{
  "paper_id": "3570cab407080461717b841bbf0ee0e4",
  "paper_title": "Efficient Submap-based Autonomous MAV Exploration using Visual-Inertial SLAM Configurable for LiDARs or Depth Cameras",
  "paper_authors": [
    "Sotiris Papatheodorou",
    "Simon Boche",
    "Sebastián Barbas Laina",
    "Stefan Leutenegger"
  ],
  "publication_date": "",
  "publication_venue": "2025 IEEE International Conference on Robotics and Automation (ICRA)",
  "abstract": "Autonomous exploration of unknown space is an essential component for the deployment of mobile robots in the real world. Safe navigation is crucial for all robotics applications and requires accurate and consistent maps of the robot's surroundings. To achieve full autonomy and allow deployment in a wide variety of environments, the robot must rely on onboard state estimation which is prone to drift over time. We propose a Micro Aerial Vehicle (MAV) exploration framework based on local submaps to allow retaining global consistency by applying loop-closure corrections to the relative submap poses. To enable large-scale exploration we efficiently compute global, environment-wide frontiers from the local submap frontiers and use a sampling-based next-best-view exploration planner. Our method seamlessly supports using either a LiDAR sensor or a depth camera, making it suitable for different kinds of MAV platforms. We perform comparative evaluations in simulation against a state-of-the-art submap-based exploration framework to showcase the efficiency and reconstruction quality of our approach. Finally, we demonstrate the applicability of our method to real-world MAVs, one equipped with a LiDAR and the other with a depth camera.",
  "keywords": [
    "自主探索",
    "微型飞行器（MAV）",
    "子图（submap）",
    "视觉惯性SLAM",
    "LiDAR",
    "深度相机",
    "前沿（frontier）",
    "下一最佳视角规划",
    "占据建图",
    "回环检测"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:34:40.396877Z",
  "template_tag": "deep_read",
  "summary": "# Efficient Submap-based Autonomous MAV Exploration using Visual-Inertial SLAM Configurable for LiDARs or Depth Cameras\n\n\n**作者 / Authors:** Sotiris Papatheodorou, Simon Boche, Sebastián Barbas Laina, Stefan Leutenegger\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 未明确标注（依据文中引用的 2024 年 arXiv 预印本 [^9][^34] 推测为 2024 年）\n\n\n\n**期刊/会议 / Publication Venue:** 未明确标注（IEEE 双栏会议排版风格，推测为 ICRA/IROS 