等相关工作采用。\n- **前置知识**：体素积分、符号距离函数。\n\n### 25. Octree-based adaptive multi-resolution mapping（基于八叉树的自适应多分辨率建图）\n\n- **英文术语**：Octree-based adaptive multi-resolution mapping\n- **定义**：用八叉树按需细分体素并显式表示自由空间的建图管线，即 Supereight2 [^5]（第 IV-B 节）。\n- **直觉**：空旷区域用大体素省内存，表面附近用小体素保精度。\n- **论文中的作用**：本文子图实现的底层（体素分辨率 2.5 cm，第 V-A 节）。\n- **前置知识**：八叉树数据结构、多分辨率表示。\n\n### 26. Covisible submap（共视子图）\n\n- **英文术语**：Covisible submap\n- **定义**：与最新子图共同观测到稀疏路标的子图集合（第 IV-E 节）。\n- **直觉**：看到过同样内容的子图才可能需要对齐。\n- **论文中的作用**：map-to-map 因子配对与几何回环子图选取的依据。\n- **前置知识**：共视性（covisibility）、地点识别。\n\n### 27. Submap management（子图管理：ε_vol 与 M_min）\n\n- **英文术语**：Submap management\n- **定义**：跟踪当前深度视锥与最新子图的重叠体积，低于 ε_vol=0.2 时新建子图；map-to-map 因子选取至少含 M_min=100 点的最旧共视子图（第 IV-E、V-A 节）。\n- **直觉**：保证子图均匀分布、重叠充分但不冗余。\n- **论文中的作用**：控制 o2p 因子的可用性、几何回环时机与计算量。\n- **前置知识**：视锥（frustum）、点采样。\n\n### 28. Robust kernels: Cauchy / Tukey（鲁棒核函数）\n\n- **英文术语**：Cauchy / Tukey robust loss\n- **定义**：对大残差降权的损失函数；本文重投影误差用 Cauchy 核 ρ_c，o2p 因子用 Tukey 核 ρ_t（式 5）。\n- **直觉**：外点（误匹配、噪声深度）不应主导优化。\n- **论文中的作用**：分别稳定视觉因子与占据因子（第 IV-C 节）。\n- **前置知识**：M-估计、鲁棒统计。\n\n### 29. Mahalanobis distance & uncertainty calibration（马氏距离与不确定性校准）\n\n- **英文术语**：Mahalanobis distance / uncertainty calibration\n- **定义**：以不确定性归一化的残差距离；训练后乘以常数增益使验证集平均马氏距离为 1（第 V-A 节）。\n- **直觉**：让 1 个 σ 真正对应合理误差覆盖，避免系统性过/欠估计。\n- **论文中的作用**：网络不确定性进入下游加权前的校准步骤。\n- **前置知识**：马氏距离、概率校准（calibration）。\n\n### 30. ATE（绝对轨迹误差）\n\n- **英文术语**：Absolute Trajectory Error (ATE) RMSE\n- **定义**：估计轨迹经 SE(3) 对齐后与真值的均方根误差；分因果（仅用过去测量）与非因果（回环闭合后）两种（第 V 节）。\n- **直觉**：定位精度的标准标尺。\n- **论文中的作用**：EuRoC Table I 与 Hilti-Oxford Table III 的定位指标；本文因果平均 0.041 m。\n- **前置知识**：轨迹对齐、RMSE。\n\n### 31. Mesh accuracy & completeness（网格精度与完整度）\n\n- **英文术语**：Mesh accuracy / completeness\n- **定义**：accuracy 为估计顶点到真值的平均距离（无阈值，米）；completeness 为 0.2 m 阈值内真值顶点比例（第 V 节）。\n- **直觉**：前者衡量重建有多准，后者衡量重建有多全。\n- **论文中的作用**：Table II、IV 的建图指标；本文平均 accuracy 0.057 m、completeness 55.40%。\n- **前置知识**：点云/网格距离度量、ICP 配准。\n\n### 32. Marching cubes（移动立方体）\n\n- **英文术语**：Marching cubes\n- **定义**：从体素场（如占据 log-odd）提取三角网格的经典算法 [^30]（第 V 节）。\n- **直觉**：把体素中的隐式表面变成显式网格。\n- **论文中的作用**：评估前将各子图转为 mesh 并按子图位姿拼接（第 V 节）。\n- **前置知识**：等值面提取。\n\n### 33. Loop closure（回环检测）\n\n- **英文术语**：Loop closure\n- **定义**：识别重访地点并施加约束以消除累积漂移；本文通过 map-to-map o2p 因子实现几何回环（第 IV-E 节）。\n- **直觉**：走回老地方时把新旧观测对齐扣紧。\n- **论文中的作用**：非因果（non-causal）精度与全局一致地图的来源。\n- **前置知识**：位姿图优化、地点识别。\n\n### 34. SE(3) 与齐次坐标\n\n- **英文术语**：SE(3) / homogeneous coordinates\n- **定义**：三维刚体变换群；齐次表示下 _A r = T_AB _B r，T_AB ∈ SE(3)（第 III 节）。\n- **直觉**：用一个 4×4 矩阵同时表达旋转与平移。\n- **论文中的作用**：所有坐标系（世界 W、传感器 S、相机 C_i、子图 M_j）变换的记号基础。\n- **前置知识**：李群、Hamilton 四元数。\n\n### 35. Keyframe & pose graph（关键帧与位姿图）\n\n- **英文术语**：Keyframe / pose graph\n- **定义**：关键帧是被保留参与优化的代表性帧；位姿图以位姿为节点、相对位姿为边（第 IV-C 节）。\n- **直觉**：不必每帧都优化，选代表性帧即可控制规模。\n- **论文中的作用**：式 5 中集合 K（近期帧与关键帧）与 P（位姿图帧）的定义；o2p 因子作用对象的选择。