{
  "paper_id": "216813d544f1fc4054fca54a4f40cbe8",
  "paper_title": "PG-LIO: Photometric-Geometric fusion for Robust LiDAR-Inertial Odometry",
  "paper_authors": [
    "Nikhil Khedekar",
    "Kostas Alexis"
  ],
  "publication_date": "2025",
  "publication_venue": "unknown",
  "abstract": "LiDAR-惯性里程计（LIO）被广泛用于精确的状态估计与建图，这是自主机器人的基本需求。传统 LIO 方法通常依赖由 LiDAR 采样的几何结构来构建约束，因此在缺乏几何结构时会变得病态（退化）并失效。LIO 在此类条件下的鲁棒性是其更广泛部署的必要条件。为此，我们提出 PG-LIO，一种实时 LIO 方法，融合 LiDAR 采样的光度与几何信息以及来自惯性测量单元（IMU）的惯性约束。这些多模态信息被集成到在滑动窗口上优化的因子图中以实现实时运行。我们在多个数据集上评估 PG-LIO，其中既包括几何良好条件的场景，也包括自相似场景。我们的方法在几何结构良好的环境中达到与最先进 LIO 相当的精度，同时在退化场景中显著提升精度，包括优于同样融合强度信息的方法。值得注意的是，我们在几何自相似的隧道中以平均 7.5 m/s（最大 10.8 m/s）的速度完成 1 km 人工驾驶飞行轨迹，仅产生约 1 m 的漂移。为造福社区，我们还将发布源代码。",
  "keywords": [
    "LiDAR-Inertial Odometry",
    "Photometric-Geometric Fusion",
    "Degeneracy",
    "Factor Graph"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:32:02.424023Z",
  "template_tag": "deep_read",
  "summary": "# PG-LIO: Photometric-Geometric fusion for Robust LiDAR-Inertial Odometry\n\n\n**作者 / Authors:** Nikhil Khedekar, Kostas Alexis\n\n\n**单位 / Institutions:** 挪威科技大学 NTNU（论文正文未显式标注单位，依据开源代码仓库 ntnu-arl 推断）\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 未显式标注（推测约 2025 年：参考文献访问日期为 2025-04-11，并引用了 2025 年 5 月的 ICRA 论文）\n\n\n\n**期刊/会议 / Publication Venue:** 未显式标注；论文采用 IEEE letter 格式（正文自称 this letter，含 Index Terms），推测为 IEEE Robotics and Automation Letters (RA-L)\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### 分类依据（rationale）\n\n- 归类为 **method**：论文核心贡献是一个新算法——PG-LIO，一种实时、紧耦合的 LiDAR-惯性里程计方法，提出基于 NCC 的光度因子（Sec. III-F）与自标定投影模型（Sec. III-F.2），并在滑动窗口因子图中融合几何、光度与惯性约束（Sec. III-B）。\n- 非综述（无系统性文献分类与趋势分析）、非系统/硬件设计（贡献在估计算法层面），故不选 survey/system。\n\n### 1. 论文元数据\n\n- **标题**：PG-LIO: Photometric-Geometric fusion for Robust LiDAR-Inertial Odometry\n- **作者**（姓名/单位/背景）：\n  - Nikhil Khedekar（单位未在正文显式给出；据代码仓库 ntnu-arl 推断隶属挪威科技大学 NTNU 自主机器人实验室）\n  - Kostas Alexis（同上；为机器人状态估计与自主导航领域研究者，多篇相关 LIO/多模态 SLAM 工作）\n- **发表载体**：未显式标注；采用 IEEE letter 排版（含 Index Terms—LiDAR-Inertial Odometry），推测为 IEEE Robotics and Automation Letters (RA-L)，约 2025 年。\n\n### 2. 研究定位\n\n- **研究领域**：机器人状态估计 / SLAM（LiDAR-Inertial Odometry, LIO）。\n- **具体任务**：构建实时紧耦合 LIO，将 LiDAR 采样的光度（强度）信息与几何点面约束、IMU 预积分因子融合于滑动窗口因子图，解决几何自相似/退化环境（隧道、田野等）下传统几何 LIO 病态化失效的问题（Sec. I；Abstract）。\n- **目标用户/应用场景**：自主机器人（尤其对重量、功耗敏感的微型飞行器/无人机）在几何退化环境中的里程计估计与建图；论文演示了手持采集与 1 km 隧道高速飞行（平均 7.5 m/s）场景（Sec. IV-C）。\n\n### 3. 输入材料清单\n\n- **PDF**：有（当前文档为论文全文，含摘要、五个章节、图表与参考文献）。\n- **附录/补充材料**：无。\n- **代码链接**：<https://github.com/ntnu-arl/mimosa（论文承诺开源，Abstract> 与 Sec. V 均提及）。\n- **数据集链接**：使用公开数据集 Newer College Dataset [^36] 与 ENWIDE Dataset [^12]，以及自采自行车隧道数据；文档中未提供直接下载链接。\n\n### 4. 缺失材料与风险\n\n- **缺失项**：正式发表信息（期刊/年份/卷期）、作者单位显式标注、附录/补充材料、数据集直接下载链接、具体超参数与传感器配置细节（部分散见于实验描述）。\n- **可能影响**：无法精确核对发表时间与级别；复现时需自行查阅代码仓库获取参数、数据集获取方式与硬件配置；隧道实验数据集是否公开尚不明确。\n\n### 5. 阅读路线（3-pass 骨架）\n\n- **Step 1**：读摘要与引言（Sec. I），抓住问题动机（几何退化导致 ICP 病态）与两大贡献：NCC 光度因子、考虑方位偏移 θ_a 的自标定投影模型。\n- **Step 2**：读相关工作（Sec. II），明确与 COIN-LIO [^12]、RI-LIO [^20]、FAST-LIO2 [^19] 的差异点（更贴近真实构造的投影模型 + 对强度噪声更鲁棒的因子形式）。\n- **Step 3**：精读方法（Sec. III）：因子图架构（Fig. 1）、初始化（Sec. III-C）、惯性/几何/光度三个子系统、投影模型（Eq. 12-15, Fig. 2-3）与 NCC 误差及雅可比推导（Eq. 16-23）。\n- **Step 4**：读实验（Sec. IV，Table I/II，Fig. 4-6）：Newer College 常规场景对比、ENWIDE 退化场景对比、1 km 隧道高速飞行验证（~1 m 漂移）。\n- **Step 5**：读结论（Sec. V），结合开源代码与数据集规划复现与验证（可选 Module G 的引用核查）。\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. 论文类型与类别\n\n- **类型判定**：method（算法/方法类论文）。\n- **判定依据**：核心贡献是新算法——PG-LIO，一种实时紧耦合 LiDAR-Inertial Odometry 方法，在滑动窗口因子图中融合光度、几何与惯性约束（Sec. III-B, Fig. 1），并提出基于 NCC 的光度因子（Sec. III-F）与自标定投影模型（Sec. III-F.2）。论文采用 IEEE letter 格式（摘要含 Index Terms，Sec. I 自称 this letter），实验部分（Sec. IV, Table I/II）服务于验证方法有效性；无系统性文献分类（非综述），无新硬件系统设计（非 system 类）。\n\n### 2. 研究背景与上下文\n\n- **领域背景**：LiDAR-Inertial Odometry (LIO) 是自主机器人状态估计与建图的常用手段；传统方法基于 ICP [^2] 构建几何约束，在几何自相似环境（隧道、田野等）中问题病态化（degenerate）而失效（Sec. I）。\n- **研究缺口**：现有方案多依赖加装相机/热成像/雷达等额外传感器 [^3][^4][^6][^8][^10][^11]，带来重量、功耗与复杂度开销，对微型飞行器（MAV）尤为敏感；而现代 LiDAR 普遍自带强度（intensity）信息，但其低分辨率、离散采样、强 rolling shutter、投影模型误差及取值依赖环境/传感器参数，使直接利用并不平凡（Sec. I）。\n- **最近相关工作**：COIN-LIO [^12] 为强度辅助 LIO 的当前最优；本文指出其两点不足——投影模型未考虑随距离变化的偏差、因子形式对强度噪声不够鲁棒（Sec. II）。\n\n### 3. 直觉正确性检验\n\n- **假设 1：强度信息可补偿几何退化** —— 合理。强度反映表面纹理，可在几何无信息方向提供约束；COIN-LIO 已验证该方向的可行性（Sec. II, Table II）。\n- **假设 2：LiDAR 强度不满足亮度恒常假设，NCC 比直接光度误差更合适** —— 合理。NCC 归一化（Eq. 16-18）对仿射亮度变化不变，且在光度 bundle adjustment 中有成熟应用 [^31][^33]；误差形式 E_ZNSSD = 2 − 2·E_NCC（Eq. 20-21）有界且可微。\n- **假设 3：机械旋转式 LiDAR 存在方位偏移 θ_a（Ouster 可达 ±11° [^28]），导致投影偏差随距离变化** —— 合理。Fig. 3 显示距离从 0.3 m 到 20 m 时投影像素 u 可偏移数个像素，CPBRA 的每环常数偏差无法刻画（Sec. III-F.2）；这是 patch 级光度对齐的关键。\n- **假设 4：重力大小已知（≈9.81 m/s²），仅估计其在 S² 上的方向** —— 合理，属标准做法（Sec. III-D，引 [^23]）。\n- **假设 5：初始 0.5 s 静止用于偏置/重力初始化** —— 合理，为常见工程假设（Sec. III-C）。\n- **总体判断**：关键假设均有物理依据与文献支撑，技术路线（不加传感器、复用同一 LiDAR 的强度）动机充分、方向可信。\n\n### 4. 核心贡献\n\n1) **PG-LIO 框架**：实时紧耦合 LIO，在滑动窗口因子图中融合光度、几何与惯性因子，采用增量式 fixed-lag smoother（Sec. III-B, Fig. 1）。\n2) **NCC 光度因子**：针对 LiDAR 强度图像违反亮度恒常假设的问题，提出对强度噪声与仿射亮度变化鲁棒的 NCC 代价函数，并给出完整雅可比推导（Sec. III-F.3-6, Eq. 16-23）。\n3) **自标定投影模型**：显式建模激光头方位偏移 θ_a，并按点计算随距离变化的偏差查找表，较 RI-LIO 的 CPBRA 常数偏差更贴近真实光机构造（Sec. III-F.2, Eq. 12-15, Fig. 2-3）。\n4) **改进的 IMU 预积分因子**：将重力方向作为 S² 上的优化变量，适配世界系不与重力对齐的设定（Sec. III-D）。\n5) **实证验证与开源**：Newer College Dataset 上与 SOTA 相当（Table I），退化场景 ENWIDE Dataset 上显著优于 COIN-LIO（Table II），1 km 隧道高速飞行（平均 7.5 m/s）仅 ~1 m 漂移（Sec. IV-C, Fig. 6）；承诺开源代码（Abstract, Sec. V）。\n\n### 5. 清晰度评估\n\n- **结构**：标准 letter 结构（引言→相关工作→方法→实验→结论），行文线索清晰；方法按惯性/几何/光度三个子系统组织，便于定位。\n- **图表**：Fig. 1（因子图架构）、Fig. 2（投影几何）、Fig. 3（偏差随距离变化）直接支撑两大核心主张；Fig. 4-6 提供定性实验证据，Fig. 6 的隧道重建对比直观有力。\n- **公式**：推导链完整（状态定义 Eq. 1 → 投影模型 Eq. 12-15 → NCC 及雅可比 Eq. 16-23），符号定义集中于 Sec. III-A；但 b_u 查找表构建细节与部分工程参数描述较简略。\n- **可读性**：对熟悉因子图与 LIO 的读者第一遍即可把握主线；滤波、iVox 地图、预积分等细节依赖引文 [^12][^24][^25]，完整复现需延伸阅读。\n- **实验呈现**：Table I/II 统一报告 ATE RMSE 与 RE（delta=10 m，evo 包 [^35]），基线数值引自 COIN-LIO [^12]；对失败案例（TunnelS、RunwayD）有诚实分析（Sec. IV-B），增强可信度。\n\n### 6. 继续或停止建议\n\n- **建议：继续第二遍精读（continue）**。\n- **理由**：(a) 方法创新点明确（随距离感知的投影模型 + NCC 因子），直击 LIO 退化痛点；(b) 实验证据链完整，含罕见的 1 km 隧道无人机高速验证；(c) 承诺开源（<https://github.com/ntnu-arl/mimosa），复现价值高；(d)> Eq. 12-23 的推导与退化方向驱动的特征选择机制值得第二/三遍深入研读。若读者仅需了解大意，Abstract + Sec. IV 已足够；但以复现或研究延展为目标则必须继续。\n\n### 7. 结构大纲图\n\nmarkmap\n\n# PG-LIO 论文概览\n\n## I. 引言\n\n### 问题：几何自相似导致 ICP 退化\n\n### 思路：融合 LiDAR 强度 + 几何 + IMU\n\n## II. 相关工作\n\n### 强度辅助的 LO/LIO\n\n### 与 COIN-LIO / RI-LIO 的差异\n\n## III. 方法\n\n### A. 符号定义\n\n### B. 因子图架构（Fig. 1）\n\n### C. 初始化（静止 0.5 s）\n\n### D. 惯性子系统（重力方向 S²）\n\n### E. 几何子系统\n\n#### 去畸变 / 降采样 / point-to-plane 因子 / 地图管理\n\n### F. 光度子系统\n\n#### 图像生成与预处理\n\n#### 投影模型（θ_a 偏移, Eq. 12-15）\n\n#### NCC 因子（Eq. 16-23）\n\n## IV. 实验\n\n### A. Newer College Dataset（Table I）\n\n### B. ENWIDE Dataset（Table II）\n\n### C. 1 km 隧道高速飞行（Fig. 6）\n\n## V. 结论\n\n### 开源：github.com/ntnu-arl/mimosa\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论文旨在解决传统 LiDAR-Inertial Odometry (LIO) 在几何自相似/退化环境（如隧道、田野）中因几何约束病态化（ill-conditioned/degenerate）而失效的问题，提出 PG-LIO——一种实时、紧耦合的 LIO 方法，将 LiDAR 采样的光度（强度）信息与几何点面约束、IMU 惯性约束融合于滑动窗口因子图中（Abstract；Sec. I）。\n\n### 2. 痛点与现有不足\n\n- **几何退化导致失效**：主流基于 ICP 的几何 LIO 依赖 LiDAR 采样的几何结构构造约束，在缺乏几何结构（自相似场景，如隧道、田野）时优化问题病态化，估计失败（Sec. I）。\n- **加传感器代价高**：已有工作通过融合视觉/热相机/雷达等额外传感器缓解退化，但会引入额外复杂度、重量与功耗，对尺寸、重量、功耗、算力敏感的微型飞行器（micro aerial vehicles）尤其不利（Sec. I）。\n- **直接利用 LiDAR 强度非平凡**：强度信息存在低分辨率、离散采样、强 rolling shutter 效应、投影模型误差，且取值依赖环境、传感器与采样特性，难以直接满足亮度恒常假设（Sec. I）。\n- **现有强度辅助 LIO 的局限**：RI-LIO [^20] 的投影模型（CPBRA）将方位偏移建模为每 ring 的常值偏差，未考虑随距离变化的投影误差（Fig. 3 显示 u 随 range 0.3–20 m 变化数个像素）；其反射率梯度局部性强、地图密度低（0.2 m）无法记录；COIN-LIO [^12] 虽使用 patch 与退化感知选点，但其投影模型与因子形式对强度噪声的容忍度仍不足（Sec. II；Sec. III-F.2）。