类机器人会议论文）\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**：Efficient Submap-based Autonomous MAV Exploration using Visual-Inertial SLAM Configurable for LiDARs or Depth Cameras\n- **作者**：Sotiris Papatheodorou、Simon Boche、Sebastián Barbas Laina、Stefan Leutenegger（文中仅给出作者上标编号 1,2,3,4，未在提供的正文中列出对应机构；从引用关系看，团队与 OKVIS2/supereight2 等 SLAM 研究工作高度关联，机构信息需以原文首页脚注为准）\n- **发表载体**：正文未明确标注期刊/会议名称与年份；从 IEEE 会议排版、章节编号及引用文献年份推测为 2024 年 IEEE 机器人领域会议论文\n\n### 2. 研究定位\n\n- **研究领域**：移动机器人自主探索、VI-(LiDAR)-SLAM 与体积建图（第 I 节、第 II 节）\n- **具体任务**：让搭载 LiDAR 或深度相机的 MAV 在未知环境中实现全自主、大尺度、全局一致的 3D 探索与重建；核心是基于空间有界子地图 + 回环校正维持全局一致性，并通过高效的子地图级全局 frontier 计算支持**单一统一的全局探索规划器**，无需区分局部/全局规划（第 III–V 节）\n- **目标用户/应用场景**：需要自主巡检建图的真实场景（如工业与建筑工地巡检，第 I 节）；资源受限的小型 MAV 平台（方法无需 GPU，第 IV 节）\n\n### 3. 输入材料清单\n\n- **PDF**：有（已提供正文全文：摘要、第 I–VII 节、Fig. 1–8、Table I–IV、参考文献）\n- **附录/补充材料**：无\n- **代码链接**：文中未提供\n- **数据集链接**：文中未提供（仿真基于 Gazebo + PX4，环境为 30×15×9 m 的 Depot；真机实验为约 240 m³ 房间，见第 VI 节）\n\n### 4. 缺失材料与风险\n\n- **缺失项**：开源代码、数据集/环境配置、附录、明确的发表信息与作者机构列表\n- **可能影响**：\n  - 无法直接复现仿真与真机实验；虽然 Table I/IV 给出关键参数，但缺少 OKVIS2、supereight2、LVI-SLAM [^9] 的集成配置细节，复现门槛较高\n  - 发表信息与机构缺失，影响对论文版本、同行评审状态及团队背景的判断\n\n### 5. 阅读路线\n\n- **Step 1**：读摘要与第 I 节引言，抓住核心动机：子地图 + 回环校正对抗里程计漂移，统一全局规划取代分层规划\n- **Step 2**：读第 II 节相关工作（多传感器 SLAM、体积建图、自主探索），重点定位与 GLocal [^12] 的差异（是否需要局部/全局分层规划）\n- **Step 3**：精读第 III–V 节（问题定义、系统概览、全局 frontier 计算），掌握公式 (1)–(3) 的局部/全局 frontier 更新机制\n- **Step 4**：读第 VI 节评估（Fig. 4–8、Table I–IV），核对探索速度、安全性、重建质量（RMSE/完整度）与资源占用的证据链\n- **Step 5**：读第 VII 节结论与未来工作，梳理局限与扩展方向（语义信息与 VLM、考虑动力学的轨迹规划）\n\n### 分类依据（paper_archetype = system）\n\n- 主要贡献是一个完整的自主探索**系统/框架**：VI-SLAM 状态估计 + 子地图占用建图 + 探索规划 + 线性 MPC 四个模块集成（Fig. 2、第 IV 节），并开箱即用地支持 LiDAR 与深度相机两种传感器配置\n- 第 V 节的全局 frontier 高效计算虽是关键方法组件，但服务于整体系统的效率与可扩展性，故整体最贴切的单一标签为 `system` 而非 `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. 论文类型与类别\n\n- **论文类型**：系统类论文（paper_archetype = `system`），提出并集成了一套完整的 MAV 自主探索系统\n- **所属领域**：移动机器人自主探索 × VI-(LiDAR)-SLAM × 体积占用建图（第 I、IV 节）\n- **载体形式**：IEEE 双栏会议排版，含摘要、第 I–VII 节、Fig. 1–8、Table I–IV，符合 ICRA/IROS 类机器人会议论文的典型结构\n- **验证层级**：仿真对比实验（Gazebo + PX4，Depot 环境，第 VI-A 节）+ 真机实验（LiDAR MAV 与深度相机 MAV 各一台，第 VI-B 节），属于\"系统论文\"的完整证据链\n\n### 2. 