\n- **前置知识**：SLAM 前端/后端架构。\n\n## 二、概念依赖图（Concept Dependency Map，纯文本）\n\n``n【第 0 层：基础记号与传感器】\nSE(3)/齐次坐标、坐标系 W/S/C_i/M_j（第 III 节）\n        │\n        ├──> IMU 预积分 e_s（式 5 第二项）──────────────┐\n        ├──> 重投影误差 e_r + Cauchy 核（式 5 第一项）──┤\n        ├──> 相对位姿因子 e_p（式 5 第三项）────────────┤\n        │                                              │\n【第 1 层：深度学习深度与不确定性】                      │\n立体网络（Unimatch [^13] + 不确定性解码器）             │\n  ├─ Laplacian loss（式 9）+ 梯度损失（式 8、11）        │\n  ├─ 视差 u, σ_u ──线性化──> d_st, σ_st（式 10）        │\n  └─ 马氏距离校准（第 V-A 节）                          │\nMVS 网络（[^17] + 不确定性解码器）                      │\n  ├─ log 深度 Laplacian loss（式 13）                   │\n  └─ 输出 d_mvs, σ_mvs                                 │\n        │                                              │\n        ├──> 不确定性感知深度融合（式 12–13）            │\n        │        └─> d_fuse, σ_fuse                    │\n        │                                              │\n【第 2 层：占据建图支线（Supereight2，八叉树）】          │\n占据概率 / log-odds（式 2）                             │\n  ├─ 逆传感器模型（式 3）<── σ_fuse / σ_st（σ_d）       │\n  ├─ 递归 log-odd 更新（式 4）                          │\n  └─ 子图管理：ε_vol 新建、共视子图、M_min（第 IV-E 节） │\n        │                                              │\n        └──> 占据到点因子 e_o2p（式 6）                  │\n             ├─ frame-to-map：当前帧 × 立体深度          │\n             └─ map-to-map：子图 × 融合深度 ──> 几何回环 │\n             └─ 权重 W_o2p = 1/(σ_map² + σ_d²)（式 7）  │\n        │                                              │\n        └──────────────┬───────────────────────────────┘\n                       ▼\n【第 3 层：因子图联合优化（式 5，OKVIS2 + Ceres，Tukey 核）】\n                       │\n                       ▼\n位姿更新 ──> 子图位姿校正 ──> 全局一致体积占据地图\n                       │\n                       ▼\n【第 4 层：评估】\n定位：ATE（EuRoC Table I；Hilti-Oxford Table III 排行榜第一）\n建图：marching cubes + ICP ──> mesh accuracy / completeness（Table II、IV）\n效率：29 Hz 估计、13 Hz 建图、3.51 GB 显存（Table V）\n``n\n**依赖关系要点**：\n\n1. 不确定性是全文的贯穿主线：网络预测的 σ（第 1 层）经深度融合（式 12–13）与线性化传播（式 10、13）后，同时进入占据积分（式 3）与因子权重（式 7），形成全概率化闭环。\n2. 占据建图与状态估计通过 o2p 因子双向耦合：地图约束位姿（frame-to-map / map-to-map），优化后的位姿又反过来校正子图，实现全局一致（第 IV-C、IV-E 节）。\n3. 静态立体与运动立体的互补性（第 1 层）是深度融合的物理动机，消融实验（Table IV）逐级验证了 S（立体网络）→ U（不确定性）→ F（深度融合）三个组件的递增贡献。\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. 关键事实性声明核查（每条含论文内定位 + 双源验证）\n\n### 声明 1：系统基于 OKVIS2（视觉惯性估计）与 Supereight2（占据子图建图）\n\n- **论文内定位**：第 III 节（“Our method is based on OKVIS2 [^1] for visual-inertial estimation and Supereight2 [^5] for occupancy submapping”）；第 IV-B、IV-C 节分别展开两模块。\n- **来源 1**：正文第 III 节明确陈述。\n- **来源 2**：参考文献 [^1]（Leutenegger, OKVIS2, arXiv:2202.09199, 2022）与 [^5]（Funk 等, IEEE RA-L, vol. 6, no. 2, pp. 3553–3560, 2021），均为公开可查文献。\n- **核查结论**：一致，可信。\n\n### 声明 2：占据 log-odd 更新采用分段线性逆传感器模型，深度不确定性经 σ_d 进入积分\n\n- **论文内定位**：第 IV-B 节，式 (2)–(4)。