\n\n### 3. 形式化目标 / 优化目标\n\n- **状态估计问题**：在滑动窗口因子图上联合估计状态 $\\mathbf{x}_t=(\\mathbf{T}_{WI_t}, \\mathbf{v}_{W,t}, \\mathbf{b}_{I,t})$ 与重力方向 $\\hat{\\mathbf{g}}_W$（因假设 $W=I_0$，仅估计 $S^2$ 上的方向，重力大小 $g\\approx 9.81\\,\\mathrm{m/s^2}$ 已知）（Sec. III-A、III-B、III-D）。\n- **联合代价最小化**：最小化三类因子之和——\n  - 几何因子：point-to-plane 误差 $e=\\mathbf{n}_W\\cdot(\\mathbf{T}_{WI_e}\\mathbf{p}_{I_e}-\\mathbf{q}_W)$（Eq. 9），经 whitening、Huber 核加权后合并为稠密因子；\n  - 光度因子：基于 NCC 的误差 $e=\\Psi(\\mathbf{I}_j(\\Pi_n(\\Gamma(\\mathbf{P}(\\mathbf{X})))))-\\Psi(\\mathbf{I}_k(\\mathbf{X}))$（Eq. 22），等价最小化 $E_{ZNSSD}=\\|\\Psi(\\overline{\\mathbf{S}})-\\Psi(\\overline{\\mathbf{T}})\\|^2=2-2E_{NCC}$，界于 $[0,4]$（Eq. 16–18），对未知仿射亮度变化鲁棒；\n  - 惯性因子：修改自 [^25] 的 IMU 预积分因子，额外将重力方向作为待估变量（Sec. III-D）。\n- **投影模型自标定**：对每个点计算方位偏移 $\\theta_a$ 引起的偏差 $b_u$（查表校正），投影函数 $\\Pi_n(\\mathbf{p}_{L_t})=\\Pi(\\mathbf{p}_{L_t})+[b_u,0]^\\top$（Eq. 12–15），使投影精确对齐 PBID 位置。\n- **实时性约束**：使用基于 iSAM2 [^21] 的增量固定滞后平滑器（incremental fixed lag smoother）在滑动窗口上优化（Sec. III-B）。\n\n### 4. 成功标准（指标与期望性质）\n\n- **常规场景精度持平 SOTA**：在几何良好环境中 ATE RMSE (m) 与 RE (%) 与最先进 LIO 相当——Newer College Dataset 各序列（Table I：如 Park 序列 0.331 m / 0.61%，对比 FAST-LIO2 0.310 m / 0.59%、COIN-LIO 0.287 m / 0.54%）。\n- **退化场景显著更优**：在几何退化环境中显著优于现有方法（尤其同样利用强度的 COIN-LIO）——ENWIDE Dataset（Table II）：除 TunnelS、RunwayD 外所有序列 ATE 与 RE 均优于 COIN-LIO（如 IntersectionD 0.473 m / 0.84% vs. 1.912 m / 1.69%）。\n- **极端退化验证**：1 km（1047 m）几何自相似自行车隧道、手持/手动高速飞行（平均 7.5 m/s，最大 10.8 m/s）下仅 ~1 m 漂移，且重建地图准确（Abstract；Sec. IV-C；Fig. 6）。\n- **实时运行**：滑动窗口因子图 + 增量平滑保证实时性（Sec. III-B）。\n- **鲁棒性质期望**：不增加额外传感器（仅 LiDAR + IMU），在强度噪声与投影误差下仍保持稳定跟踪（Sec. I；Sec. III-F）。\n\n### 推理链支撑\n\n- 问题动机来自 Abstract 与 Sec. I：几何 LIO 在自相似环境中病态化 → 需要额外信息源 → 强度已在现代 LiDAR 中提供，无需加传感器 → 但直接利用强度存在多重障碍 → 故提出 NCC 光度因子 + 自标定投影模型。\n- 与 COIN-LIO 的差距定位在 Sec. II 末尾明确给出两点：a) 更贴近 LiDAR 真实构造的投影模型；b) 对强度噪声更容忍的新因子形式。\n- 成功标准直接对应 Sec. IV 的实验设计（Table I/II、Fig. 4–6）与 Abstract 中的量化声明（~1 m drift over 1 km tunnel）。\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：相关工作分析（What related work matters here?）\n\n### 1. 最强基线与对比轴（Strongest baselines & comparison axis）\n\n#### COIN-LIO [^12]（ICRA 2024）—— 最直接、最强的基线\n\n- **Method**：互补强度增强的 LiDAR-惯性里程计（Complementary Intensity-augmented LIO）。\n- **Core idea**：在 RI-LIO [^20] 基础上改为在强度图像的 patch 上操作；提出滤波方法改善距离依赖（range-dependent）强度的亮度一致性；提出基于退化方向的\"信息性 patch 选择\"，实现光度与几何两种模态的互补信息融合（Sec. II）。\n- **Limitation**：① 投影模型沿用 [^20] 的 atan2/arcsin 形式（本文 Eq. 12），未建模激光头方位偏移 θ_a 导致的随距离变化的投影偏差；② 光度因子基于直接光度误差，对强度噪声与亮度不一致的容忍度不足。\n- **对比轴**：几何良好场景（Newer College：Quad-Hard/Cloister/Stairs/Park）与几何退化场景（ENWIDE：Tunnel/Intersection/Runway/Field/Katzensee 的 S/D 序列）上的 ATE RMSE (m) 与 RE (%)（Table I、II，对比数值取自 [^12] 的报告，用 evo 包评估）；外加 1 km 自相似隧道高速飞行（平均 7.5 m/s、最大 10.8 m/s）的定性重建对比（Fig. 6）。结果：除 TunnelS（重力/加计偏置未收敛导致末端转弯误差）与 RunwayD（单次敏捷机动旋转估计失败破坏地图）外，PG-LIO 在所有 ENWIDE 序列的 ATE 与 RE 均显著优于 COIN-LIO（Sec. IV-B）。\n\n#### FAST-LIO2 [^19]（T-RO 2022）—— 纯几何 LIO 的 SOTA 基线\n\n- **Method**：紧耦合直接法 LIO（迭代误差状态滤波 + 增量地图）。\n- **Core idea**：以点面（point-to-plane）残差做快速几何配准，代表纯几何约束可达到的性能上限。\n- **Limitation**：仅依赖几何结构，在自相似环境（隧道、田野）中 ICP 病态化失效——Table II 中多数 ENWIDE 序列发散，Newer College 的 Stairs 序列亦失败（Table I）。\n- **对比轴**：常规场景下精度是否不掉队（Table I：Ours 0.054/0.35 vs FAST-LIO2 0.049/0.26，量级相当）；退化场景下是否失效（Table II 中 FAST-LIO2 在 TunnelS/RunwayS 等序列发散）。\n- 其他实验对比基线：KISS-ICP [^26]、LIO-SAM [^34]、MD-SLAM [^15]、Du and Beltrame [^16]、RI-LIO [^20]，在 ENWIDE 退化序列上几乎全部发散（Table II），故隧道实验仅与 COIN-LIO 对比（Sec. IV-C）。\n\n### 2. 最接近的方法与关键差异（Closest approaches & key differences）\n\n#### RI-LIO [^20]（RA-L 2023）\n\n- **Method**：反射率图像辅助的紧耦合 LIO。\n- **Core idea**：在几何地图点上附加反射率信息，最近邻查询时加入最小化反射率差的代价函数；提出 CPBRA 投影模型处理不规则光束间距。\n- **Limitation**：① 强度梯度通常很局部，0.2 m 的低地图密度无法记录这些梯度；② CPBRA 将投影偏差建模为每 ring 的常数偏移，无法刻画随采样距离变化的偏差（Fig. 3）；③ 依赖预处理的反射率而非原始距离依赖强度。\n- **与本文差异**：PG-LIO 对每个入射点计算偏差并生成查找表（Eq. 15），将投影位置修正到精确的 PBID 位置，随距离自适应。\n\n#### COIN-LIO [^12]（最接近的直接前驱）\n\n- **与本文的两点关键差异**（Sec. II 明确陈述，也是本文声称超越 SOTA 的原因）：\n  1. **投影模型**：PG-LIO 提出自标定投影模型，显式建模激光头相对原点连线的方位偏移 θ_a（Ouster 传感器可达 [-11°, +11°]，[^28]）与投影中心偏移 n（Eq. 13-14，Fig. 2），并按每点采样距离生成偏差查找表（Eq. 15，Fig. 3），比 COIN-LIO 沿用的模型更贴近机械旋转 LiDAR 的真实构造；\n  2. **因子形式**：PG-LIO 以 NCC（归一化互相关）构造光度因子（Sec. III-F.4-6，Eq. 16-23），可吸收亮度的未知仿射变化，对违反亮度恒常假设的强度噪声更鲁棒；COIN-LIO 的直接光度误差形式对此容忍度低。\n\n#### Li et al. [^17]（TIM 2022）\n\n- **Method**：面向固态 LiDAR 的强度增强 LIO SLAM。\n- **Core idea**：在 LOAM 式几何曲率边缘/平面点 [^18] 之外，于平面 patch 上提取强度边缘点，维护强度边缘点地图并做点-线对应。\n- **Limitation**：针对固态 LiDAR 设计，与本文机械旋转 LiDAR 场景不同；采用稀疏强度边缘特征而非 patch 级直接法。\n\n### 3. 正交方向（Orthogonal directions）\n\n- **多传感器融合路线**（与本文\"不增加传感器\"的路线正交）：\n  - 视觉/热相机辅助：MIMOSA [^3]、Khattak et al. [^4]、Super Odometry [^5]、LVI-SAM [^6]、LIVER [^7]、FAST-LIVO2 [^8]；\n  - 雷达辅助：Nissov et al. [^10]、GARLIO [^11]。\n  - **Limitation（本文动机，Sec. I）**：额外传感器带来复杂度、重量与功耗开销，对微型飞行器尤为敏感；PG-LIO 坚持仅 LiDAR+IMU，挖掘现代 LiDAR 自带的强度通道。\n- **退化机理分析与约束优化路线**：Tuna et al. [^9] 将退化归类为\"缺失数据\"问题（需从其他来源引入额外数据）；信息分析/约束优化/多模态融合类工作 [^3]-[^9]。PG-LIO 部分吸收该思想——沿用 [^12] 的做法，用几何子系统 J^TJ 平移块特征向量方向的投影局部化贡献来识别需光度特征采样的退化方向（Sec. III-E.c），但核心解法是把强度作为\"额外数据源\"引入。\n- **纯几何 LIO 谱系**（LOAM [^18]、KISS-ICP [^26]、LIO-SAM [^34]、Faster-LIO/iVox [^24]、IMU 预积分 [^25] 等）：作为工程基础组件被继承（iVox 地图、子采样策略、改进的预积分因子），属于被依赖的技术底座而非本文的对比创新轴。\n- **更广的 LIO 综述**：Lee et al. [^13]；本文明确将综述范围收窄到\"强度使用/辅助\"这一子域（Sec. II 开头）。\n\n### 4. 一句话定位（One-sentence positioning）\n\nPG-LIO 将自己定位为**强度辅助 LIO 的新 state-of-the-art**：在不增加任何传感器（仅 LiDAR+IMU）的前提下，通过更贴近真实 LiDAR 构造的自标定投影模型与对强度噪声更鲁棒的 NCC 光度因子，在几何良好场景保持与 SOTA 相当精度的同时，显著超越此前最强的 COIN-LIO，在几何自相似退化环境（含 1 km 隧道 7.5 m/s 高速飞行、仅约 1 m 漂移）中实现稳健实时里程计（Sec. I、Sec. II、Table II、Fig. 6）。\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\nPG-LIO 的解题思路是：**不增加任何传感器，仅利用 LiDAR 自身采样的强度（光度）信息 + 几何点面信息 + IMU 惯性信息，在滑动窗口因子图中紧耦合优化**，从而在几何自相似/退化环境（隧道、田野等）下保持里程计鲁棒（Sec. I；Abstract；Sec. III-B, Fig. 1）。\n\n三大支柱与两大创新点：\n\n- **支柱 1（几何子系统）**：传统点到面 ICP 因子，保证在几何良好环境中与 SOTA 相当的精度（Sec. III-E）。\n- **支柱 2（光度子系统）**：\n  - **创新 a）NCC 光度因子**：LiDAR 强度图违反亮度恒常假设（强度随环境、传感器、距离、入射角、反射率变化，Sec. III-F.3），直接光度误差不适用；改用对未知仿射亮度变化鲁棒的 Normalized Cross Correlation（NCC）构造块误差（Sec. III-F.4-6, Eq. 16-24）。\n  - **创新 b）自标定投影模型**：显式建模机械旋转式 LiDAR 激光头的方位偏移 theta_a（Ouster 传感器可达 ±11°，[^28]; Sec. III-F.2）与投影中心偏移 n，并**按每个点的量测距离**生成偏差查找表校正投影（Eq. 12-15, Fig. 2-3）；相比 RI-LIO 的 CPBRA 每环常数偏移（[^20]），能反映偏差随距离变化的事实（Fig. 3）。\n- **支柱 3（惯性子系统）**：修改 [^25] 的 IMU 预积分因子，把重力方向 g_hat_W（模长已知约 9.81 m/s²，仅估 S² 上方向）作为待估变量，因为世界系取 W = I_0、不与重力对齐（Sec. III-A/C/D）。\n- **退化互补机制**：几何子系统通过 J^T J 平移块特征向量方向的 localizability 投影检测退化方向，光度子系统据此选择/初始化新 patch，实现两模态信息互补（Sec. III-E.c、III-F.5；做法与 [^12] 类似）。\n\n### 2. 分步流程拆解（中层分析）\n\n### Step 0 初始化（Sec. III-C, Eq. 2-5）\n\n- 假设初始静止 N_s ≈ 0.5 s（IMU 100 Hz 时 N = 50 样本）；\n- b_g0 = mean(gyro 测量)；mu_a = mean(accel 测量)；g_hat_W0 = mu_a / |mu_a|；b_a0 = mu_a − g·g_hat_W0；\n- 第一帧点云不做 deskew，直接初始化几何 iVox 地图（[^24]）与光度 patch 数组。\n\n### Step 1 运动畸变校正 deskew（Sec. III-E.a, Eq. 6-8）\n\n- 用上一状态 + IMU 测量在 [t_s, t_e] 传播（Eq. 6-7），得到各激光采样时刻的状态，把每点变换到扫描末时刻 IMU 系：T_{L_e L_t} = T_IL^{-1} · T_{WI_e}^{-1} · T_{WI_t} · T_IL（Eq. 8）；\n- 同时为光度子系统缓存 (t, T_{L_e L_t}) 对，并为新状态 x_e 提供优化先验。\n\n## Step 2 惯性子系统（Sec. III-D）\n\n- 对扫描时段内的 IMU 测量做预积分生成因子；由于 [^25] 的因子假设重力严格朝下（g_W = [0,0,-1]^T），与 W = I_0 的假设冲突，会在 roll/pitch 激励不足时产生与几何/光度因子不一致的纠正梯度，故改为**同时估计重力方向**。\n\n## Step 3 几何子系统（Sec. III-E）\n\n- 降采样（Sec. III-E.b）：每 4 点丢 3（同 [^19]）；再用保守体素采样（体素内点数 < 20 且新点与体素内所有点距离 > 0.1 m 才加入），避免体素质心平均抹平边缘（[^26] 方式的缺陷）；\n- 点到面因子（Sec. III-E.c）：用先验位姿把点变换到 W 查地图；对应有效的条件为 5 近邻在 d_1 内、非共线（最大特征值 < 3× 次大特征值）、到拟合平面距离 < d_2；误差 e = n_W · (T_{WI_e} p_{I_e} − q_W)（Eq. 11），解析 Jacobian 见 Eq. 12；各项白化 + Huber 核加权（[^27]）后合并为单个稠密因子；\n- 退化方向检测：用 J^T J 右下（平移）块特征向量上的投影 localizability 贡献，指示需要光度特征采样的方向（同 [^12]）；\n- 地图管理（Sec. III-E.d）：单体 iVox 地图；当前位姿与任一建图位姿平移 > 2 m 或 roll/pitch 变化 > 30° 时更新地图。