背景与研究背景\n\n- **应用需求**：自主探索未知空间是移动机器人真实部署（如工业与建筑工地巡检）的核心能力，MAV 因灵活敏捷、可到达人类与地面机器人难以企及的区域而成为热门平台（第 I 节）\n- **技术矛盾**：机载状态估计（VI-SLAM）短期精度高但漂移随时间累积，在大尺度场景中导致地图精度显著恶化，威胁导航安全（第 I 节）\n- **现有缓解手段**：局部子地图 + 回环时更新子地图间相对位姿可维持全局一致性（[^10][^9][^11]，第 I 节）\n- **领域痛点**：使用子地图后，frontier（已知自由空间与未知空间的边界）追踪变得困难，因为同一区域可能涉及大量子地图；近期工作（GLocal [^12]、GBPlanner [^13] 等）因此引入分层局部/全局规划，系统复杂度高（第 I、II 节）\n- **本文立场**：通过高效的全局 frontier 计算，**单一统一的全局规划器即可实现快速高效探索，无需分层设计**（第 I、V 节）——这是与 GLocal 最核心的差异化主张\n\n### 3. 直觉正确性检查（关键假设及合理性）\n\n- **假设 1：漂移在小空间范围内可忽略**\n  - 出处：第 I 节（\"based on the assumption that drift is negligible within a small region\"）\n  - 评估：合理。这是子地图类方法（Voxgraph [^11]、GLocal [^12]）的通行假设，与视觉/惯性传感器短时漂移特性相符\n- **假设 2：全局 frontier 可由局部 frontier 与其他子地图求交高效得到**\n  - 出处：第 V 节公式 (2)(3)、Fig. 3\n  - 评估：逻辑自洽。某子地图的 frontier 若对应其他子地图中已观测区域，则不再是全局 frontier；布尔函数 h(f_i, M_l) 的三条件定义（不在 M_l 中 / 对应 M_l 未知区 / 对应 M_l 局部 frontier）覆盖了所有情形，且各子地图可并行计算\n- **假设 3：统一全局规划器 + 效用函数 u_j = g_j / t_j 的近邻偏好可替代分层规划**\n  - 出处：第 IV-C 节、第 VI-A 节 Fig. 5 与 Table II/III\n  - 评估：初步成立。仿真显示本方法探索更快、覆盖更完整、资源占用更低；但该结论目前仅在 30×15×9 m 的 Depot 环境验证，超大尺度环境下的外推性待第三遍审视\n- **潜在疑点**：全局 frontier 计算需将每个 frontier 与所有其他子地图逐一测试（式 3），最坏情况复杂度随子地图数量增长；文中以\"按需更新\"（第 V 节）与 supereight2 高效地图表示（Table III）缓解，但未给出复杂度上界的理论分析\n\n### 4. 核心贡献\n\n1. **快速轻量的 3D 探索框架**：融合 SLAM 与子地图（submapping），通过回环校正应对里程计漂移（摘要、第 I 节）\n2. **高效全局 frontier 更新方法**（第 V 节，式 (1)–(3)）：局部/全局 frontier 分开维护、按需更新，使大规模探索**无需区分局部与全局规划**——直接挑战 GLocal [^12] 的分层范式\n3. **传感器无缝可配置**：同一系统开箱即用支持 LiDAR 或深度相机（第 IV 节），且无需 GPU，适配资源受限的小型 MAV 平台\n4. **充分的定量/定性评估**：仿真中对比 SOTA 方法 GLocal，展示更快探索（Fig. 5）、更高安全性（Fig. 6）、更优重建质量（Table II：RMSE 0.112 m vs 0.219 m）与更低资源占用（Table III：内存 6.7 GB vs 23.5 GB）\n5. **真机验证**：在两台真实 MAV（Leica BLK2Fly 搭载 LiDAR、自研四旋翼搭载 RealSense D455）上完成部署演示（Fig. 1、7、8，第 VI-B 节）\n\n### 5. 清晰度评估\n\n- **结构组织**：经典 IMRaD 结构，第 I–VII 节依次为引言→相关工作→问题定义→系统概览→核心方法（全局 frontier 计算）→评估→结论，逻辑链条完整，第一遍阅读即可抓住主线\n- **图表质量**：\n  - Fig. 2 系统总览图清晰展示四大模块（状态估计、占用建图、探索规划、MPC 控制）及数据流\n  - Fig. 3 用蓝/红双色直观区分\"仅局部 frontier\"与\"全局 frontier\"，是理解核心贡献的关键插图\n  - Table II/III 提供重建质量与计算资源的量化对比，证据链扎实\n- **公式复杂度**：全文仅 3 个公式 (1)–(3)，均为集合运算，符号定义明确，无需深厚数学背景即可理解\n- **可读性**：高。写作紧凑，术语使用规范（frontier、submap、NBV、loop closure 等均有定义或引用），适合第一遍 10–15 分钟快速通读\n- **小瑕疵**：发表信息与作者机构未在提供文本中标注；部分实现细节（OKVIS2/supereight2 集成配置）外包给引用文献 [^4][^9][^23][^34]\n\n### 6. 继续阅读建议\n\n- **明确建议：继续深入阅读（进入第二遍 Module D 与第三遍 Module E）**\n- **理由**：\n  1. 贡献聚焦且可证伪：\"统一规划器可替代分层规划\"是一个清晰的技术主张，值得核查其证据强度（Fig. 5、Table II/III）\n  2. 实验设计规范：与 SOTA 基线 GLocal 在相同参数（Table I）与相同位姿源（OKVIS2）下对比，并含 ground-truth 位姿消融，具备复现分析价值\n  3. 