\n- **来源 1**：式 (2)–(4) 及正文对 l_min、σ_d、τ、w_max 的定义。\n- **来源 2**：Supereight2 [^5]（RA-L 2021）的占据建图框架，其默认使用启发式线性/二次不确定性模型；本文以网络预测的逐像素 σ_d 替换（第 IV-B 节末段明确指出该差异）。\n- **核查结论**：一致；替换启发式不确定性正是本文贡献点之一。\n\n### 声明 3：occupancy-to-point 因子（frame-to-map / map-to-map）源自 [^26]\n\n- **论文内定位**：第 II 节（“The most related work is [^26] where an occupancy-to-point factor was introduced to align submaps”）；第 IV-C 节式 (5)–(7)。\n- **来源 1**：正文第 II、IV-C 节。\n- **来源 2**：[^26] Boche, Barbas Laina, Leutenegger, “Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping”, ICRA 2024。\n- **核查结论**：一致；本文将 [^26] 面向精确 LiDAR 点云的因子扩展为按网络深度不确定性逐像素加权（式 7），并在第 IV-C 节末段说明了与 LiDAR 场景的动机差异。\n\n### 声明 4：不确定性学习采用 Laplacian 分布负对数似然（aleatoric 不确定性）\n\n- **论文内定位**：第 IV-D 节，式 (8)–(9)（stereo 视差）与式 (12)（MVS log-depth）。\n- **来源 1**：式 (9)：L_u = Σ |u_i − u_gt_i|/σ_ui + log σ_ui；式 (12) 与之同构（log-depth）。\n- **来源 2**：Kendall & Gal, NeurIPS 2017 [^8]；Poggi 等, CVPR 2020 [^9]——Laplacian nll 是深度回归不确定性学习的标准做法。\n- **核查结论**：一致，方法学有据可依。\n\n### 声明 5：双深度估计的最优（协方差加权）融合公式\n\n- **论文内定位**：第 IV-D 节，式 (13)。\n- **来源 1**：式 (13)：d_fuse = σ_fuse²(σ_st⁻² d_st + σ_mvs⁻² d_mvs)，σ_fuse² = (σ_st⁻² + σ_mvs⁻²)⁻¹。\n- **来源 2**：Carlson, IEEE TAES, vol. 26, no. 3, 1990 [^28]——两个独立高斯估计的协方差加权融合为经典结果。\n- **核查结论**：公式正确，为标准信息融合形式；注意其前提是两估计独立（正文已声明该假设，但见第 2 节第 10 条）。\n\n### 声明 6：EuRoC 定位精度（Ours causal 平均 ATE 0.041 m，non-causal 0.030 m）\n\n- **论文内定位**：第 V-B 节，Table I。\n- **来源 1**：Table I “Avg” 行：Ours causal 0.041 / non-causal 0.030；基线 OKVIS2 为 0.043 / 0.030。\n- **来源 2**：表内交叉核对——ORB-SLAM3 数值注明取自 [^2]（IEEE T-RO 2021），DVI-SLAM 取自 [^31]（ICRA 2024），OKVIS2 部分为作者自测（表注 2）。\n- **核查结论**：内部一致；因无开源代码，外部独立复现受限（见第 2 节第 7 条）。\n\n### 声明 7：建图精度显著优于 Simplemapping（平均 accuracy 0.057 m vs 0.144 m；completeness 55.40% vs 50.71%）\n\n- **论文内定位**：第 V-B 节，Table II；Fig. 4（V102 序列定性对比）。\n- **来源 1**：Table II “Avg” 行。\n- **来源 2**：被对比方法 Simplemapping [^17]（ISMAR 2023）；表注声明 “Results obtained ourselves with the same metric”，即数字为作者统一复测而非原文值。\n- **核查结论**：内部一致；属作者自测对比，存在实现与调参差异风险（见第 2 节第 8 条）。\n\n### 声明 8：Hilti-Oxford 排行榜在已发表方法中排名第一\n\n- **论文内定位**：第 V-C 节（“At time of writing, our method is ranked first place on the leaderboard among the published methods”）；Table III（Ours non-causal 总分 199.35）。\n- **来源 1**：正文陈述 + Table III Total 行（causal：OKVIS2 42.66 vs Ours 44.57；non-causal：170.70 vs 199.35）。\n- **来源 2**：[^38] HILTI SLAM Challenge 2022 Leaderboard（访问时间 2025 年 2 月）。\n- **核查结论**：与所引排行榜快照一致；但排行榜动态更新，该结论仅在访问时点成立（见第 2 节第 5 条）。\n\n### 声明 9：消融——网络不确定性使建图精度提升 10%，深度融合提升 29%\n\n- **论文内定位**：第 V-D 节，Table IV。\n- **来源 1**：Table IV Acc. 列：0.080（启发式二次不确定性）→ 0.072（+网络不确定性）→ 0.057（+深度融合）。\n- **来源 2**：与 Table II 平均值交叉验证（Ours Acc. 0.057、Comp. 55.40 与 Table IV 末行一致）。\n- **核查结论**：内部一致，数值可复算：(0.080−0.072)/0.080 = 10%；(0.080−0.057)/0.080 ≈ 28.8% ≈ 29%。