\n\n## Step 4 光度子系统（Sec. III-F）\n\n1. 成图与预处理（Sec. III-F.1）：组织化点云按 PBID（Projection by ID, [^20]）直接成强度图；用 [^12] 的滤波去除线条伪影（垂直高通 + 水平低通分离线信号后从原图扣除），并用大窗口亮度图规整曝光一致性；再 3×3 高斯平滑去噪。\n2. 投影模型（Sec. III-F.2, Eq. 12-15, Fig. 2-3）：\n   - 常用模型 Eq. 12 忽略了激光头位于投影中心、相对原点连线存在方位偏移 theta_a 这一构造事实；真实构造为 Eq. 13（x、y 中含 theta_a 与 n）；\n   - theta_a 随传感器/激光头不同（Ouster 可取 [-11°, +11°]），导致投影坐标 u 随量测距离 0.3–20 m 漂移数个像素（Fig. 3）；\n   - 本文对**每个入射点**按其量测距离计算偏差 b_u，生成查找表，最终投影函数 Pi_n = Pi + [b_u, 0]^T（Eq. 14-15），把投影校正回精确的 PBID 位置；无效点用每行首个有效值插值填补；v 再经激光头高程角插值细化到亚像素（同 [^12]）。\n3. NCC 复述（Sec. III-F.4, Eq. 16-23）：归一化函数 Psi 把强度向量变为零均值、单位方差（Eq. 16-18）；相似度 E_NCC = Psi(S)^T · Psi(T) ∈ [-1, 1]（Eq. 19）；用于最小二乘的误差取 E_ZNSSD = ||Psi(S) − Psi(T)||² = 2 − 2·E_NCC ∈ [^0] [^4]，大于 2 视为明显离群（Eq. 20-21）；Psi 可微，其 Jacobian 见 Eq. 22-23。\n4. 光度因子（Sec. III-F.6, Eq. 24-28）：残差 e = Psi(I_j(Pi_n(Gamma(P(X))))) − Psi(I_k(X))，其中 I_k 为特征首次提取的原图、I_j 为当前强度图、P 为地图 3D 点、Gamma 为逐点齐次变换、Pi_n 为带偏差校正的投影；链式法则 J = J_Psi · J_I · J_Pi_n · J_Gamma（Eq. 25-28），J_I 为采样点处图像梯度，J_Gamma 借助 [^12] 的 undistortion map 取每点正确的 T_{L_e L_t}；通过投影深度差跟踪与 E_NCC 最小阈值剔除离群 patch；所有 patch 代价合并为单个稠密光度因子加入因子图。\n5. 地图管理（Sec. III-F.5）：从滤波后强度图提取高梯度候选 patch，按几何子系统检出的退化方向的 localizability 贡献打分选择（同 [^12]）；光度因子中判为离群的 patch 即从地图删除。\n\n## Step 5 因子图优化（Sec. III-B, Fig. 1）\n\n- 变量：滑动窗口长度 w 内各时刻状态 x_i（i ∈ [t−w, t]）与重力方向 g_hat_W；\n- 求解器：基于 iSAM2（[^21]）的增量固定滞后平滑器（incremental fixed lag smoother），保证实时运行。\n\n### 3. 关键公式与模块角色（深层要点）\n\n| 模块 | 关键公式/位置 | 角色 |\n|---|---|---|\n| 状态定义 | x_t = (T_WI_t, v_W_t, b_I_t)（Eq. 1）+ g_hat_W | 位姿、速度、IMU 偏置与重力方向联合估计 |\n| 初始化 | Eq. 2-5（Sec. III-C） | 静止段解析初始化陀螺/加计偏置与重力方向 |\n| 惯性子系统 | Eq. 6-7 传播；改造的预积分因子（Sec. III-D） | 高频运动约束；重力方向作为变量而非固定朝下 |\n| deskew | Eq. 8（Sec. III-E.a） | 消除单圈机械旋转扫描内的运动畸变 |\n| 几何因子 | Eq. 11-12（Sec. III-E.c） | 点到面误差与解析 Jacobian，白化 + Huber 后合并为稠密因子 |\n| 投影模型 | Eq. 12-15（Sec. III-F.2, Fig. 2-3） | 逐点距离相关的 theta_a 方位偏移校正（自标定查找表） |\n| NCC | Eq. 16-23（Sec. III-F.4） | 对未知仿射亮度变化鲁棒的块相似度度量 |\n| 光度因子 | Eq. 24-28（Sec. III-F.6） | 强度块残差与链式 Jacobian，合并为稠密因子 |\n\n设计动机推理链（论文的因果逻辑）：\n\n1. 几何自相似导致 ICP 病态 → 退化本质是缺数据问题，需要额外信息源（Sec. I，引 [^9]）；\n2. 不想增加相机/雷达等传感器（重量、功耗，尤其微型飞行器）→ 利用 LiDAR 自带强度（Sec. I）；\n3. 强度值违反亮度恒常假设 → 直接光度误差不可行 → 采用对仿射亮度变化鲁棒的 NCC（Sec. III-F.3-4）；\n4. 投影不准会使 patch 对不齐、NCC 失效 → 建模 theta_a 并做逐点距离相关的偏差查找表（区别于 [^12] 未建模、[^20] CPBRA 每环常数偏移）（Sec. III-F.2, Fig. 3）；\n5. W = I_0 与 [^25] 因子的重力朝下假设冲突 → 改造 IMU 因子、估计重力方向（Sec. III-D）。\n\n### 4. 流程图（method 型论文，按要求给出）\n\nmermaid\nflowchart TD\n  A[\"输入: 新点云 + IMU 测量\"] --> B[\"IMU 传播 deskew 至扫描末时刻 t_e (Eq.6-8)\"]\n  B --> C1[\"惯性子系统: 预积分因子, 重力方向 g_hat_W 可估 (Sec.III-D)\"]\n  B --> C2[\"几何子系统: 降采样 -> 点到面因子 (Eq.11-12) -> 退化方向检测 (Sec.III-E)\"]\n  B --> C3[\"光度子系统: PBID 成图 -> 滤波 -> theta_a 逐点查找表投影 (Eq.14-15) -> NCC 块因子 (Eq.24-28) (Sec.III-F)\"]\n  C2 -- \"退化方向指示 patch 选择\" --> C3\n  C1 --> D[\"滑动窗口因子图 (Fig.1)\"]\n  C2 --> D\n  C3 --> D\n  D --> E[\"iSAM2 增量固定滞后平滑 (Sec.III-B)\"]\n  E --> F[\"输出: 状态 x_i 与 g_hat_W; 更新 iVox 几何地图与光度 patch 地图\"]\n  F -- \"下一帧\" --> A\n``n\n（架构总览对应论文 Fig. 1；各步骤的 Sec./Eq. 定位已在上文标注，便于回原文核对。）\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/基准清单（名称、规模、场景）\n\n| 数据集 | 传感器/平台 | 规模 | 场景类型 | 真值来源 |\n|---|---|---|---|---|\n| Newer College Dataset [^36] | 手持 Ouster OS0-128 LiDAR | 4 个序列：Quad-Hard 234.81 m、Cloister 428.79 m、Stairs 57.04 m、Park 2396.20 m（Table I） | 大学校园各区域，几何结构良好（well-conditioned） | 公开数据集自带真值，用 evo 评估 |\n| ENWIDE Dataset [^12] | 手持 OS0-128 LiDAR | 10 个序列：TunnelS/D、IntersectionS/D、RunwayS/D、FieldS/D、KatzenseeS/D，长度 177.20–388.47 m（Table II） | 几何退化环境（隧道、交叉口、跑道、田野、湖边），含慢速（S 后缀）与动态（D 后缀）两类机动 | Leica 全站仪跟踪安装在 LiDAR 上的棱镜（Sec. IV-B） |\n| 自采自行车隧道数据（未命名） | 空中机器人（RMF-Owl 变体 [^37]）搭载 Ouster OS-0-128 Rev7 LiDAR + VectorNav VN100 IMU | 轨迹总长 1047 m，平均速度 7.5 m/s，最大 10.8 m/s（Sec. IV-C） | 几何自相似自行车隧道（Fyllingsdal 隧道，致谢 Vestland Fylkeskommune；每 500 m 一个休息站，直线段为直径 8 m 的恒定半圆截面，墙面含普通与装饰壁画段提供强度纹理） | 起飞/降落于同一位置（闭环），以漂移量定性评估（Fig. 6） |\n\n### 2. 预处理与划分/覆盖设置\n\n- **初始化协议**：假设系统初始静止 Ns = 0.5 s（IMU 100 Hz → N = 50 样本），据此初始化陀螺仪偏置 bg、重力方向 ĝ_W 与加速度计偏置 ba（Sec. III-C，Eq. 1-4）。\n- **点云去畸变（deskewing）**：用 IMU 测量传播状态，将每个点补偿到扫描结束时刻的 IMU 坐标系（Sec. III-E.a，Eq. 5-8）；去畸变同时为新状态提供先验。\n- **几何子系统降采样**：先每 4 点丢弃 3 点；再用 [^26] 的体素采样（体素内点数 <20 且新点与体素内所有点距离 >0.1 m 才加入），避免质心平均模糊边缘（Sec. III-E.b）。\n- **光度子系统图像预处理**：PBID（Projection by ID）生成强度图像；垂直高通 + 水平低通滤波去除线伪影；大窗口亮度图正则化保证曝光一致；3×3 高斯核平滑降噪（Sec. III-F.1）。\n- **投影模型校正**：自标定投影模型为每个点计算方位偏移 θa 引起的像素偏差 bu 生成查找表，无效点按行内首个有效值插值；v 方向再经激光头仰角插值细化到亚像素（Sec. III-F.2，Eq. 12-15）。\n- **地图管理**：单体 iVox 地图 [^24]；当前位姿与任一地图更新位姿平移 >2 m 或 roll/pitch 变化 >30° 时更新（Sec. III-E.d）。\n- **评估协议**：报告 RMSE ATE（m）与 delta = 10 m 的 RE（%），使用开源 evo 包 [^35]；对比方法 [^12][^15][^19][^20][^26][^34] 的数值直接引用 COIN-LIO [^12] 的报告值（Sec. IV）。\n- **划分说明**：非学习方法，无训练/验证/测试划分；隧道数据为自采，论文未说明是否公开。\n\n### 3. 训练/推理/评估环境\n\n- **训练**：无（基于因子图优化的里程计方法，不含学习组件）。\n- **推理**：滑动窗口因子图 + 基于 iSAM2 [^21] 的增量固定滞后平滑器（incremental fixed lag smoother），保证实时运行（Sec. III-B，Fig. 1）。\n- **传感器假设**：IMU 与 LiDAR 时间同步，外参 T_IL 预先标定（Sec. III-A）；重力大小取 g ≈ 9.81 m/s²，仅估计方向（Sec. III-C/D）。\n- **硬件平台**：手持采集（两个公开数据集）；空中机器人（RMF-Owl 变体 [^37]）用于隧道高速飞行实验。\n- **代码**：承诺开源 <https://github.com/ntnu-arl/mimosa（Abstract、Sec>. V）；正文未给出具体计算平台（CPU/GPU 型号）与运行帧率等部署细节。\n\n### 4. 选择理由与验证目标\n\n- **Newer College（常规场景）**：验证方法的基本功能与几何良好环境下的 SOTA 可比性——Table I 中 Ours 为 0.054/0.35（Quad-Hard）至 0.331/0.61（Park），与 FAST-LIO2、COIN-LIO 同一精度档位（Sec. IV-A）。\n- **ENWIDE（退化场景）**：直接对标同样利用强度的 SOTA 方法 COIN-LIO，验证退化环境下的鲁棒性——Table II 显示除 TunnelS、RunwayD 外全部序列 ATE 与 RE 均显著更优（如 IntersectionD：0.473/0.84 vs 1.912/1.69）；其余几何方法（KISS-ICP、MD-SLAM、LIO-SAM 等）几乎全部失败（×）。\n- **隧道实验（极端退化 + 高速）**：验证真实部署能力——1 km（1047 m）自相似隧道、平均 7.5 m/s 手动飞行下仅 ~1 m 漂移，且 COIN-LIO 在返程弱纹理区丢失特征而本方法成功返回（Sec. IV-C，Fig. 6）。\n- **覆盖逻辑**：三个数据集构成“常规 → 退化 → 极端退化+高速空中平台”的递进证据链，分别支撑算法正确性、相对优势与实际应用价值三类结论。\n- **局限与风险**：① 对比数值引用自 [^12] 而非统一环境复现，可能存在实现差异；② 隧道数据集公开性未说明，第三方复现该实验需自行采集；③ 具体超参数（滑动窗口长度 w、d1/d2 阈值等）散见正文或未给出，复现需依赖开源代码仓库。\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（定义与说明）\n\n- **ATE RMSE（m）**：绝对轨迹误差（Absolute Trajectory Error）的均方根误差，单位为米，衡量估计轨迹与真值轨迹的全局偏差（Sec. IV；Table I/II）。\n- **RE（%）**：相对误差（Relative Error），以 delta = 10 m 为间隔计算的局部轨迹一致性误差，以百分比报告（Sec. IV）。\n- **评估工具**：开源 evo 包 [^35]。\n- **数据来源约定**：Table I/II 中 COIN-LIO [^12]、MD-SLAM [^15]、FAST-LIO2 [^19]、RI-LIO [^20]、KISS-ICP [^26]、LIO-SAM [^34] 的数值均引自 [^12] 的报告结果，本文方法（Ours）按同一约定评估（Sec. IV）。\n- **记号 ×**：表示该方法在该序列完全失败（发散/无法完成估计）（Table I/II）。\n- **辅助定性指标**：重建点云质量与轨迹-真值重叠（Fig. 4-6）、长航程漂移量（隧道实验 ~1 m / 1047 m）。\n\n### 2. 主要结果（具体数字）\n\n#### 2.1 Newer College Dataset（几何结构良好场景；Table I；Sec. IV-A；Fig. 4）\n\n手持 Ouster OS0-128，四个序列（格式：ATE RMSE (m) / RE (%)）：\n\n- **Quad-Hard**（234.81 m）：Ours 0.054 / 0.35；COIN-LIO 0.046 / 0.29；FAST-LIO2 0.049 / 0.26 —— 同一量级，略逊于 COIN-LIO 与 FAST-LIO2。\n- **Cloister**（428.79 m）：Ours 0.097 / 0.55；COIN-LIO 0.078 / 0.28；FAST-LIO2 0.078 / 0.23。\n- **Stairs**（57.04 m）：Ours 0.077 / 0.78；COIN-LIO 0.102 / 0.74；FAST-LIO2、LIO-SAM、RI-LIO、KISS-ICP、Du and Beltrame 全部失败（×）—— Ours 与 COIN-LIO 是仅有的两个成功方法，且 Ours 的 ATE 更低（0.077 vs 0.102）。\n- **Park**（2396.20 m）：Ours 0.331 / 0.61；COIN-LIO 0.287 / 0.54；FAST-LIO2 0.310 / 0.59；RI-LIO 89.289 / 5.00；MD-SLAM 96.797 / 23.03。\n- **小结**：几何良好场景下与 SOTA 精度相当（Abstract；Sec. IV-A）。\n\n#### 2.2 ENWIDE Dataset（几何退化场景；Table II；Sec. IV-B；Fig. 5）\n\n手持 OS0-128，Leica 全站仪提供真值；后缀 S = 慢速机动，D = 动态机动：\n\n- **基线失败面**：KISS-ICP、MD-SLAM、Du and Beltrame 在全部 10 个序列失败；LIO-SAM 仅 KatzenseeS 成功（5.588 / 2.673）；FAST-LIO2 仅在 IntersectionS/D、FieldS、KatzenseeD 部分成功（最好 0.163 / 0.57，FieldS）；RI-LIO 仅 FieldS/KatzenseeS 部分成功。**COIN-LIO 是对比方法中唯一在所有序列均未完全失败者**（Sec. IV-B）。\n- **Ours vs COIN-LIO（ATE / RE）逐序列**：\n  - TunnelS（251.58 m）：0.635 / 2.09 vs 0.743 / 1.60（ATE 更优，RE 略差）\n  - TunnelD（179.71 m）：0.425 / 1.45 vs 0.487 / 1.59（双优）\n  - IntersectionS（279.28 m）：0.279 / 0.80 vs 0.466 / 1.25（双优）\n  - IntersectionD（388.47 m）：0.473 / 0.84 vs 1.912 / 1.69（双优，ATE 降低约 75%）\n  - RunwayS（333.57 m）：0.491 / 1.00 vs 1.033 / 1.89（双优）\n  - RunwayD（357.14 m）：3.273 / 1.08 vs 2.437 / 2.98（ATE 更差，RE 更优）\n  - FieldS（232.70 m）：0.274 / 0.60 vs 0.232 / 0.85（ATE 略差，RE 更优）\n  - FieldD（287.91 m）：0.206 / 0.88 vs 0.581 / 1.83（双优）\n  - KatzenseeS（242.88 m）：0.260 / 0.47 vs 0.412 / 0.99（双优）\n  - KatzenseeD（177.20 m）：0.355 / 0.64 vs 0.592 / 1.61（双优）\n- **小结**：除 TunnelS 与 RunwayD 外，Ours 在所有序列的 ATE 与 RE 均优于 COIN-LIO（Sec. IV-B）。\n\n#### 2.3 几何自相似自行车隧道高速飞行（Sec. IV-C；Fig. 6）\n\n- **平台与传感器**：RMF-Owl 变体飞行机器人 [^37]，Ouster OS-0-128 Rev7 LiDAR + VectorNav VN100 IMU，手动遥控飞行。\n- **场景与轨迹**：隧道为直径 8 m 的恒定半圆形截面，每 500 m 一个休息区；总轨迹长 1047 m（去程 500 m 后返程），平均速度 7.5 m/s，最大速度 10.8 m/s。\n- **结果**：Ours 返程漂移仅 ~1 m；COIN-LIO 在返程纹理稀少区域丢失特征跟踪；两种方法均存在轻微且在重建图中难以分辨的 z 漂移（Abstract；Sec. IV-C；Fig. 6）。\n\n### 3. 与基线/代表性先前工作的对比\n\n- **几何良好场景（Table I）**：与 FAST-LIO2、COIN-LIO 处于同一精度量级（ATE 约 0.05-0.33 m），显著优于 KISS-ICP、MD-SLAM、Du and Beltrame、LIO-SAM、RI-LIO（后两者在 Park 上误差达 89-97 m，多数方法在 Stairs 上失败）。\n- **几何退化场景（Table II）**：纯几何方法大面积失败，验证了退化问题的严重性；与同样利用强度信息的 SOTA 方法 COIN-LIO 相比，Ours 在 10 个序列中的 8 个实现 ATE 与 RE 双指标占优。\n- **定性对比（Fig. 5）**：IntersectionD 序列上，Ours 整体漂移更低（黄色虚线框区域）、地图更锐利，且轨迹与真值重叠更好（蓝色虚线框区域）。\n- **隧道极端场景（Fig. 6）**：COIN-LIO 返程丢失跟踪，Ours 以 ~1 m 漂移完成 1047 m 往返，是本文最核心的鲁棒性证据。\n\n### 4. 消融、敏感性与跨论文差异综合\n\n- **显式消融实验**：论文未提供组件级消融（例如单独去除 NCC 光度因子、单独去除自标定投影模型的对照实验），这是评估部分的一个缺口；性能归因主要依赖与 COIN-LIO 的整体对比与设计差异论证。\n- **失败模式分析（隐式敏感性，Sec. IV-B）**：\n  - **TunnelS**：估计器未收敛到正确的重力方向与加速度计偏置，导致隧道末端转弯时产生显著误差（解释了该序列 RE 略差于 COIN-LIO）。\n  - **RunwayD**：单次特别敏捷的机动中旋转估计错误破坏地图；COIN-LIO 在同一时刻也出现类似破坏，但其后轨迹再次偏离并回到初始位置附近，因而 ATE 数值更低（2.437 vs 3.273），但 RE 仍为 Ours 更优（1.08% vs 2.98%）——说明 ATE 对全局回环位置敏感，RE 更反映局部一致性。\n- **跨论文差异归因（Sec. II；Sec. III-F.2/F.3；Fig. 2-3）**：相对 COIN-LIO 的性能提升被归因于两点设计差异：\n  1. **自标定投影模型**：显式建模激光头方位偏移 θ_a（Ouster 传感器可达 ±11°，[^28]），且投影偏置随测距值变化（Fig. 3），比 COIN-LIO 所用模型（Eq. 12）以及 RI-LIO 的 CPBRA（每 ring 常值偏置）更贴近机械旋转 LiDAR 的真实光机构造；\n  2. **NCC 光度因子**：通过归一化互相关（Eq. 16-23）容忍亮度仿射变化，相比 COIN-LIO 的直接光度误差对违反亮度恒常假设的强度噪声更鲁棒。\n- **与 RI-LIO 的差异（Sec. II）**：RI-LIO 依赖预处理后的反射率且地图密度低（0.2 m），无法记录局部强度梯度，在 ENWIDE 退化场景中全部失败（Table II），凸显了本文在原始强度域直接操作并配合 NCC 的优势。\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：未来可探索方向\n\n### 一、理论方向\n\n1. **光度因子的统计与收敛性理论**：论文提出的 NCC 光度因子（Sec. III-F.4-F.6，Eq. 16-23）基于“亮度恒常假设不严格成立”的观察（Sec. III-F.3），但未给出该因子在何种亮度变化幅度下收敛、其误差分布是否近似高斯、以及 NCC 归一化算子 Ψ(·) 的雅可比（Eq. 23）在低方差 patch 上的数值稳定性分析。后续可建立 NCC 因子的信息矩阵解析形式与收敛域理论，并与 ZNSSD、直接光度误差等其他因子形式做理论对比。\n2. **退化检测与可观测性度量理论**：当前退化方向识别依赖几何子系统 J^T J 平移块特征值投影（Sec. III-E.c），属于启发式阈值方法。可发展基于 Fisher 信息子空间分析或可观测性 Gramian 的严格退化度量，并统一刻画光度特征采样（Sec. III-F.5）与几何退化方向之间的互补性条件。\n3. **重力方向与加速度计偏置的可辨识性**：论文承认在 TunnelS 序列中估计器未收敛到正确重力与加速度计偏置，导致隧道末端转弯处产生显著误差（Sec. IV-B）。可研究长直隧道、弱旋转激励场景下重力方向 ĝ_W（仅在 S² 上估计，Sec. III-D）与 b_a 的可辨识性条件，以及在线收敛保证。\n4. **投影模型的解析化**：θ_a 方位偏移校正目前通过逐点查找表实现（Sec. III-F.2，Eq. 13-15，Fig. 2-3），无效点需行内插值。可推导包含 θ_a、n 的解析投影函数 Π_n 及其雅可比（改进 Eq. 21），从理论上消除查表与插值误差，并分析投影误差随距离 r 的传播规律。\n\n### 二、工程方向\n\n1. **计算效率与实时性优化**：光度子系统需为每个入射点生成偏移查找表、投影、NCC 计算（Sec. III-F.2、III-F.6），可探索 GPU/向量化加速、patch 稀疏化调度；滑动窗口长度 w、地图更新阈值（2 m 平移 / 30° 横滚俯仰，Sec. III-E.d）目前为手工设定，可设计随场景退化程度自适应调节的机制。\n2. **传感器泛化**：θ_a 模型与具体传感器强相关（如 Ouster 取值范围 [-11°, +11°]，Sec. III-F.2 引用 [^28]），当前仅验证机械旋转式 OS0-128。可扩展至固态 LiDAR（Livox 等非重复扫描模式）与不同强度模型的传感器，并研究 θ_a 的在线自标定而非依赖厂商文档。\n3. **从里程计到完整 SLAM**：当前系统无回环检测，1 km 隧道往返仍有 ~1 m 漂移与轻微 z 漂移（Sec. IV-C，Fig. 6）。可利用强度图像纹理（隧道壁画等，Sec. IV-C）设计基于 NCC patch 的回环因子，集成位姿图优化或全局平滑。\n4. **在线外参与时间标定**：系统假设 IMU-LiDAR 外参 T_IL 预先精确标定且时间同步（Sec. III-A），可扩展在线外参/时间偏移联合估计，提升部署便捷性。\n5. **机载嵌入式部署**：论文动机强调微型飞行器对重量、功耗敏感（Sec. I），隧道实验平台为 [^37] 的变体（Sec. IV-C），但未报告机载计算单元上的运行耗时。后续应在 SWaP 受限平台上验证实时性并给出各子系统耗时剖析。\n\n### 三、数据与评测方向\n\n1. **扩充退化场景数据集并公开**：目前评测依赖 Newer College（Sec. IV-A，Table I）、ENWIDE（Sec. IV-B，Table II）与自采自行车隧道数据（Sec. IV-C），后者未说明是否公开。可构建并公开更长距离地下隧道网络、农田、雪原、水面等自相似环境数据集，覆盖不同速度、光照与纹理条件。\n2. **系统性消融实验**：论文缺少关键消融：(a) 仅几何 / 仅光度 / 惯性各因子的贡献分解；(b) NCC 因子 vs. 直接光度误差（如 ZNSSD、反射率差值 [^20]）的单独对比；(c) 查找表投影 vs. CPBRA 常值偏移模型（Sec. III-F.2，Fig. 3）的定量对比。这些是验证两大贡献（更真实投影模型 + 更鲁棒因子形式，Sec. II）独立有效性的必要实验。\n3. **评测指标扩展**：当前仅报告 ATE (RMSE) 与 10 m delta 的 RE（Sec. IV，evo 包 [^35]）。可补充地图质量指标（重建点云一致性、Sharpness，如 Fig. 5 定性观察）、退化场景失败率统计、以及随速度/距离增长的漂移曲线。\n4. **失败案例的细粒度分析**：本文在 TunnelS（ATE 0.635 vs COIN-LIO 0.743 但 RE 更差）与 RunwayD（ATE 3.273 vs 2.437）仍劣于 COIN-LIO（Sec. IV-B，Table II），需针对重力收敛失败与敏捷机动下旋转估计破坏地图这两类失败模式构建专门测试序列，定位根因。\n5. **跨传感器与跨平台泛化评测**：在不同分辨率、不同强度标定水平的 LiDAR（如 OS1、Velodyne）以及腿式、轮式平台上复现评测，检验方法对传感器参数（θ_a、n、θ_fov）变化的鲁棒性。\n\n### 优先级建议\n\n- **短期（复现即可做）**：消融实验（三-2）与隧道数据集公开（三-1），直接支撑论文两大贡献的独立验证。\n- **中期**：解析投影模型（一-4）与回环集成（二-3），可显著提升精度上限。\n- **长期**：退化可观测性统一理论（一-2）与跨传感器泛化（二-2、三-5），指向强度辅助 LIO 的通用化框架。\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### 浅层概览\n\nPG-LIO 定位为\"实时、紧耦合\"的 LIO，面向对尺寸、重量、功耗与算力（SWaP-C）敏感的自主机器人（尤其微型飞行器），核心卖点是仅用 LiDAR+IMU（不额外增加相机/雷达）即可在几何退化环境（隧道、田野）中保持鲁棒（Sec. I；Abstract）。论文展示的真实部署形态包括：手持采集（Newer College、ENWIDE 数据集，Sec. IV-A/IV-B）与无人机在自行车隧道内的高速手动飞行（平均 7.5 m/s、最大 10.8 m/s、总航程 1047 m、漂移约 1 m，Sec. IV-C；Fig. 6）。\n\n### 一、部署约束（Deployment constraints）\n\n1. **传感器硬件要求**\n   - 机械旋转式 LiDAR，且必须提供强度（intensity）通道；点云需为 organized，以便按 PBID 直接生成强度图像（Sec. III-F.1）。实验使用 Ouster OS0-128（Sec. IV-A、IV-C）。\n   - IMU 与 LiDAR 需时间同步，外参 T_IL 须事先标定（Sec. III-A）。\n   - 投影模型依赖每个激光头的方位偏移 θ_a（Ouster 传感器可达 [-11°, +11°]，[^28]）与投影中心距离 n（示例 n=0.02767 m，Sec. III-F.2；Fig. 2-3）——**更换传感器型号必须重新获取这些参数**。\n2. **初始化约束**\n   - 系统需初始静止约 N_s=0.5 s（100 Hz IMU 下约 50 个样本）以估计陀螺仪偏置、重力方向与加计偏置（Sec. III-C）；运动中启动不可行。\n   - 假设重力幅值 g≈9.81 m/s² 已知，仅估计其方向（Sec. III-C/III-D）；世界系取初始 IMU 系（W=I_0）。\n3. **场景约束**\n   - 依赖环境中存在可投影的强度纹理（隧道壁画提供纹理线索，Sec. IV-C）；若场景既无纹理又几何退化，方法仍可能失效。\n   - 无回环检测，长航线下漂移会累积（隧道实验中两种方法均存在轻微 z 漂移，Sec. IV-C）。\n\n### 二、计算/延迟影响（Compute/latency implications）\n\n- **实时性机制**：滑动窗口因子图 + 基于 iSAM2 [^21] 的增量固定滞后平滑器（Sec. III-B）。\n- **降采样策略**：每 4 点丢弃 3 点 + 体素亚采样（每体素 ≤20 点、新点与体素内所有点距离 >0.1 m），避免质心平均抹平边缘特征（Sec. III-E.b）。\n- **地图管理**：iVox [^24] 单体地图，按空间间隔（平移超 2 m 或横滚/俯仰变化超 30°）更新，控制查询与更新开销（Sec. III-E.d）。\n- **因子压缩**：几何/光度对应项分别白化、经 Huber 核加权后合并为单个稠密因子加入因子图，降低优化规模（Sec. III-E.c、III-F.6）。\n- **投影偏置查找表**：对入射点云逐点预计算 b_u 偏置查找表（无效点按行内首个有效值插值），在线投影退化为查表操作（Sec. III-F.2）。\n- **缺口**：论文未给出具体帧率、单帧耗时或硬件平台算力数据；\"real-time\" 声明贯穿全文（Abstract、Sec. III-B、Sec. V），实际部署前需自行基准测试。\n\n### 三、鲁棒性与安全性（Robustness/safety issues）\n\n- **鲁棒性证据**：ENWIDE 全部退化序列中，对比方法（KISS-ICP、MD-SLAM、Du and Beltrame、LIO-SAM、FAST-LIO2、RI-LIO）大多完全失败，仅 COIN-LIO 全序列存活；PG-LIO 在除 TunnelS/RunwayD 外的所有序列上 ATE/RE 均优于 COIN-LIO（Table II；Sec. IV-B）。\n- **已观测失效模式（Sec. IV-B）**\n  1. **TunnelS**：重力方向与加计偏置未收敛 → 隧道末端转弯时产生显著误差。提示：初始化/长时间弱激励下重力与偏置的可观测性不足是部署风险点。\n  2. **RunwayD**：单次高机动动作中旋转估计错误 → 地图破坏。COIN-LIO 在同一时刻也出现类似失效（其后续轨迹偏离又折返，ATE 数值反而更低）。\n- **安全相关设计**\n  - 退化方向检测（J^T J 平移块特征值投影）驱动光度特征采样，形成\"几何弱→光度补\"的互补机制（Sec. III-E.c、III-F.5）。\n  - 多重外点剔除：Huber 核、E_NCC 最小阈值、投影深度差跟踪（Sec. III-E.c、III-F.6）。\n  - NCC 对亮度仿射变化不敏感，缓解 LiDAR 强度违反亮度恒常假设的问题（Sec. III-F.3-4）。\n  - 1 km 隧道高速飞行仅 ~1 m 漂移，对 GPS 拒止下的隧道巡检、地下搜救等安全攸关任务有直接意义（Sec. IV-C；Fig. 6）。\n- **残余风险**：隧道飞行中两种方法均有轻微 z 漂移（Sec. IV-C）；无回环/全局一致性检查，长时间运行漂移无界。\n\n### 四、可维护性（Maintainability）\n\n- **开源承诺**：代码将发布于 <https://github.com/ntnu-arl/mimosa（Abstract、Sec>. V），利于复现与二次开发。\n- **自标定投影模型**：逐点生成偏置查找表，较 RI-LIO 的 CPBRA（逐 ring 常值偏置）更贴近真实光机构造、且随距离自适应，减少人工标定负担（Sec. III-F.2；Fig. 3）。\n- **组件成熟度**：iVox、iSAM2、evo 评估等均为开源成熟组件，维护门槛较低。\n- **维护成本点**\n  - 更换传感器需重新获取 θ_a、n、T_IL 及 IMU 噪声参数（Sec. III-A、III-F.2）。\n  - 强度一致性依赖 COIN-LIO [^12] 的滤波链（垂直高通+水平低通去线条伪影、亮度图规整、3×3 高斯平滑），参数与传感器相关，需调优（Sec. III-F.1）。\n  - 单体地图无压缩与回环机制，长航时/大范围运行的内存与漂移管理需自行扩展。\n\n### 五、落地建议（综合判断）\n\n- **适合**：几何退化但具强度纹理的环境（隧道、管廊、田野）；SWaP-C 受限平台（微型无人机）；需要实时里程计而非全局优化建图的场景。