\n\n### 声明 10：实时性（估计器 29 Hz、建图 13 Hz、GPU 显存 3.51 GB）\n\n- **论文内定位**：第 V-E 节，Table V；第 V-A 节硬件（Intel i7-13700 + Nvidia RTX3080）。\n- **来源 1**：Table V：VI 优化 34.3±6.6 ms、占据更新 11.6±3.6 ms、stereo 网络 56.3±24.1 ms、MVS 网络 75.9±9.7 ms。\n- **来源 2**：第 V-E 节文字陈述（29 Hz / 13 Hz / 3.51 GB），并指出建图瓶颈为 MVS 网络。\n- **核查结论**：内部一致；注意 29 Hz 为含后台回环优化的估计器频率，低于基线 OKVIS2 的 41 Hz。\n\n### 声明 11：数据集属性\n\n- **EuRoC**：无人机采集立体图像 + IMU，Vicon 房间 mm 级真值轨迹与点云（第 V-B 节）。来源 2：[^29] Burri 等, IJRR, vol. 35, no. 10, 2016——与公开数据集描述一致。\n- **Hilti-Oxford**：手持设备 5 相机 + IMU，稀疏真值点位与 mm 级稠密点云（第 V-C 节）。来源 2：[^10] Zhang 等, IEEE RA-L, vol. 8, no. 1, pp. 408–415, 2023——一致。\n- **核查结论**：一致。\n\n## 2. 冲突与不确定性说明\n\n1. **发表载体与日期缺失**：正文未标注会议/期刊与年份。排版为 IEEE 会议双栏风格；[^38] 访问时间为 2025 年 2 月，且引用了多篇 2024 年 ICRA 论文（[^26]、[^31]、[^37]），推断为 2025 年前后的 IEEE 机器人会议论文，具体出处需外部核实。\n2. **作者机构缺失**：作者上标 1 未在文中给出对应机构全称。从团队自引链（OKVIS2 [^1]、Supereight2 [^5]、Simplemapping [^17]、[^26]、[^27]）推断四人为同一研究团队（Leutenegger 组），机构名称需外部核实。\n3. **式 (5) 描述的符号笔误**：正文将 occupancy-to-point 因子的鲁棒核写作 “Tukey loss function ρ_c(·)”，而式 (5) 中该因子实际使用 ρ_t（ρ_c 为重投影误差的 Cauchy robustifier）。属排版笔误，不影响方法理解。\n4. **Table III 表头错位风险**：表格 HTML 转换中 OKVIS2 与 Ours 列的合并单元格存在错位可能；Total 行（causal 42.66/44.57，non-causal 170.70/199.35）与正文“排名第一”陈述自洽，但逐序列数值引用时需谨慎核对列对应关系。\n5. **排行榜时效性**：[^38] 为 2025 年 2 月快照，“published methods 中排名第一”仅在该时点成立，后续可能被其他方法超越。\n6. **平均位置误差换算**：第 V-C 节给出 causal 13.3 cm、non-causal 6.1 cm，由 0–100 分对 0–1 m 的线性映射换算而来，属作者自述，未附逐序列明细。\n7. **无开源代码**：文中未提供代码链接；不确定性校准增益的具体取值、ε_vol 与 M_min 的敏感性分析均未报告，完整复现存在不确定性。\n8. **对比公平性**：Table II 对 Simplemapping 的数字为作者以相同指标自测（表注），非其原文报告值；Ours-Mono 亦为作者自行实现的单目变体，均存在实现差异风险。\n9. **参考文献小瑕疵**：[^33]（Godard 等, “Digging into self-supervised monocular depth estimation”）实际发表于 ICCV 2019，论文误标为 CVPR 2019；[^12] ACVNet 的 TPAMI 卷期年份（vol. 46, no. 4, 2023）与正式出版信息（2024）可能存在早访问题差异；[^14]（ViT）被用于支撑 Unimatch 的 transformer 特征增强，引用粒度较粗但方向无误；[^35] Ceres Solver 引用为 GitHub 仓库（2024-08），属工具性引用。\n10. **深度融合独立性假设**：式 (13) 假设 stereo 与 MVS 深度估计相互独立，但两者共享同一相机图像与位姿，误差可能相关；正文未讨论该近似对融合最优性的影响。\n11. **非因果评估口径**：Table I/III 中 non-causal 结果依赖最终回环优化（HILTI 还含最终 bundle adjustment），与 causal 结果不直接可比，引用时需注明口径。\n\n## 3. 参考文献列表\n\n（依论文 REFERENCES 逐条列出，共 38 条）\n\n- [^1] S. Leutenegger, “OKVIS2: Realtime Scalable Visual-Inertial SLAM with Loop Closure,” arXiv:2202.09199, 2022.\n- [^2] C. Campos, R. Elvira, J. J. G. Rodríguez, J. M. Montiel, J. D. Tardós, “ORB-SLAM3: An accurate open-source library for visual, visual-inertial, and multimap SLAM,” IEEE T-RO, 37(6):1874–1890, 2021.\n- [^3] P. Geneva, K. Eckenhoff, W. Lee, Y. Yang, G. Huang, “OpenVINS: A research platform for visual-inertial estimation,” ICRA 2020, pp. 4666–4672.\n- [^4] T. Qin, S. Cao, J. Pan, S. Shen, “A general optimization-based framework for global pose estimation with multiple sensors,” arXiv:1901.03642, 2019.