\n- **谨慎**：完全无纹理且几何退化的场景；超高动态机动任务（RunwayD 失效模式）；需要全局一致地图的长航时任务（需外接回环检测/建图后端）。\n- **部署前必做**：按目标传感器核对 θ_a/n 等投影参数、完成 T_IL 标定、保证静止初始化流程，并在目标硬件上实测帧率与延迟。\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：精简总结\n\n### 1. 总结段落\n\nPG-LIO 是一种实时、紧耦合的 LiDAR-惯性里程计（LIO）方法，将 LiDAR 采样的光度（强度）信息、几何点面约束与 IMU 预积分因子融合于滑动窗口因子图中（Sec. III-B, Fig. 1）。其动机在于：隧道、田野等几何自相似环境会使基于 ICP 的传统几何 LIO 病态化（退化）而失效，而利用现代 LiDAR 自带的强度通道可在不增加传感器重量与功耗的前提下补充信息（Sec. I）。论文的两大核心贡献是：a) 一种基于归一化互相关（NCC）的光度因子，对 LiDAR 强度图像违反亮度恒常假设的噪声更具容忍性；b) 一种自标定投影模型，显式补偿机械旋转式 LiDAR 激光头方位偏移 θ_a 随量测距离变化的投影偏差（Sec. III-F, Eq. 13-15, Fig. 2-3）。此外，惯性子系统将重力方向作为 $S^2$ 上的待估变量，对标准 IMU 预积分因子进行了修改（Sec. III-D）。实验表明：在几何条件良好的 Newer College 数据集上与 FAST-LIO2、COIN-LIO 等最先进方法精度相当（Table I）；在退化的 ENWIDE 数据集上除 TunnelS 与 RunwayD 外，在 ATE 与 RE 上全面优于 COIN-LIO（Table II）。最具代表性的是，在 1 km 几何自相似自行车隧道中以平均 7.5 m/s（最大 10.8 m/s）手动飞行时仅产生约 1 m 漂移（Sec. IV-C, Fig. 6）。代码承诺开源（<https://github.com/ntnu-arl/mimosa）。>\n\n### 2. 五条关键要点\n\n1. **问题与思路**：几何退化使 ICP 类 LIO 病态化；论文将退化视为“数据缺失”问题，用 LiDAR 自身强度作为额外数据源，避免加装相机/雷达带来的重量与功耗负担（Sec. I, II）。\n2. **架构**：基于 iSAM2 [^21] 的滑动窗口增量固定滞后平滑因子图，融合几何（点到面 + iVox 地图）、光度（NCC patch 因子）、惯性（改进预积分）三个子系统，并利用几何子系统的可定位性特征方向指导光度特征的采样与初始化（Sec. III-B/III-E/III-F）。\n3. **投影模型创新**：相比 COIN-LIO 的 atan2/arcsin 模型与 RI-LIO 的 CPBRA 常值偏移，PG-LIO 按每点量测距离生成查找表校正 θ_a 引起的 u 向偏差，使投影精确回到 PBID 位置（Sec. III-F.2, Eq. 13-15, Fig. 3）。\n4. **光度因子形式**：NCC 归一化 Ψ 使误差对亮度仿射变化不变，$E_{ZNSSD}=2-2E_{NCC}\\in[0,4]$，大于 2 视为明显外点；配合投影深度差与 $E_{NCC}$ 阈值剔除 outlier（Sec. III-F.4/III-F.6, Eq. 16-20）。\n5. **实验结论**：常规场景不掉精度、退化场景大幅领先（如 IntersectionD 的 ATE 0.473 m 对 COIN-LIO 的 1.912 m），1 km 隧道高速飞行仅 ~1 m 漂移，验证了在 MAV 等载荷受限平台上的实用价值（Table I/II, Sec. IV-C）。\n\n### 3. 核心公式/机制\n\n光度 NCC 因子（Sec. III-F.4, Eq. 16-20）：\n\n$$\\Psi(\\overline{\\mathbf{I}})=\\frac{\\overline{\\mathbf{I}}-\\mu_{\\overline{\\mathbf{I}}}}{\\sigma_{\\overline{\\mathbf{I}}}},\\qquad E_{ZNSSD}=\\|\\Psi(\\overline{\\mathbf{S}})-\\Psi(\\overline{\\mathbf{T}})\\|^2=2-2\\,E_{NCC}(\\overline{\\mathbf{S}},\\overline{\\mathbf{T}})$$\n\n其中 $E_{NCC}(\\overline{\\mathbf{S}},\\overline{\\mathbf{T}})=\\Psi(\\overline{\\mathbf{S}})^\\top\\Psi(\\overline{\\mathbf{T}})\\in[-1,1]$。光度残差为（Eq. 23）：\n\n$$e=\\Psi(\\mathbf{I}_{j}(\\Pi_{n}(\\Gamma(\\mathbf{P}(\\mathbf{X})))))-\\Psi(\\mathbf{I}_{k}(\\mathbf{X}))$$\n\n雅可比经链式法则为 $\\mathbf{J}=\\mathbf{J}_{\\Psi}\\mathbf{J}_{I}\\mathbf{J}_{\\Pi_n}\\mathbf{J}_{\\Gamma}$（Eq. 24）。该机制对 patch 强度向量做零均值/单位方差归一化，使因子对强度图像中的未知仿射亮度变化鲁棒，从而绕开亮度恒常假设；这是其在退化环境中优于直接光度误差方法的关键。\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\n\ntext\nPG-LIO\n├─ I. 引言（Sec. I）\n│ ├─ 问题：几何自相似环境（隧道/田野）使基于 ICP 的几何 LIO 病态退化\n│ ├─ 动机：不增加传感器，仅用 LiDAR 强度 + IMU 应对退化\n│ └─ 贡献：① 基于 NCC 的光度因子；② 自标定投影模型 Π_n\n├─ II. 相关工作（Sec. II）\n│ ├─ 固态 LiDAR 强度边缘点方法 [^17]\n│ ├─ 反射率地图代价 [^19][^20]（RI-LIO，CPBRA 投影模型）\n│ └─ COIN-LIO [^12]：强度图像 patch + 退化感知特征选择\n├─ III. 方法（Sec. III）\n│ ├─ A. 记号与状态定义（Eq. 1）\n│ ├─ B. 总体架构：滑动窗口因子图（Fig. 1）+ 增量固定滞后平滑 [^21]\n│ ├─ C. 初始化（Eq. 2-5；静止 N_s≈0.5 s，约 50 个 IMU 样本）\n│ ├─ D. 惯性子系统：修改版 IMU 预积分（重力方向 ĝ_W∈S² 作为变量）\n│ ├─ E. 几何子系统\n│ │ ├─ 去畸变（Eq. 6-8）\n│ │ ├─ 下采样（每 4 点丢 3；体素 <20 点且点距 >0.1 m [^26]）\n│ │ ├─ 点到面因子（Eq. 9-10；白化 + Huber 核）\n│ │ └─ 地图管理（iVox [^24]；平移 >2 m 或 roll/pitch 变化 >30° 时更新）\n│ └─ F. 光度子系统\n│ ├─ 图像生成与预处理（PBID [^20] + [^12] 滤波 + 3×3 高斯）\n│ ├─ 自标定投影模型 Π_n（Eq. 12-15；θ_a 偏移查找表；Fig. 2-3）\n│ ├─ 亮度一致性 → NCC 因子（Eq. 16-20；[^31][^32][^33]）\n│ ├─ 地图管理（高梯度 patch + 局部化贡献评分；外点剔除）\n│ └─ 光度因子与雅可比（Eq. 21-23；链式法则）\n├─ IV. 评估（Sec. IV）\n│ ├─ A. Newer College（Table I；Fig. 4）\n│ ├─ B. ENWIDE（Table II；Fig. 5）\n│ └─ C. 自行车隧道高速飞行（Fig. 6；1047 m 漂移约 1 m）\n└─ V. 结论（Sec. V）+ 开源承诺（github.com/ntnu-arl/mimosa）\n``n\n\n### 2. 方法/系统分解（method 原型）\n\n### 输入与输出\n\n| 项 | 内容 | 定位依据 |\n| --- | --- | --- |\n| 输入 | 机械旋转 LiDAR 点云（含逐点强度与时间戳）、IMU 高频测量、预标定外参 T_IL、初始静止约 0.5 s | Sec. III-A/C |\n| 输出 | 滑动窗口内实时状态 x_t=(T_WI, v_W, b_I) 与重力方向 ĝ_W；配准累积点云地图 | Eq. 1；Sec. III-B |\n\n### 三大子系统与代价函数（无训练，纯在线优化）\n\n1. **惯性子系统**（Sec. III-D）：在 Forster 预积分 [^25] 基础上修改。因 W=I_0 不与重力对齐，标准因子（假设 g_W=[0,0,-1]）会产生与几何/光度因子矛盾的强修正梯度，故将重力方向 ĝ_W 作为 S² 上的估计变量（重力幅值 g≈9.81 m/s² 视为已知 [^23]）。\n2. **几何子系统**（Sec. III-E）：点到面误差 e = n_W·(T_WI_e p_I_e − q_W)（Eq. 9），雅可比 Eq. 10；对应有效性判据为 5 近邻距离 < d_1、非共线（最大特征值 < 3×次大特征值）、点到拟合平面 < d_2；各项白化并经 Huber 核 [^27] 加权后合并为单个稠密因子。\n3. **光度子系统**（Sec. III-F）：归一化函数 Ψ（Eq. 16-18）将强度向量变为零均值单位方差；误差 e = Ψ(I_j(Π_n(Γ(P(X))))) − Ψ(I_k(X))（Eq. 21），等价于 E_ZNSSD = 2 − 2E_NCC ∈ [^0] [^4]（Eq. 19-20），大于 2 判为外点；雅可比链 J = J_Ψ·J_I·J_Πn·J_Γ（Eq. 22-23），其中 J_I 为图像梯度，J_Πn 为含偏移修正的投影雅可比。\n\n### 关键设计点（与 COIN-LIO 的两大差异，Sec. II/III-F）\n\n- **自标定投影 Π_n**（Eq. 12-15）：显式建模激光头位于投影中心（距原点 n）且存在方位偏移 θ_a（Ouster 传感器可达 ±11° [^28]）导致的、随测距 r 变化的像素偏移；对每个入射点计算偏移生成查找表，把投影修正到精确 PBID 位置，优于 RI-LIO 每环常数偏移的 CPBRA（Fig. 3 证明该偏移非常数）。\n- **NCC 因子**：针对 LiDAR 强度图违反亮度常值假设的问题，采用对未知仿射亮度变化鲁棒的 NCC 相似度替代直接光度误差。\n- **跨模态耦合**：几何子系统用 J^TJ 平移块特征向量投影的局部化贡献识别退化方向（同 [^12]），光度子系统据此初始化新 patch，实现互补信息融合。\n\n## 推理/运行流程\n\n初始化（Eq. 2-5；首帧点云不做畸变校正，直接初始化 iVox 几何地图与光度 patch 数组）→ 逐帧：IMU 传播去畸变（Eq. 6-8；同时保存 (t, T_LeLt) 对供光度子系统使用，并为新状态提供先验）→ 几何/光度并行生成因子 → 加入滑动窗口因子图 → iSAM2 式增量固定滞后平滑求解 [^21] → 平移 >2 m 或 roll/pitch 变化 >30° 时更新地图。\n\n### 3. 重要图表解读（≥2）\n\n- **Fig. 1（因子图架构，Sec. III-B）**：方形为因子、圆形为变量。滑动窗口内各时刻状态 x_i 与重力方向 ĝ_W 为节点，惯性（IMU 预积分）、几何（点到面）、光度（NCC patch）三类因子连接相应状态。要点：① ĝ_W 显式作为变量源于 W=I_0 假设（Sec. III-B/D）；② 三模态紧耦合于同一因子图，由增量固定滞后平滑实时求解。\n- **Fig. 2 + Fig. 3（投影模型及其误差可视化，Sec. III-F.2）**：Fig. 2 示意激光头位于投影中心、其射线相对原点-投影中心连线偏移 θ_a；Fig. 3 以 θ_a=11°、n=0.02767、θ_e=30°、w=1024 画出投影像素 u 随测距 r（0.3–20 m）的变化，偏移达数像素且随距离变化。要点：直接否定 CPBRA 的每环常数偏移假设，支撑本文逐点查找表修正（Eq. 15），是精度提升的结构性根源。\n- **Table I（Newer College，Sec. IV-A）**：Ours 在 Quad-Hard/Cloister/Stairs/Park 分别为 0.054/0.35、0.097/0.55、0.077/0.78、0.331/0.61（ATE m / RE %），与 FAST-LIO2、COIN-LIO 同量级；Stairs 上所有纯几何方法（KISS-ICP、LIO-SAM、FAST-LIO2、RI-LIO）全部失败（×），仅两个强度辅助方法成功，凸显强度信息在自相似场景中的价值。\n- **Table II（ENWIDE，Sec. IV-B）**：除 TunnelS（0.635/2.09 vs COIN-LIO 0.743/1.60，RE 略差）与 RunwayD（ATE 3.273 vs 2.437，但 RE 1.08 优于 2.98）外，Ours 在其余 8 个序列的 ATE 与 RE 均优于 COIN-LIO；其余 6 个对比方法在几乎所有序列完全失败（×）。失败归因（Sec. IV-B）：TunnelS 因重力/加计 bias 未收敛致隧道末端转弯产生大误差；RunwayD 因单次敏捷机动的旋转估计错误破坏地图。\n- **Fig. 6（隧道实验，Sec. IV-C）**：500 m 自相似隧道段、总轨迹 1047 m、平均 7.5 m/s（最大 10.8 m/s）手动飞行；COIN-LIO 回程在弱特征区丢失特征，本文方法回到起点漂移仅约 1 m（≈0.1%）；两者均存在轻微 z 漂移。\n\n### 4. 实验与评估细节\n\n- **数据集**：\n  1. Newer College [^36]：手持 Ouster OS0-128，校园环境，4 序列（Quad-Hard 234.81 m、Cloister 428.79 m、Stairs 57.04 m、Park 2396.20 m）——几何良构场景（Table I）。\n  2. ENWIDE [^12]：手持 OS0-128，几何退化环境（隧道/交叉口/跑道/田野/Katzensee），每场景 S（慢速）与 D（动态）两版本共 10 序列；真值由 Leica 全站仪对标棱镜测得（Table II）。\n  3. 自采自行车隧道（Fyllingsdal；致谢 Vestland Fylkeskommune）：空中机器人（[^37] 变体）搭载 OS-0-128 Rev7 + VectorNav VN100，往返 1047 m，平均 7.5 m/s（Sec. IV-C）。\n- **指标**：ATE RMSE（m）与 RE（%，delta=10 m），使用开源 evo 包 [^35] 评估；对比方法数值取自 [^12] 的报告，口径一致（Sec. IV 开头）。\n- **对比目标**：KISS-ICP [^26]、MD-SLAM [^15]、Du and Beltrame [^16]、LIO-SAM [^34]、FAST-LIO2 [^19]、RI-LIO [^20]、COIN-LIO [^12]。\n- **公平性**：评估工具与指标口径与 [^12] 统一；但对比数值为转引而非统一复跑；隧道实验仅对比 COIN-LIO（理由：其他方法已在 ENWIDE 更简单序列上失败，Sec. IV-C），且为自采数据、无第三方复核，样本量小。\n- **消融**：**无正式消融实验**。两大贡献（Π_n 投影模型、NCC 因子）的效果仅通过与 COIN-LIO 的整体对比间接体现，未分别隔离验证；亦无滑动窗口长度 w、下采样参数等的敏感性分析——这是第二遍阅读应标记的验证缺口（留待 Module E 讨论）。\n- **关键数字**：几何良构场景与 SOTA 相当（Table I）；退化场景 8/10 序列优于 COIN-LIO（Table II）；隧道 1047 m 漂移约 1 m（Fig. 6）。\n\n### 5. 方法原型图（method 型：数据流 + 因子生成 + 优化闭环）\n\ntext\n┌──────────────────── 输入 ────────────────────┐\n│ LiDAR 点云(含强度) │ IMU 测量 │ 外参 T_IL │\n└──────────────────────┬───────────────────────┘\n                       ▼\n     初始化(静止0.5s): b_g, ĝ_W, b_a (Eq.2-5)\n                       ▼\n     去畸变: IMU 传播(Eq.6) + Eq.7-8 → p_Ie 与 (t, T_LeLt)\n           ┌────────────┴────────────┐\n           ▼ ▼\n      几何子系统 光度子系统\n      · 下采样(体素<20点, · PBID 强度图 + [^12]滤波\n        点距>0.1m) · 自标定投影 Π_n(θ_a 查找表, Eq.15)\n      · 点到面因子(Eq.9-10) · NCC 因子(Eq.16-23)\n      · iVox 地图(2m/30°更新) · patch 地图 + 外点剔除\n           └── 退化方向反馈: 几何 J^TJ → 光度选点 ──┘\n                       ▼\n     滑动窗口因子图(Fig.1) + 增量固定滞后平滑 [^21]\n                       ▼\n┌──────────────────── 输出 ────────────────────┐\n│ x_t=(T_WI, v_W, b_I), ĝ_W, 配准点云地图 │\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：第三遍精读——深度评审\n\n### 1. 可复现性重构（Reconstruction notes + 伪代码）\n\n依据 Sec. III 的完整描述，算法管线可重构如下：\n\n``n初始化（Sec. III-C）:\n  静止采集 N_s = 0.5 s 的 IMU 数据（100 Hz → N = 50 样本）\n  b_g,0 = mean(ω̃)\n  μ_a = mean(ã)\n  ĝ_W,0 = μ_a / |μ_a|          # 仅估计重力方向，g ≈ 9.81 m/s² 已知\n  b_a,0 = μ_a − g·ĝ_W,0\n  用第一帧点云（不去畸变）初始化 iVox 几何地图 [^24] 与光度 patch 库\n\n每帧点云处理:\n\n1. 惯性: 对扫描时段内 IMU 测量预积分；修改 [^25] 因子，把重力方向 ĝ_W ∈ S² 作为待估变量（Sec. III-D）\n2. 去畸变: 用 Eq. 6 传播状态，逐点 deskew 至 t_e（Eq. 7-8），缓存 (t, T_{L_e L_t}) 供光度子系统复用\n3. 几何子系统（Sec. III-E）:\n   a. 降采样: 每 4 点丢 3 点 + 体素子采样（体素内 <20 点且与已有点距离 >0.1 m）\n   b. 对每点在 iVox 地图查 5 近邻，校验: 距离 < d1、非共线（λ_max < 3λ_2）、到拟合平面距离 < d2\n   c. point-to-plane 残差 e = n_W·(T_{WI_e} p_{I_e} − q_W)（Eq. 9），Jacobian 见 Eq. 10-11\n   d. 白化 + Huber 核 → 合成单个稠密几何因子\n   e. 用 J^T J 右下（平移）块特征向量方向判定退化方向，指导光度特征采样\n   f. 地图更新条件: 平移间隔 >2 m 或相对最近更新位姿 roll/pitch 变化 >30°（Sec. III-E.d）\n4. 光度子系统（Sec. III-F）:\n   a. PBID 生成强度图；高通(垂直)+低通(水平)滤除线伪影；亮度图归一化曝光；3×3 高斯平滑\n   b. 投影: Π_n(p) = Π(p) + [b_u, 0]^T（Eq. 15），b_u 由逐点生成的查找表补偿 θ_a 随距离变化的偏移（Eq. 12-14, Fig. 2-3）\n   c. NCC 误差 e = Ψ(I_j(Π_n(Γ(P(X))))) − Ψ(I_k(X))（Eq. 23），Ψ 为零均值单位方差归一化（Eq. 17-19）\n   d. Jacobian 链式法则 J = J_Ψ · J_I · J_Πn · J_Γ（Eq. 24-27），J_I 为图像梯度\n   e. 外点剔除: 投影深度差跟踪 + E_NCC 最小阈值；外点 patch 从地图删除\n   f. patch 候选按高梯度提取，并按几何子系统给出的退化方向打分选择（Sec. III-F.5）\n5. 优化: 三类因子加入因子图，用基于 iSAM2 [^21] 的增量固定滞后平滑器在滑窗 w 上求解（Sec. III-B, Fig. 1）\n``n\n**重构不确定点**：滑窗长度 w、NCC patch 尺寸、d1/d2 阈值、E_NCC 外点阈值、光度/几何因子相对权重（信息矩阵）均未在正文给出；b_u 查找表的逐点构建与插值细节描述较简略（正文仅说明无效点用每行首个有效值插值，Sec. III-F.2）。复现需依赖开源代码 <https://github.com/ntnu-arl/mimosa>。\n\n### 2. 关键假设（Assumptions）\n\n- **传感器同步与外参**：IMU 与 LiDAR 已时间同步，外参 T_IL 先验精确标定（Sec. III-A）。\n- **初始静止**：系统启动时静止 N_s 秒（典型 0.5 s），用于初始化陀螺/加计偏置与重力方向（Sec. III-C）。\n- **重力幅值已知**：g ≈ 9.81 m/s² 高精度已知，仅估计方向 ĝ_W ∈ S²，且 W = I_0（Sec. III-C/III-D）。\n- **亮度一致性可近似**：原始强度不满足亮度恒常，但经 [^12] 滤波后，残余的仿射亮度变化可被 NCC 吸收（Sec. III-F.3）。\n- **投影模型可参数化**：机械旋转式 LiDAR 的投影误差可由方位偏移 θ_a（逐激光头恒定，Ouster 为 ±11°，[^28]）与投影中心偏移 n 刻画（Sec. III-F.2）。\n- **强度纹理存在**：环境中存在可提取的高梯度强度 patch（依赖表面反射率/纹理差异），否则光度因子同样无约束。\n\n### 3. 失效模式与盲点（Failure modes / blind spots）\n\n- **重力/偏置收敛失败**：TunnelS 序列中估计器未收敛到正确重力方向与 b_a，导致隧道末端转弯产生显著误差（Sec. IV-B），说明初始化后长直道低激励场景下偏置可观测性不足。\n- **剧烈机动敏感性**：RunwayD 中单次敏捷机动的旋转估计错误导致地图断裂，ATE（3.273 m）劣于 COIN-LIO（2.437 m，Table II；Sec. IV-B）。\n- **双重退化未覆盖**：若环境既几何自相似又强度均匀（如无壁画装饰的均质隧道/长走廊），光度因子同样失效，论文未测试此类场景，鲁棒性声明存在边界。\n- **强度物理耦合与 z 漂移**：强度受入射角、距离、材质耦合影响（Sec. III-F.3, [^29]），仅靠滤波+NCC 缓解；隧道实验中两种方法均存在小 z 漂移且未解决（Sec. IV-C）；极端材质、雨雾粉尘等条件未验证。\n\n### 4. 优点与不足（Strengths & weaknesses）\n\n### 优点\n\n- **传感配置极简**：仅用 LiDAR+IMU 即融合强度信息，不增加重量/功耗，契合微型飞行器 SWaP 约束（Sec. I）。\n- **投影模型更贴近真实构造**：自标定模型逐点补偿 θ_a 引起的随距离变化的像素偏移，优于 RI-LIO 的 CPBRA 逐 ring 常值偏移（Sec. III-F.2, Fig. 3）。\n- **因子形式更鲁棒**：NCC 因子可吸收未知仿射亮度变化，比直接光度差/反射率差更适合原始强度（Sec. III-F.3-4, Eq. 20-22）。\n- **重力方向在线估计**：修改 IMU 预积分因子将 ĝ_W 作为变量，避免 W 不对齐重力时的错误修正梯度（Sec. III-D）。\n- **实验充分且有说服力**：常规场景与 SOTA 相当（Table I），退化场景在 10 个序列中 8 个优于 COIN-LIO（Table II），并有 1 km 隧道、平均 7.5 m/s 高速飞行仅 ~1 m 漂移的极限验证（Sec. IV-C, Fig. 6）。\n- **承诺开源**（Abstract, Sec. V），利于社区复现。\n\n## 不足\n\n- 个别序列仍逊于 COIN-LIO（TunnelS 的 RE 2.09% vs 1.60%；RunwayD 的 ATE 3.273 vs 2.437，Table II），失败分析偏定性、缺乏量化诊断。\n- 未报告计算耗时/实时性指标，无法与 FAST-LIO2、COIN-LIO 做效率对比。\n- 超参数与传感器配置细节缺失，复现完全依赖代码仓库。\n- 隧道实验为单次采集（n=1），统计显著性未知；z 漂移问题仅被提及未解决（Sec. IV-C）。\n- 强度滤波链沿用 [^12]，对不同传感器型号/标定质量的泛化能力未验证。\n\n### 5. 下一步研究方向（Next-step research）\n\n- **双重退化压力测试**：在几何自相似且强度均匀的环境（无纹理均质隧道、长走廊）评估，并引入退化感知的自适应因子加权或回退机制。\n- **在线自标定扩展**：将 θ_a、投影中心偏移 n 及强度-反射率模型参数纳入在线估计，减少对传感器文档 [^28] 与离线查找表的依赖。\n- **效率与选择性激活**：报告并优化每帧耗时，探索仅在检测到退化方向时激活光度因子的按需融合策略以节省算力。\n- **漂移消除与模态扩展**：结合回环检测/位姿图优化消除 z 漂移与累积漂移，并将 NCC 因子框架推广到雷达/热成像等其他强度类模态。\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### F.1 术语表（共 30 条）\n\n### 1. LiDAR-Inertial Odometry (LIO)／激光雷达-惯性里程计\n\n- 定义：融合 LiDAR 点云与 IMU 测量进行实时位姿状态估计与建图的方法体系。\n- 直觉：LiDAR 提供低频但精确的空间结构，IMU 提供高频运动线索，两者互补支撑实时里程计。\n- 论文中的作用：论文研究主题；PG-LIO 即一种实时、紧耦合 LIO（Abstract, Sec. I）。\n- 先修知识：状态估计、SLAM 基础、非线性优化。\n\n## 2. Degeneracy / Ill-conditioned／几何退化（病态）\n\n- 定义：环境几何自相似（隧道、田野等）导致 ICP 类优化在某些方向缺乏约束、条件数病态而失效。\n- 直觉：长直隧道中沿轴向的平移无法从几何结构上区分。\n- 论文中的作用：论文要解决的核心问题；光度因子用于补充退化方向的信息（Sec. I, III-E.c）。\n- 先修知识：最小二乘、Hessian 矩阵与条件数。\n\n## 3. ICP (Iterative Closest Point)／迭代最近点\n\n- 定义：迭代最小化对应点间距离度量以配准点云的非线性优化方法 [^2]。\n- 直觉：反复执行「找对应—算变换」直至收敛。\n- 论文中的作用：传统 LIO 几何约束的基础；几何子系统的点到面因子是其变体（Sec. I, III-E.c）。\n- 先修知识：刚体变换、非线性最小二乘。\n\n## 4. Factor Graph／因子图\n\n- 定义：将待估变量（状态）与测量约束（因子）表示为二分图并进行 MAP/最小二乘求解的结构。\n- 直觉：圆圈是状态变量，方块是测量约束（对应 Fig. 1）。\n- 论文中的作用：PG-LIO 整体架构，融合几何、光度、惯性三类因子（Sec. III-B, Fig. 1）。\n- 先修知识：概率图模型、非线性最小二乘。\n\n## 5. Sliding-window / Fixed-lag Smoothing (iSAM2)／滑动窗口平滑\n\n- 定义：仅保留最近长度 w 时间窗内状态进行增量式平滑优化的方法，论文基于 iSAM2 [^21] 的增量固定滞后平滑器。\n- 直觉：丢弃久远状态以维持实时性。\n- 论文中的作用：保证实时运行的优化框架（Sec. III-B）。\n- 先修知识：因子图平滑、Bayes 树。\n\n## 6. IMU Preintegration／IMU 预积分\n\n- 定义：将两状态之间的多个 IMU 测量积分为一个相对运动约束因子 [^25]。\n- 直觉：把高频 IMU 数据「打包」成单个约束，避免随窗口增长重复积分。\n- 论文中的作用：惯性子系统核心；论文修改 [^25] 因子使重力方向成为待估变量（Sec. III-D）。\n- 先修知识：流形上的积分、IMU 噪声与偏置模型。\n\n**7. Gravity Direction Estimation (ĝ_W on S²)／重力方向估计**\n\n- 定义：因世界系取初始 IMU 系（W = I0），重力不必沿 -z 轴；利用已知重力大小 g≈9.81 m/s²，仅在单位球 S² 上估计重力方向（Sec. III-C, III-D）。\n- 直觉：大小已知，只需知道重力「指向哪」。\n- 论文中的作用：初始化公式（Eq. 2-5）与修改版 IMU 因子的关键设计；隧道实验中重力/偏置未收敛曾导致误差（Sec. IV-B）。\n- 先修知识：IMU 静态初始化、球面参数化。\n\n**8. IMU Biases (b_a, b_g)／加速度计与陀螺仪偏置**\n\n- 定义：IMU 测量中的系统性误差，作为状态 x_t 的一部分在线估计（Eq. 1）。\n- 直觉：读数 = 真值 + 偏置 + 噪声。\n- 论文中的作用：状态组成与初始化（Eq. 2-5）；预积分传播中使用（Eq. 6）。\n- 先修知识：IMU 误差模型。\n\n## 9. Deskewing／点云去畸变（运动补偿）\n\n- 定义：利用 IMU 传播的状态把一帧内不同时刻采样的点统一变换到扫描结束时刻坐标系，消除运动畸变（Eq. 6-8）。\n- 直觉：扫描期间载体在动，需把「歪」的点云「拉直」。\n- 论文中的作用：几何与光度子系统的共同前置步骤，并为光度子系统提供各点的 T_{L_e L_t}（Sec. III-E.a, III-F.6）。\n- 先修知识：IMU 状态传播、外参标定。\n\n## 10. Point-to-plane Error／点到面误差\n\n- 定义：当前点到对应地图平面（法向量 n_W、面上点 q_W）的有符号距离作为残差（Eq. 9），雅可比见 Eq. 10-11。\n- 直觉：让当前扫描点「贴」到地图平面上。\n- 论文中的作用：几何因子的代价形式（Sec. III-E.c）。\n- 先修知识：平面拟合、法向量估计。\n\n## 11. iVox (Incremental Voxels)／增量体素地图\n\n- 定义：Faster-LIO [^24] 提出的并行稀疏增量体素地图数据结构。\n- 直觉：用体素哈希实现地图的快速插入与近邻查询。\n- 论文中的作用：几何子系统的单体（monolithic）地图结构（Sec. III-C, III-E.d）。\n- 先修知识：空间数据结构、近邻搜索。\n\n## 12. Voxel Subsampling／体素降采样\n\n- 定义：论文采用的降采样策略：每 4 点丢弃 3 点；仅当体素内点数 < 20 且新点与体素内所有点距离 > 0.1 m 时加入（Sec. III-E.b），避免质心平均抹平边缘 [^26]。\n- 直觉：保留真实采样点而非平均点，保住几何边缘信息。\n- 论文中的作用：几何子系统在计算效率与保真度间的折中。\n- 先修知识：体素网格、点云下采样。\n\n## 13. Intensity／（LiDAR）强度值\n\n- 定义：LiDAR 返回的回波强度，依赖环境与传感器参数、距离、表面反射率及入射角 [^29]。\n- 直觉：类似「激光回波亮度」，隐含表面纹理信息。\n- 论文中的作用：光度子系统的原始信号；其低分辨率、离散采样、卷帘效应与不一致性是方法设计难点（Sec. I, III-F.3）。\n- 先修知识：LiDAR 传感原理。\n\n## 14. Reflectivity／反射率\n\n- 定义：经传感器标定/预处理后与距离解耦的表面反射属性，RI-LIO [^20] 使用。\n- 直觉：强度的「标准化」版本。\n- 论文中的作用：对比方法 RI-LIO 基于反射率；PG-LIO 直接使用原始（随距离变化的）强度，与 COIN-LIO 设定一致（Sec. II）。\n- 先修知识：强度—反射率关系。\n\n## 15. Intensity Image / PBID (Projection by ID)／强度图像（按 ID 投影）\n\n- 定义：有序点云按采样 ID 直接排列形成的强度图像 [^20]。\n- 直觉：有序点云天然就是「图像」，每个像素对应一次激光采样。\n- 论文中的作用：光度子系统的图像生成方式（Sec. III-F.1）。\n- 先修知识：有序点云概念。\n\n## 16. Rolling Shutter Effect／卷帘效应\n\n- 定义：机械旋转 LiDAR 不同方位角采样时刻不同导致的图像畸变。\n- 直觉：图像各行并非同一瞬间采集。\n- 论文中的作用：强度利用的难点之一（Sec. I）；通过 deskewing 与 [^12] 的 undistortion map 处理（Sec. III-F.6）。\n- 先修知识：采样时序、运动畸变。\n\n## 17. Brightness Consistency／亮度一致性\n\n- 定义：同一表面在不同时刻/距离下强度值保持稳定的假设；论文指出即使经 [^12] 滤波，也不能假设严格亮度常驻（brightness constancy）。\n- 直觉：直接法要求「同一东西看起来一样亮」，但 LiDAR 强度难以保证。\n- 论文中的作用：引出采用 NCC 因子的动机（Sec. III-F.3）。\n- 先修知识：光度直接法。