\n- [^5] N. Funk, J. Tarrio, S. Papatheodorou, M. Popović, P. F. Alcantarilla, S. Leutenegger, “Multi-resolution 3D mapping with explicit free space representation for fast and accurate mobile robot motion planning,” IEEE RA-L, 6(2):3553–3560, 2021.\n- [^6] R. A. Newcombe 等, “KinectFusion: Real-time dense surface mapping and tracking,” IEEE ISMAR 2011, pp. 127–136.\n- [^7] F. Furrer 等, “Incremental Object Database: Building 3D Models from Multiple Partial Observations,” IROS 2018, pp. 6835–6842.\n- [^8] A. Kendall, Y. Gal, “What uncertainties do we need in Bayesian deep learning for computer vision?” NeurIPS, vol. 30, 2017.\n- [^9] M. Poggi, F. Aleotti, F. Tosi, S. Mattoccia, “On the uncertainty of self-supervised monocular depth estimation,” CVPR 2020, pp. 3227–3237.\n- [^10] L. Zhang, M. Helmberger, L. F. T. Fu, D. Wisth, M. Camurri, D. Scaramuzza, M. Fallon, “Hilti-Oxford dataset: A millimeter-accurate benchmark for simultaneous localization and mapping,” IEEE RA-L, 8(1):408–415, 2023.\n- [^11] D. Scharstein, R. Szeliski, “A taxonomy and evaluation of dense two-frame stereo correspondence algorithms,” IJCV, 47:7–42, 2002.\n- [^12] G. Xu, Y. Wang, J. Cheng, J. Tang, X. Yang, “Accurate and efficient stereo matching via attention concatenation volume,” IEEE TPAMI, 46(4):2461–2474, 2023.\n- [^13] H. Xu, J. Zhang, J. Cai, H. Rezatofighi, F. Yu, D. Tao, A. Geiger, “Unifying flow, stereo and depth estimation,” IEEE TPAMI, 45(11):13941–13958, 2023.\n- [^14] A. Dosovitskiy 等, “An image is worth 16x16 words: Transformers for image recognition at scale,” arXiv:2010.11929, 2020.\n- [^15] Y. Yao, Z. Luo, S. Li, T. Fang, L. Quan, “MVSNet: Depth inference for unstructured multi-view stereo,” ECCV 2018, pp. 767–783.\n- [^16] M. Sayed, J. Gibson, J. Watson, V. Prisacariu, M. Firman, C. Godard, “SimpleRecon: 3D reconstruction without 3D convolutions,” ECCV 2022, pp. 1–19.\n- [^17] Y. Xin, X. Zuo, D. Lu, S. Leutenegger, “Simplemapping: Real-time visual-inertial dense mapping with deep multi-view stereo,” IEEE ISMAR 2023, pp. 273–282.\n- [^18] T. Whelan, R. F. Salas-Moreno, B. Glocker, A. J. Davison, S. Leutenegger, “ElasticFusion: Real-time dense SLAM and light source estimation,” IJRR, 35(14):1697–1716, 2016.\n- [^19] K. Tateno, F. Tombari, I. Laina, N. Navab, “CNN-SLAM: Real-time dense monocular SLAM with learned depth prediction,” CVPR 2017, pp. 6243–6252.\n- [^20] T. Laidlow, J. Czarnowski, S. Leutenegger, “DeepFusion: Real-time dense 3D reconstruction for monocular SLAM using single-view depth and gradient predictions,” ICRA 2019, pp. 4068–4074.\n- [^21] V. Reijgwart, A. Millane, H. Oleynikova, R. Siegwart, C. Cadena, J. Nieto, “Voxgraph: Globally consistent, volumetric mapping using signed distance function submaps,” IEEE RA-L, 5(1):227–234, 2019.\n- [^22] L. Koestler, N. Yang, N. Zeller, D. Cremers, “TANDEM: Tracking and dense mapping in real-time using deep multi-view stereo,” CoRL 2022, pp. 34–45.\n- [^23] A. Rosinol, J. J. Leonard, L. Carlone, “Probabilistic volumetric fusion for dense monocular SLAM,” WACV 2023, pp. 3097–3105.\n- [^24] Z. Teed, J. Deng, “Droid-SLAM: Deep visual SLAM for monocular, stereo, and RGB-D cameras,” NeurIPS, vol. 34, pp. 16558–16569, 2021.\n- [^25] N. Yang, L. v. Stumberg, R. Wang, D. Cremers, “D3VO: Deep depth, deep pose and deep uncertainty for monocular visual odometry,” CVPR 2020, pp. 1281–1292.\n- [^26] S. Boche, S. B. Laina, S. Leutenegger, “Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping,” ICRA 2024.\n- [^27] S. B. Laina, S. Boche, S. Papatheodorou, D. Tzoumanikas, S. Schaefer, H. Chen, S. Leutenegger, “Scalable Autonomous Drone Flight in the Forest with Visual-Inertial SLAM and Dense Submaps Built without LiDAR,” arXiv:2403.09596, 2024.\n- [^28] N. A. Carlson, “Federated square root filter for decentralized parallel processors,” IEEE TAES, 26(3):517–525, 1990.\n- [^29] M. Burri 等, “The EuRoC micro aerial vehicle datasets,” IJRR, 35(10):1157–1163, 2016.\n- [^30] W. E. Lorenzen, H. E. Cline, “Marching cubes: A high resolution 3D surface construction algorithm,” Seminal Graphics, 1998, pp. 347–353.\n- [^31] X. Peng, Z. Liu, W. Li, P. Tan, S. Cho, Q. Wang, “DVI-SLAM: A dual visual inertial SLAM network,” ICRA 2024, pp. 12020–12026.\n- [^32] W. Wang 等, “TartanAir: A dataset to push the limits of visual SLAM,” IROS 2020, pp. 4909–4916.\n- [^33] C. Godard, O. Mac Aodha, M. Firman, G. J. Brostow, “Digging into self-supervised monocular depth estimation,” ICCV 2019, pp. 3828–3838（论文误标为 CVPR 2019）.\n- [^34] A. Dai, A. X. Chang, M. Savva, M. Halber, T. Funkhouser, M. Nießner, “ScanNet: Richly-annotated 3D reconstructions of indoor scenes,” CVPR 2017, pp. 5828–5839.\n- [^35] S. Agarwal, K. Mierle, Others, “Ceres Solver,” 2024-08. <https://github.com/ceres-solver/ceres-solver>\n- [^36] W. Zhang, S. Wang, X. Dong, R. Guo, N. Haala, “BAMF-SLAM: Bundle adjusted multi-fisheye visual-inertial SLAM using recurrent field transforms,” ICRA 2023, pp. 6232–6238.\n- [^37] Y. Wang, Y. Ng, I. Sa, A. Parra, C. Rodriguez-Opazo, T. Lin, H. Li, “MAVIS: Multi-Camera Augmented Visual-Inertial SLAM using SE2(3) Based Exact IMU Pre-integration,” ICRA 2024, pp. 1694–1700.\n- [^38] “HILTI SLAM Challenge 2022 Leaderboard,” 2025-02. <https://hilti-challenge.com/leader-board-2022.html>\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：图表提取与图文-结论映射\n\n论文共含 **4 幅图（Fig. 1–4）与 5 张表（Table I–V）**，全部集中于第 I、II、IV、V 节。以下按“完整索引 → 优先深读 → 关系图 → 结论映射”组织。\n\n## 1. 