\n\n## 18. NCC (Normalized Cross Correlation)／归一化互相关\n\n- 定义：对两向量做零均值单位方差归一化后的内积相似度，值域 [-1, 1]（Eq. 16-17）。\n- 直觉：对未知仿射亮度变化不敏感的「模板匹配」。\n- 论文中的作用：光度因子的核心代价形式，比直接光度误差更能容忍强度噪声（Sec. III-F.4, III-F.6）。\n- 先修知识：向量归一化、模板匹配。\n\n## 19. ZNSSD (Zero-mean Sum of Squared Differences)\n\n- 定义：E_ZNSSD = ||Ψ(S̄) − Ψ(T̄)||² = 2 − 2·E_NCC，值域 [^0] [^4]，大于 2 视为明显外点（Eq. 18-19）。\n- 直觉：NCC 的「距离化」版本，便于纳入最小二乘。\n- 论文中的作用：光度因子实际最小化的误差函数（Sec. III-F.4）。\n- 先修知识：NCC、最小二乘。\n\n**20. Normalization Function Ψ 及其雅可比 J_Ψ**\n\n- 定义：Ψ(Ī) = (Ī − μ)/σ 将强度向量变为零均值单位方差；其可微雅可比由方差归一化与零均值化两个矩阵因子构成（Eq. 14-15, 20-21）。\n- 直觉：消除仿射亮度差异的「可微预处理算子」。\n- 论文中的作用：光度因子雅可比链式推导的第一环 J_Ψ（Eq. 23）。\n- 先修知识：矩阵微积分。\n\n**21. Self-calibrating Projection Model (θ_a azimuth offset)／自标定投影模型（方位偏移）**\n\n- 定义：显式建模激光头位于投影中心、相对旋转原点存在方位偏移 θ_a（Ouster 传感器可达 ±11° [^28]）的投影模型；按点计算偏置生成查找表修正投影 u 坐标（Eq. 12-15, Fig. 2-3）。\n- 直觉：激光并非从旋转中心发出，投影偏移随测距值变化，可达数个像素。\n- 论文中的作用：两大贡献之一；相比 CPBRA 的每环常数偏置更贴近 LiDAR 真实构造（Sec. III-F.2）。\n- 先修知识：球面/柱面投影、机械旋转 LiDAR 构造。\n\n## 22. CPBRA (Corrected Projection By Real Angle)\n\n- 定义：RI-LIO [^20] 提出的每条扫描环施加常数偏置的投影修正方法。\n- 直觉：给每个环固定一个像素偏移。\n- 论文中的作用：被论文指出无法反映随距离变化的偏移（Fig. 3），是 PG-LIO 投影模型改进的直接对照（Sec. III-F.2）。\n- 先修知识：投影模型、扫描环概念。\n\n## 23. Localizability Analysis／可定位性分析\n\n- 定义：通过几何因子雅可比 J^⊤J 平移块特征向量上的投影贡献，识别几何约束不足的方向（Sec. III-E.c，沿用 [^12]）。\n- 直觉：找出「哪些方向看不清」，在这些方向补充光度特征。\n- 论文中的作用：连接几何与光度子系统的桥梁，指导光度 patch 的评分、选择与初始化（Sec. III-F.5）。\n- 先修知识：特征值分解、信息矩阵。\n\n## 24. Patch Feature／图像块特征\n\n- 定义：从滤波后强度图像中提取的高梯度小块，作为光度地图中的特征与跟踪单元。\n- 直觉：一小块「纹理模板」。\n- 论文中的作用：光度地图的存储单元；被光度因子标记为外点的 patch 会被删除（Sec. III-F.5, III-F.6）。\n- 先修知识：特征提取、图像梯度。\n\n## 25. Huber Kernel／Huber 核\n\n- 定义：对小误差二次、大误差线性的鲁棒代价函数 [^27]。\n- 直觉：「大错误别太当真」，抑制外点影响。\n- 论文中的作用：几何因子残差的加权（Sec. III-E.c）。\n- 先修知识：鲁棒统计、M-估计。\n\n## 26. Outlier Rejection／外点剔除\n\n- 定义：几何对应需满足 5 近邻距离阈值 d1、非共线（最大特征值 < 3 倍次大特征值）、平面距离阈值 d2；光度 patch 通过投影深度差与 E_NCC 最小阈值剔除（Sec. III-E.c, III-F.6）。\n- 直觉：优化前先筛掉明显错误的对应，保证因子质量与地图清洁。\n- 论文中的作用：几何与光度子系统的质量控制机制。\n- 先修知识：RANSAC 思想、特征值判据。\n\n## 27. ATE / RE / RMSE／绝对轨迹误差、相对误差、均方根误差\n\n- 定义：ATE 为估计轨迹与真值的 RMSE（米）；RE 为 10 m delta 下的相对平移误差（%）；使用开源 evo 包 [^35] 评估，对比数值沿用 [^12] 报告。\n- 直觉：ATE 衡量整体漂移，RE 衡量局部一致性。\n- 论文中的作用：Table I / Table II 的统一评价指标（Sec. IV）。\n- 先修知识：轨迹评估协议。\n\n## 28. Newer College Dataset / ENWIDE Dataset\n\n- 定义：Newer College [^36] 为手持 Ouster OS0-128 在校园采集的数据集；ENWIDE [^12] 为几何退化环境（隧道、交叉口、跑道、田野等，含慢速 S 与动态 D 后缀序列）的手持数据集，真值由 Leica 全站仪测量棱镜获得。\n- 直觉：前者验证常规场景性能，后者验证退化场景鲁棒性。\n- 论文中的作用：Sec. IV-A / IV-B 的评测数据来源。\n- 先修知识：数据集评估协议、真值获取方式。\n\n## 29. Tightly-coupled／紧耦合\n\n- 定义：将各传感器的原始测量级约束（而非独立解算的位姿结果）放入同一优化问题中融合。\n- 直觉：所有信息在「同一个方程组」里联合求解。\n- 论文中的作用：PG-LIO 的方法定位（Abstract, Sec. I）。\n- 先修知识：多传感器融合的松/紧耦合分类。\n\n## 30. COIN-LIO\n\n- 定义：当前利用强度信息的 SOTA LIO [^12]，基于强度图像 patch、亮度一致性滤波与退化感知的互补信息选择。\n- 直觉：PG-LIO 最主要的对比基线与改进对象。\n- 论文中的作用：相关工作核心参照；实验中 PG-LIO 在多数退化序列上 ATE/RE 均优于它（Sec. II, Table II, Fig. 5-6）。\n- 先修知识：强度辅助 LIO、退化感知特征选择。\n\n### F.2 概念依赖图（纯文本）\n\n``n【传感器层】\nLiDAR 点云 ──> Deskewing（依赖：IMU 状态传播 + 外参 T_IL）\n                ├──> 体素降采样 ──> 点到面几何因子（Huber 核 + 外点剔除）──> iVox 单体地图\n                └──> PBID 强度图像 ──> 预处理（线伪影滤除 + 亮度图滤波 + 高斯平滑）\n                                          ──> NCC/ZNSSD 光度因子（依赖：自标定投影模型 Π_n）\nIMU 测量 ──> 静态初始化（b_g, b_a, 重力方向 ĝ_W ∈ S²）\n        ──> 修改版预积分因子（重力方向作为待估变量）\n\n【优化层】\n{几何因子 + 光度因子 + 惯性因子} ──> 滑动窗口因子图（iSAM2 增量固定滞后平滑）\n                                ──> 状态 x_t = (T_WI, v_W, b_I) + ĝ_W\n\n【跨模态耦合（论文核心逻辑链）】\n几何因子雅可比 J^⊤J（平移块）──特征值分析──> 可定位性/退化方向检测\n        ──> 指导光度 patch 的评分、选择与新特征初始化（几何→光度的信息流）\n自标定投影模型（θ_a 方位偏移 + 按点偏置查找表）──> 精确投影 Π_n\n        ──> 光度因子雅可比链 J = J_Ψ · J_I · J_Πn · J_Γ（投影→光度→优化的信息流）\nDeskewing 提供的 T_{L_e L_t} ──> 光度因子中每个地图点的正确变换（几何预处理→光度）\n\n【评估层】\nNewer College（常规场景）/ ENWIDE（退化场景）/ 自采 1 km 自行车隧道高速飞行数据\n        ──> ATE(RMSE) / RE（evo 包）──> 与 COIN-LIO、FAST-LIO2、RI-LIO、KISS-ICP、LIO-SAM、MD-SLAM 等基线对比\n        ──> 结论：常规场景与 SOTA 相当；退化场景显著优于仅用强度的 SOTA（隧道飞行 ~1 m 漂移 / 1047 m）\n``n\n**依赖图要点解读**：\n\n1. 三条并行信息流（几何、光度、惯性）在因子图中汇合，滑动窗口平滑是汇合点。\n2. 几何→光度的两条关键依赖： 可定位性分析决定光度特征「在哪里补」； 自标定投影模型决定光度特征「投到哪里」。\n3. IMU 传播是几何与光度共同的底层依赖（deskewing），而重力方向估计是惯性因子与全局一致性的底层依赖——隧道实验中重力/偏置未收敛正是该依赖链上的失效案例（Sec. IV-B）。\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、冲突与参考文献核查\n\n### 1. 关键事实性主张核查（每条给出论文内定位 + 交叉来源）\n\n### 主张 1：PG-LIO 在约 1 km 几何自相似隧道飞行中仅约 1 m 漂移，平均速度 7.5 m/s、最大 10.8 m/s\n\n- 来源 A：Abstract（“only ~1 m drift over a 1 km manually piloted aerial trajectory ... average speed of 7.5 m/s (max speed 10.8 m/s)”）。\n- 来源 B：Sec. IV-C 正文与 Fig. 6 图注（轨迹总长 1047 m，平均 7.5 m/s，最大 10.8 m/s）。\n- 核查结论：论文内部两处一致（1047 m ≈ 1 km，四舍五入关系）；该隧道数据集未提供公开链接，外部独立验证不可得，需依赖代码仓库或后续数据发布核实。\n\n### 主张 2：ENWIDE 数据集上，COIN-LIO 是唯一在所有序列均未完全失败的对比方法；PG-LIO 在除 TunnelS、RunwayD 外的所有序列上 ATE 与 RE 均优于 COIN-LIO\n\n- 来源 A：Sec. IV-B 正文（“COIN-LIO is the only method that does not completely fail in any sequence”）。\n- 来源 B：Table II 数值（COIN-LIO 全部 10 个序列均有有效数值；KISS-ICP、MD-SLAM、Du and Beltrame、RI-LIO 全序列失败；LIO-SAM 仅 KatzenseeS 未失败；FAST-LIO2 在 TunnelS/TunnelD/RunwayS/RunwayD 失败）。\n- 核查结论：正文与表格一致。注意表述易误读：FAST-LIO2 与 LIO-SAM 在个别序列有非失败结果，但均在至少一个序列完全失败，故与该句不矛盾。\n\n## 主张 3：Newer College 数据集上 PG-LIO 与 SOTA 精度相当\n\n- 来源 A：Table I（Ours：Quad-Hard 0.054/0.35，Cloister 0.097/0.55，Stairs 0.077/0.78，Park 0.331/0.61）。\n- 来源 B：Sec. IV-A 正文。\n- 核查结论：Stairs 上 Ours (0.077) 优于 COIN-LIO (0.102)，Quad-Hard/Cloister 上略差，与“comparable”措辞一致。**不确定性**：对比方法数值“as reported by [^12]”（Sec. IV），即转引自 COIN-LIO 论文，非作者独立复现，存在版本/参数设置差异风险。\n\n**主张 4：Ouster 传感器每个激光头存在方位偏移 θ_a，可达 [-11°, +11°]，且投影偏差随测距值变化（0.3–20 m 内可达数像素）**\n\n- 来源 A：Sec. III-F.2 正文、Eq. 13-15 与 Fig. 3（示例参数 θ_a=11°, n=0.02767, θ_e=30°, w=1024）。\n- 来源 B：引用 [^28] Ouster 官方传感器文档（访问日期 2025-04-11）。\n- 核查结论：θ_a 范围与厂商文档一致；Fig. 3 的具体数值示例无法从文档内部独立复算，但模型推导自洽，且与 CPBRA（[^20]，按 ring 常数偏置）的差异论证（偏置随距离变化）在几何上成立。\n\n**主张 5：NCC 因子的数学性质（E_NCC ∈ [-1,1]；E_ZNSSD = 2 − 2E_NCC ∈ [^0] [^4]；>2 视为明显外点）**\n\n- 来源 A：Sec. III-F.4，Eq. 16-23。\n- 来源 B：[^32] Szeliski《Computer Vision: Algorithms and Applications》Eq. 9.11 与 [^33] Woodford“Least squares normalized cross correlation”（arXiv:1810.04320）。\n- 核查结论：与标准 NCC/ZNSSD 关系一致，数学自洽；雅可比 J_Ψ（Eq. 23）的方差归一化 + 零均值分解与 [^33] 的推导相符。\n\n## 主张 6：修改 IMU 预积分因子以在 S² 上估计重力方向（因 W = I₀ 不与重力对齐）\n\n- 来源 A：Sec. III-D。\n- 来源 B：Sec. III-C 初始化（Eq. 3-5；重力幅值 g ≈ 9.81 m/s² 已知，引 [^23]）与 [^25] Forster 预积分（原方法假设重力沿 [0,0,-1]）。\n- 核查结论：内部一致；对 [^25] 原始假设的陈述准确，修改动机（旋转激励不足时校正梯度不一致）合理。\n\n**主张 7：初始化假设静止 N_s = 0.5 s、IMU 100 Hz → N = 50 样本**\n\n- 来源 A：Sec. III-C。\n- 核查结论：0.5 s × 100 Hz = 50，内部数值自洽；但 IMU 频率 100 Hz 仅在此处隐含给出，Sec. IV-C 的 VN100 实际配置频率未在文中列出，需外部核对。\n\n## 主张 8：硬件与平台：Ouster OS-0-128 Rev7 + VectorNav VN100，飞行平台为 [^37] RMF-Owl 的变体\n\n- 来源 A：Sec. IV-C。\n- 来源 B：[^37]（RMF-Owl, ICUAS 2022）。\n- 核查结论：引用链一致；具体传感器型号与隧道几何（每 500 m 休息站、8 m 直径半圆断面）无法从文档内部交叉验证。\n\n**主张 9：代码开源承诺 <https://github.com/ntnu-arl/mimosa**>\n\n- 来源 A：Abstract；来源 B：Sec. V。\n- 核查结论：两处一致，但均为将来时“shall release”，撰写时可能尚未发布；仓库名 mimosa 与作者早期工作 [^3]（MIMOSA, IROS 2022）同名，需外部核查仓库当前内容是否已包含 PG-LIO。\n\n**主张 10：评估协议：RMSE ATE (m) 与 delta = 10 m 的 RE (%)，使用开源 evo 包 [^35]**\n\n- 来源 A：Sec. IV；来源 B：Table I/II 标题与 [^35]（github.com/MichaelGrupp/evo）。\n- 核查结论：一致；对比方法数值沿用 [^12] 的报告约定。\n\n### 2. 冲突与不确定性说明\n\n1. **发表信息缺失**：期刊/年份/卷期未显式标注。推测 RA-L 约 2025 年，依据：IEEE letter 排版与 Index Terms、[^28] 访问日期 2025-04-11、引用 2025 年 5 月 ICRA 的 [^11]。无法从文档确证。\n2. **作者单位缺失**：正文未标注单位，NTNU 归属系由 ntnu-arl 代码仓库推断，存在推断风险。\n3. **对比数值为二手来源**：Table I/II 中 [^12][^15][^19][^20][^26][^34] 的数值转引自 COIN-LIO [^12]，非本文作者独立复现；若原报告设置不同或有误，对比结论会受影响。\n4. **RunwayD 结果解释不可独立验证**：Ours 的 ATE (3.273 m) 劣于 COIN-LIO (2.437 m) 但 RE (1.08%) 更优；论文解释为 COIN-LIO 后期轨迹恰好折返靠近起点从而压低 ATE（Sec. IV-B）。该解释属作者自述，无法从表格独立验证。\n5. **TunnelS 失败归因缺消融支撑**：归因于重力方向与加速度计偏置未收敛导致隧道末端转弯出现大误差（Sec. IV-B），无专门消融实验直接证明。\n6. **参考文献小瑕疵**：[^33] 标注年份 2022，但 arXiv:1810.04320 首次提交为 2018 年 10 月（可能引用的是更新版本）；[^9] 标注 2025，但 arXiv:2408.11809 首次提交为 2024 年 8 月。