图表完整索引\n\n### 1.1 图（Figures）\n\n| 编号 | 标题/说明（意译） | 类型 | 位置 | 支持的论断 | 评分 |\n|---|---|---|---|---|---|\n| Fig. 1 | 方法估计位姿（黑线）与以子图表示的体积占据（彩色网格）；基于预测不确定性融合 stereo 与 MVS 深度，网格噪声更低（左侧网格定性可见）；结果来自 Hilti-Oxford 数据集 [^10] | 定性结果可视化（轨迹+子图网格） | 第 I 节，第 1 页 | ① 系统实时输出位姿与体积占据子图；② 深度融合降低网格噪声；③ exp04 上 9.4 cm accuracy、62.2% completeness（第 V-C 节正文给出数值） | ★★★★☆ (4/5) |\n| Fig. 2 | 方法总览框图：融合 stereo 与 MVS 网络深度以扩展当前子图；融合深度与 stereo 深度分别构成视觉-惯性估计器中的 map-to-map 与 frame-to-map 因子 | 系统总览框图（方法结构图） | 第 II 节末/第 III 节前，第 2 页 | 整体流水线架构：深度融合 → 子图扩展 → occupancy-to-point 因子 → 因子图优化；是理解第 IV 节全部公式（式 2–7、12–13）的骨架 | ★★★★★ (5/5) |\n| Fig. 3 | 预测的逆深度（仅为可视化）及对应标准差：(上) stereo 网络（11 cm 基线）、(中) MVS 网络（8 视图中 50 cm 最大基线）、(下) 深度融合，EuRoC 数据集 | 定性深度/不确定性可视化 | 第 IV-D 节，第 4 页 | 静态/运动立体互补性：stereo 在近处（风扇架）细节更好，MVS 在远处更锐利；融合（式 12–13）基于不确定性自然保持最优深度 | ★★★★☆ (4/5) |\n| Fig. 4 | V102 序列重建网格（mesh-to-point 误差编码）：(左) Ours，(右) Simplemapping [^17] | 定性建图对比（误差编码网格） | 第 V-B 节，第 6 页 | 相比 Simplemapping，本方法在房间边缘处网格精度显著提升；与 Table II 中 V102 accuracy 0.041 vs 0.123 相互印证 | ★★★☆☆ (3/5) |\n\n### 1.2 表（Tables）\n\n| 编号 | 标题（意译） | 类型 | 位置 | 支持的论断与关键数值 | 评分 |\n|---|---|---|---|---|---|\n| Table I | EuRoC 数据集绝对轨迹误差 ATE [m] | 定量定位基准对比（causal / non-causal 双协议） | 第 V 节开头，第 5 页 | causal 平均：Ours 0.041 < OKVIS2 0.043 < DVI-SLAM 0.051 < VINS-Fusion 0.138；non-causal 平均：Ours 0.030 = OKVIS2 0.030 > ORB-SLAM3 0.035。支撑“causal 下超越基线、non-causal 下与基线持平但整体超 SOTA”（第 V-B 节） | ★★★★★ (5/5) |\n| Table II | EuRoC 网格 accuracy [m]（无阈值）与 completeness [%]（0.2 m 阈值） | 定量建图基准对比 | 第 V-A/V-B 节，第 6 页 | 平均 accuracy：Ours 0.057 < Ours-Mono 0.082 < Simplemapping 0.144；平均 completeness：Ours 55.40% > Ours-Mono 50.91% > Simplemapping 50.71%。支撑“建图精度与完整度均为最优，Ours-Mono 也优于对手” | ★★★★★ (5/5) |\n| Table III | Hilti-Oxford 数据集定位分数 | 定量定位基准（排行榜计分，0–100 分制） | 第 V-C 节，第 7 页 | causal 总分：Ours 44.57 > OKVIS2 42.66 > BAMF-SLAM 40.86；non-causal 总分：Ours 199.35 > OKVIS2 170.70 > XR Penguin 150.62。支撑“已发表方法排行榜第一”；对应平均位置误差 causal 13.3 cm、non-causal 6.1 cm（第 V-C 节） | ★★★★★ (5/5) |\n| Table IV | 消融实验：causal/non-causal ATE、accuracy、completeness（EuRoC） | 消融实验 | 第 V-D 节，第 7 页 | Baseline→+Stereo→+Uncertainty→+Depth fusion：ATE-C 0.043→0.045→0.043→0.041；accuracy -→0.080→0.072→0.057；completeness -→50.38→50.31→55.40。支撑“网络预测不确定性较启发式二次模型提升建图精度约 10%，深度融合提升约 29%”（第 V-D 节） | ★★★★★ (5/5) |\n| Table V | EuRoC（MH01）各模块耗时 mean±σ [ms] | 运行时间/实时性统计 | 第 V-E 节，第 7 页 | VI 优化：Ours 34.3±6.6 vs OKVIS2 24.2±5.3；占据更新 11.6±3.6；stereo 网络 56.3±24.1；MVS 网络 75.9±9.7（瓶颈）。支撑“估计器 29 Hz、建图 13 Hz 实时、GPU 显存 3.51 GB”（第 V-E 节） | ★★★★☆ (4/5) |\n\n## 2. 优先深读清单（按重要性排序）\n\n1. **Fig. 2（系统总览框图）**：第一优先。建立“stereo/MVS 深度预测 → 不确定性融合 → 子图扩展 → frame-to-map / map-to-map 因子 → 因子图优化”的数据流认知，是解读第 IV 节式 (2)–(7)、(12)–(13) 的骨架；深读时对照第 IV-A 节 Overview 逐块核对。\n2. **Table IV（消融实验）**：核心论断“不确定性传播到所有下游任务”的唯一逐项定量分解证据。注意 +Stereo 单独加入时 ATE 反而略升（0.043→0.045），说明增益主要来自不确定性加权与融合，而非网络深度本身。\n3. **Table I + Table III（定位基准）**：核对“超过 SOTA”论断。注意两点诚实披露：non-causal 下与 OKVIS2 持平（作者自述深度融合无法达到 3 cm 级精度，第 V-B 节）；Table III 中 exp03/exp21 双方均为 0 分、exp07/exp15 上 Ours causal 低于 OKVIS2，提升并非全序列一致。\n4. **Table II + Fig. 4（建图精度）**：核对建图 SOTA 论断。注意对比协议：与 Simplemapping 使用相同指标自测（表注 “Results obtained ourselves with the same metric”），并额外构造 Ours-Mono（仅左目、无 stereo 网络）以保证单目-惯性设置下的公平比较（第 V-B 节）。\n5. **Fig. 3（深度融合定性图）**：理解静态立体（11 cm 小基线、静止可用）与运动立体（最大 50 cm 大基线、远距更锐利）的互补性如何转化为式 (12)–(13) 的逆方差最优融合。\n\n## 3. 图关系 / 实验设置图\n\n``n输入：多相机图像 + IMU\n        │\n        ├──> Stereo 网络（Unimatch [13] + 不确定性解码器，Laplacian 损失，式 8–9）\n        │        │ 视差→深度线性化（式 11）→ (d̂_st, σ_st)\n        │\n        ├──> MVS 网络（[17] + 不确定性解码器，log-depth Laplacian 损失，式 13）\n        │        │ → (d̂_mvs, σ_mvs)\n        │\n        └──> OKVIS2 [1] 视觉-惯性因子图（式 5：重投影 + IMU 预积分 + 相对位姿因子）\n                 │\n        最优深度融合（式 12）：d̂_fuse = σ_fuse²(σ_st⁻²d̂_st + σ_mvs⁻²d̂_mvs)\n                 │\n                 ├──> 占据子图建图（Supereight2 [5]，log-odd 更新式 2–4，体素 2.5 cm）\n                 │        ├── frame-to-map 因子（stereo 深度，≤200 点）\n                 │        └── map-to-map 因子（融合深度，≤1000 点）\n                 │                │ 权重 W_o2p = 1/(σ_map² + σ_d²)（式 7）\n                 │                ▼\n                 └──> 因子图联合优化（Ceres）→ 位姿更新 → 子图管理（ε_vol=0.2，M_min=100）\n                          │\n                          ▼\n输出：实时位姿 + 全局一致体积占据地图（估计 29 Hz / 建图 13 Hz / GPU 3.51 GB）\n``n\n**实验设置要点**（第 V-A 节）：输入 512×384@10 Hz；MVS 输入 8 张带最新位姿的图像（基线 3 cm 或 10 cm）+ 稀疏路标深度图；不确定性经常数增益校准使验证集平均 Mahalanobis 距离为 1；l_min=-5.015；硬件 Intel i7-13700 + Nvidia RTX3080。数据集：EuRoC（无人机 stereo+IMU，mm 级 Vicon 真值）与 Hilti-Oxford（手持 5 相机+IMU，在线外参标定，mm 级稠密点云）。建图评测协议：marching cubes 重建网格 → 1 cm³ 体素降采样 → point-to-plane ICP 对齐（第 V 节开头）。\n\n**图表间关系**：Fig. 2 是结构总图；Fig. 3 是 Fig. 2 中“深度融合”模块的定性放大；Fig. 1 与 Fig. 4 是最终输出的定性展示；Table I/III 对应定位输出，Table II 对应建图输出，Table IV 将 Table I/II 的增益分解到各组件，Table V 量化 Fig. 2 各模块的计算代价。\n\n## 4. 图表-结论映射\n\n| 论文结论 | 支撑图表 | 关键证据与定位 |\n|---|---|---|\n| C1：不确定性感知深度融合显著提升建图精度 | Fig. 1、Fig. 3、Table II、Table IV、Fig. 4 | Table IV：accuracy 0.080→0.057（融合增益约 29%，第 V-D 节）；Table II：Ours 0.057 m vs Simplemapping 0.144 m（第 V-B 节）；Fig. 3 定性展示互补融合 |\n| C2：不确定性加权 occupancy-to-point 因子提升定位精度 | Table I、Table III、Table IV | Table I causal 平均 0.041 vs OKVIS2 0.043（第 V-B 节）；Table III causal 总分 44.57 vs 42.66（第 V-C 节）；Table IV ATE-C 0.043→0.041 |\n| C3：Hilti-Oxford 排行榜已发表方法第一 | Table III、Fig. 1 | non-causal 总分 199.35（第 V-C 节）；causal 对应 13.3 cm、non-causal 6.1 cm 平均位置误差；Fig. 1 为 exp04 可视化（9.4 cm / 62.2%） |\n| C4：子图表示带来全局一致的大尺度地图 | Fig. 1、Fig. 2 | Fig. 1 彩色子图网格；Fig. 2 中 map-to-map 因子实现子图对齐（第 IV-C 节，式 5–6） |\n| C5：系统实时（估计 29 Hz、建图 13 Hz、GPU 3.51 GB） | Table V | MVS 网络 75.9±9.7 ms 为建图瓶颈；VI 优化 34.3±6.6 ms（第 V-E 节） |\n| C6：网络预测不确定性优于启发式二次不确定性模型 | Table IV | +Uncertainty 行 accuracy 0.072 vs +Stereo 行 0.080（约 10% 提升，第 V-D 节）；动机见第 I 节对常数视差不确定性假设的批评 |\n\n**核对提示（负面证据）**：Table I non-causal 下 Ours 与 OKVIS2 平均持平（0.030），作者明确归因于深度融合无法达到 3 cm 级精度（第 V-B 节）；Table III 中 exp03/exp21 全部方法为 0 分、exp07/exp15 上 Ours causal 分数低于 OKVIS2（15.00 vs 6.67；20.00 vs 14.44），表明定位提升在困难序列上并不一致，评估“全面超越 SOTA”论断时需逐序列核对。"
}