均不影响技术内容，但引用元数据需注意。\n7. **隧道实验可复现性受限**：Sec. IV-C 的自行车隧道数据未说明是否公开，第三方无法直接复现 1 km 飞行结果；鸣谢显示隧道为挪威 Vestland Fylkeskommune 管理的 Fyllingsdal 自行车隧道，与外部公开资料（位于卑尔根、长约 2.8 km 的专用自行车隧道）在量级上相容，但正文未给出隧道名称。\n8. **“1 km”（Abstract）与 1047 m（Sec. IV-C）**：为四舍五入关系，非实质冲突。\n9. **超参数无敏感性分析**：地图更新阈值（2 m 平移 / 30° 横滚或俯仰，Sec. III-E.d）、子采样参数（每 4 点丢 3 点；体素内 <20 点且点距 >0.1 m，Sec. III-E.b）、N_s = 0.5 s（Sec. III-C）均为论文自述，未提供消融或敏感性分析。\n10. **表述歧义提示**：“COIN-LIO is the only method that does not completely fail in any sequence”易被误读为“唯一有任何结果的序列”，实际含义是“唯一在全部序列均未完全失败”，与 Table II 一致。\n\n### 3. 参考文献列表（核查涉及的关键文献）\n\n## 核心对比方法\n\n- [^12] P. Pfreundschuh, H. Oleynikova, C. Cadena, R. Siegwart, O. Andersson, “COIN-LIO: Complementary Intensity-Augmented LiDAR Inertial Odometry,” ICRA 2024, pp. 1730–1737.（主要对比方法、ENWIDE 数据集来源、Table I/II 数值转引来源）\n- [^19] W. Xu, Y. Cai, D. He, J. Lin, F. Zhang, “FAST-LIO2,” IEEE T-RO, 38(4), 2022, pp. 2053–2073.\n- [^20] Y. Zhang et al., “RI-LIO,” IEEE RA-L, 8(3), 2023, pp. 1802–1809.\n- [^26] I. Vizzo et al., “KISS-ICP,” IEEE RA-L, 8(2), 2023, pp. 1029–1036.\n- [^34] T. Shan et al., “LIO-SAM,” IROS 2020, pp. 5135–5142.\n- [^15] L. Di Giammarino et al., “MD-SLAM,” IROS 2022, pp. 11047–11054.\n- [^16] W. Du, G. Beltrame, “Real-Time SLAM with LiDAR Intensity,” ICRA 2023, pp. 4164–4170.\n\n## 方法学基础\n\n- [^2] P. Besl, N. D. McKay, “A method for registration of 3-D shapes,” IEEE TPAMI, 14(2), 1992.（ICP）\n- [^21] M. Kaess et al., “iSAM2,” IJRR, 31(2), 2012.（增量平滑因子图）\n- [^24] C. Bai et al., “Faster-LIO,” IEEE RA-L, 7(2), 2022.（iVox 地图）\n- [^25] C. Forster et al., “IMU preintegration on manifold,” RSS 2015.（预积分因子，本文修改其重力处理）\n- [^22] T. Lupton, S. Sukkarieh, IEEE T-RO, 28(1), 2012.（W = I₀ 初始化动机）\n- [^23] G. Balmino et al., Journal of Geodesy, 86(7), 2012.（重力幅值已知性）\n- [^27] P. J. Huber, “Robust Estimation of a Location Parameter,” Ann. Math. Statist., 35(1), 1964.（Huber 核）\n- [^32] R. Szeliski, Computer Vision: Algorithms and Applications, Springer, 2022.（NCC，Eq. 9.11）\n- [^33] O. J. Woodford, “Least squares normalized cross correlation,” arXiv:1810.04320.（NCC 最小二乘推导与雅可比）\n- [^28] Ouster Sensor Documentation, <https://static.ouster.dev/sensor-docs/>..., 访问日期 2025-04-11.（θ_a ∈ [-11°, +11°]）\n\n## 数据集与工具\n\n- [^36] L. Zhang, M. Camurri, M. Fallon, “Multi-Camera LiDAR Inertial Extension to the Newer College Dataset,” arXiv:2112.08854, 2021.\n- [^35] M. Grupp, “evo: Python package for the evaluation of odometry and slam,” GitHub, 2017.\n- [^37] P. D. Petris et al., “RMF-Owl,” ICUAS 2022, pp. 536–543.（飞行平台原型）\n- [^3] N. Khedekar, M. Kulkarni, K. Alexis, “MIMOSA,” IROS 2022, pp. 7153–7159.（代码仓库名 mimosa 的来源）\n\n**核查状态小结**：论文内部数值与表述总体自洽（Abstract ↔ Sec. IV ↔ Table I/II ↔ Fig. 3/6）；外部核对限于引用元数据与公开常识（Ouster 文档、Fyllingsdal 隧道背景）。主要不可验证点为：转引的对比数值、RunwayD/TunnelS 的失败归因、隧道数据可得性、代码仓库实际内容。建议复现时以开源仓库与原始数据集为准，并独立复跑对比方法以消除二手数值风险。\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：图表提取与深读\n\n### 1. 图表完整索引\n\n#### 图（Figures，共 6 幅）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 重要度（1–5） |\n|---|---|---|---|---|---|\n| Fig. 1 | 维护的因子图架构：因子用方块表示，变量用圆圈表示 | 系统架构图 | Sec. III-B | 几何、光度、惯性三子系统因子融合进滑动窗口因子图，经基于 iSAM2 [^21] 的增量固定滞后平滑器实时优化；重力方向 ĝ_W 作为显式变量 | 5 |\n| Fig. 2 | 光度子系统所用 LiDAR 投影模型：显式建模从原点到投影中心射线与从投影中心到采样点 p 射线之间的方位偏移 θ_a | 原理/几何示意图 | Sec. III-F.2 | 自标定投影模型（Eq. 13–15）刻画机械旋转式 LiDAR 激光头的 θ_a 偏移（Ouster 传感器 θ_a 可达 ±11° [^28]），是相对 COIN-LIO/RI-LIO 的关键差异之一 | 5 |\n| Fig. 3 | Eq. 12 投影模型下投影像素位置 u 随采样距离 r 的变化（θ_a=11°, n=0.02767, θ_e=30°, w=1024） | 定量曲线图 | Sec. III-F.2 | 投影偏差随距离在 0.3–20 m 范围内变化达数像素，证明 CPBRA 的逐 ring 常数偏移不足，需逐点查找表校正（Eq. 15） | 4 |\n| Fig. 4 | Newer College Dataset Park 序列累积配准点云俯视正交视图；插图：初始庭院等距特写 | 定性结果图（重建质量） | Sec. IV-A | 几何良好场景下重建精度高，佐证 Table I 中 Park 序列 0.331 m ATE / 0.61% RE | 3 |\n| Fig. 5 | ENWIDE IntersectionD 序列上与 COIN-LIO 的定性对比：黄框示更低整体漂移，蓝框示轨迹与真值重叠 | 定性对比图 | Sec. IV-B | 退化场景下优于 COIN-LIO：漂移更低、地图更锐利，佐证 Table II 中 IntersectionD 0.279/0.80 vs 0.466/1.25 | 4 |\n| Fig. 6 | 500 m 几何自相似自行车隧道段中与 COIN-LIO 的对比：无人机手动驾驶，均速 7.5 m/s、峰值 10.8 m/s，总轨迹 1047 m | 定性对比图（极端场景） | Sec. IV-C | 核心卖点：本方法完整重建隧道且回程漂移仅 ~1 m；COIN-LIO 在回程弱特征区丢失跟踪 | 5 |\n\n#### 表（Tables，共 2 张）\n\n| 编号 | 标题 | 类型 | 位置 | 支持的论断 | 重要度（1–5） |\n|---|---|---|---|---|---|\n| Table I | Newer College Dataset：ATE RMSE (m) / 相对误差 RE (%)（delta=10 m，evo 包 [^35] 评估） | 定量对比表 | Sec. IV-A | 几何良好条件下与 SOTA 相当：Ours 在 Quad-Hard 0.054/0.35、Cloister 0.097/0.55、Stairs 0.077/0.78、Park 0.331/0.61；FAST-LIO2 与 LIO-SAM 在 Stairs 失败（×），COIN-LIO 为 0.102/0.74 | 5 |\n| Table II | ENWIDE Dataset：ATE RMSE (m) / RE (%)（10 条序列，S=慢速、D=动态机动） | 定量对比表 | Sec. IV-B | 退化场景核心证据：除 TunnelS（RE 2.09 vs 1.60 略差）与 RunwayD（ATE 3.273 vs 2.437）外，Ours 在全部序列的 ATE 与 RE 均优于 COIN-LIO；KISS-ICP/MD-SLAM/Du&Beltrame/LIO-SAM/RI-LIO 几乎全序列失败（×） | 5 |\n\n**数据来源备注**：Table I/II 中对比方法 [^12][^15][^19][^20][^26][^34] 的数值均转引自 COIN-LIO [^12]（Sec. IV 开头明确声明），存在二手数据风险；复现对比时应以开源实现重跑为准。\n\n### 2. 优先深读清单（Top-priority deep reads，5 项）\n\n1. **Fig. 1 + Sec. III-B/D（架构总览）**：先看因子图变量（滑动窗口状态 x_i 与重力方向 ĝ_W）与三类因子（几何点面、光度 NCC、IMU 预积分）的连接方式；重点注意 IMU 因子相对 Forster 预积分 [^25] 的修改——将重力方向作为 S² 上的待估计变量（Sec. III-D），这是理解 W=I_0 假设下系统可观测性与 TunnelS 失败归因（重力/偏置未收敛）的关键。\n2. **Fig. 2 + Fig. 3 + Eq. 12–15（投影模型，贡献一）**：理解 θ_a 方位偏移的几何来源（激光头位于投影中心、与原点射线存在偏角），以及 Fig. 3 为何证明偏差随距离 r 变化、从而否定 RI-LIO CPBRA 的逐 ring 常数偏移，导出逐点查找表方案（Eq. 15，无效点按行内首个有效值插值）。\n3. **Table II + Sec. IV-B（核心定量证据）**：逐列对比 Ours 与 COIN-LIO；重点核对两个例外序列的失败归因——TunnelS（重力与加速度计偏置未收敛导致隧道末端转弯产生大误差）与 RunwayD（单次敏捷机动旋转估计错误破坏地图，而 COIN-LIO 在同一时刻也有类似断裂但恰好后期回到起点附近使 ATE 更低）。\n4. **Fig. 6 + Sec. IV-C（最强应用卖点）**：1047 m 隧道轨迹、均速 7.5 m/s、~1 m 漂移；注意硬件配置（Ouster OS-0-128 Rev7 + VectorNav VN100，平台为 [^37] 变体）与隧道结构（每 500 m 休息站、8 m 直径恒定半圆截面、墙面普通与装饰壁画段提供强度纹理）。\n5. **Fig. 5 + Table I（对照性验证）**：Fig. 5 的黄框/蓝框定性证据与 Table I 的不掉点保证共同支撑完整主张——几何良好时不损失精度、退化时显著更优。\n\n### 3. 图表关系 / 实验设置图\n\n- **方法层（Sec. III）**\n  - Fig. 1 因子图架构（总纲）\n    - 惯性子系统：修改版 IMU 预积分，重力方向 ∈ S² 作为变量（Eq. 6–7，Sec. III-D，无独立图）\n    - 几何子系统：点面因子（Eq. 8–10）+ iVox 地图 [^24]（Sec. III-E，无独立图）\n    - 光度子系统（Sec. III-F）\n      - Fig. 2 投影模型几何（θ_a 偏移示意）\n      - Fig. 3 u 偏差随距离 r 变化曲线 → 证明需逐点查找表（Eq. 15）\n      - NCC 光度因子（Eq. 16–23，无独立图）\n- **实验层（Sec. IV，场景难度递进）**\n  - Table I + Fig. 4：Newer College（手持 Ouster OS0-128，几何良好）→ 不掉点验证\n  - Table II + Fig. 5：ENWIDE（手持 OS0-128，几何退化，Leica 全站仪真值）→ 更优验证\n  - Fig. 6：自行车隧道（无人机 OS-0-128 Rev7 + VN100，自相似 + 高速）→ 极限验证\n\n**关系逻辑**：Fig. 2/3 是方法层贡献一（自标定投影模型）的可视化；Table I/II 与 Fig. 4/5/6 按良好 → 退化 → 极端自相似+高速递进，构成与 SOTA 相当、退化下显著更优、极端场景 ~1 m 漂移的三级证据链。\n\n### 4. 图表 → 结论映射\n\n| 论文结论 | 支撑图表 | 证据要点 |\n|---|---|---|\n| 结论 1：几何良好场景下精度与 SOTA 相当 | Table I；Fig. 4 | Ours 四序列 ATE 0.054–0.331 m，与 FAST-LIO2/COIN-LIO 同量级；Fig. 4 庭院重建细节清晰 |\n| 结论 2：几何退化场景下显著优于强度融合 SOTA（COIN-LIO） | Table II；Fig. 5 | 10 序列中 8 序列 ATE 与 RE 双优（如 IntersectionD 0.279/0.80 vs 0.466/1.25）；Fig. 5 地图更锐利、轨迹与真值重叠 |\n| 结论 3：极端自相似隧道高速飞行仅 ~1 m 漂移 | Fig. 6；Sec. IV-C | 1047 m 轨迹、均速 7.5 m/s，COIN-LIO 回程丢失特征而 Ours 完整重建；两法均有轻微且难以区分的 z 漂移 |\n| 结论 4：自标定投影模型（θ_a + 距离相关逐点偏移）是超越 COIN-LIO 的关键之一 | Fig. 2；Fig. 3；Eq. 12–15 | θ_a 可达 ±11°，u 偏移随 r 在 0.3–20 m 间变化数像素，CPBRA 常数偏移无法覆盖 |\n| 结论 5：NCC 光度因子对强度噪声更鲁棒（贡献之二） | Eq. 16–23（无独立图，间接由 Table II/Fig. 5 支撑） | E_ZNSSD = 2 − 2·E_NCC 有界于 [^0] [^4]，容忍未知仿射亮度变化，适配违反亮度常性假设的 LiDAR 强度图 |\n| 结论 6：实时性（滑动窗口因子图 + 增量平滑） | Fig. 1；Sec. III-B/E.b | 基于 iSAM2 [^21] 的增量固定滞后平滑器；几何子系统降采样策略（每 4 点丢 3 + 体素内 20 点/0.1 m 间距限制）保障实时 |\n\n### 5. 图表质量与风险备注\n\n- **无消融实验图表**：投影模型（Fig. 2/3）与 NCC 因子两个贡献的独立增益未在图表中分离验证，需借助开源代码（<https://github.com/ntnu-arl/mimosa）自行消融。>\n- **二手数据风险**：Table I/II 对比方法数值转引自 [^12]，复现对比时应以开源实现重跑为准。\n- **Fig. 6 定量信息有限**：~1 m 漂移为文字描述，无逐帧误差曲线图；隧道数据集是否公开未说明。\n- **图表覆盖缺口**：初始化（Sec. III-C）、地图管理（Sec. III-E.d/III-F.5）、亮度一致性滤波（Sec. III-F.1）均无配图，理解需依赖正文公式与文字描述。"
}