工程参考价值高：LiDAR/深度相机双配置的系统集成方案（第 IV 节）对构建类似系统有直接借鉴意义\n  4. 遗留问题明确：全局 frontier 计算的可扩展性、真机实验规模较小（约 240 m³ 单房间，第 VI-B 节）等，适合在第三遍深读中作为批判性审查点\n\n### 7. 结构大纲图\n\nmarkmap\n\n# 论文概览：高效子地图式 MAV 自主探索\n\n## I. 引言\n\n### 动机：漂移累积 vs 全局一致性\n\n### 痛点：子地图下 frontier 追踪困难\n\n### 贡献列表（4 项）\n\n## II. 相关工作\n\n### 多传感器 SLAM（VI-SLAM / LVI-SLAM）\n\n### 体积建图（TSDF / ESDF / 占用八叉树）\n\n### 自主探索（frontier / 采样式 / 分层规划）\n\n### 对比对象：GLocal [^12]\n\n## III. 问题定义\n\n### 环境模型（占用概率、可观测体积）\n\n### MAV 模型（状态、传感器 FOV 与量程）\n\n## IV. 系统概览（Fig. 2）\n\n### 状态估计：OKVIS2（+LiDAR 残差 [^9]）\n\n### 占用建图：supereight2 子地图\n\n### 探索规划：采样式 NBV，u = g/t\n\n### 控制器：线性 MPC + 轨迹弹性形变\n\n## V. 全局 Frontier 计算（核心贡献）\n\n### 局部 frontier：增量更新，式 (1)\n\n### 全局 frontier：跨子地图求交，式 (2)(3)，Fig. 3\n\n## VI. 评估\n\n### 仿真：Depot 环境 vs GLocal\n\n#### 探索体积与速度（Fig. 5）\n\n#### 安全性（Fig. 6）\n\n#### 重建质量（Table II）\n\n#### 资源占用（Table III）\n\n### 真机：LiDAR MAV + 深度相机 MAV（Fig. 1、7、8）\n\n## VII. 结论与未来工作\n\n### 语义信息与 VLM 集成\n\n### 考虑 MAV 动力学的轨迹规划\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：搭载 LiDAR 或深度相机的微型飞行器（MAV）在机载状态估计不可避免存在里程计漂移的条件下，如何对大尺度未知环境实现全自主、快速、安全的 3D 探索与重建，同时保持地图的全局一致性（第 I 节、第 III 节）。\n\n### 2. 痛点与现有不足\n\n- **里程计漂移破坏全局一致性**：VI-SLAM 短期精度高但漂移随时间累积，在大尺度场景中显著恶化地图精度，威胁安全导航（第 I 节）。\n- **子地图下的 frontier 追踪困难**：采用子地图对抗漂移后，frontier（已知自由空间与未知空间的边界）分散在大量子地图及其重叠区域中，难以高效维护全局 frontier（第 I 节、第 V 节、Fig. 3）。\n- **分层规划结构复杂且开销大**：现有大规模探索方法（GLocal [^12]、GBPlanner [^13]、[^30]）需区分局部与全局规划；GLocal 对局部规划树的每个顶点都计算效用，导致规划总耗时高达 421±76 s（第 II 节、Table III）。\n- **部分替代方案计算代价高**：如 [^31] 在视觉回环后对测量进行昂贵的去积分/再积分以维持地图一致性（第 II 节）。\n\n### 3. 形式化目标\n\n- **环境模型**（第 III-A 节）：静态环境建模为有界体积 $V \\subset \\mathbb{R}^3$，每点 $\\mathbf{v} \\in V$ 具有占据概率 $P_o(\\mathbf{v})$，初始为 0.5；不可观测点集 $V_{\\text{unob}} \\subset V$ 被排除在探索范围之外。\n- **探索目标**（第 III-A 节）：构建子地图集合 $\\mathcal{M} = \\{M_i \\subseteq V, i \\in \\{1 \\ldots n_m\\}\\}$，使得 $\\bigcup_{i=1}^{n_m} M_i = V_{\\text{obs}} = V \\setminus V_{\\text{unob}}$，并将所有 $\\mathbf{v} \\in V_{\\text{obs}}$ 的占据概率更新为 free 或 occupied。\n- **规划目标**（第 IV-C 节）：在 frontier 附近采样候选位置 $\\hat{\\mathbf{r}}_j$，最大化单位时间信息增益——选择效用 $u_j = g_j / t_j$ 最高的候选作为下一目标，其中 $g_j$ 为候选位姿的潜在信息增益，$t_j$ 为按 $v_{\\max}$、$\\omega_{\\max}$ 估计的到达时间。\n\n### 4. 成功标准\n\n- **探索速度与覆盖率**：在 Depot 环境（30×15×9 m）中 300 s 内几乎 100% 探索体积，且运行间方差小于 GLocal（Fig. 5）。\n- **安全性**：MAV 轨迹到障碍物的最小距离分布显示，违反安全半径 $R = 0.5$ m 的频率显著低于 GLocal（Fig. 6）。\n- **重建质量**：RMSE 0.112 m（GLocal 为 0.219 m）；0.2 m 容差内完整度 86.07%（GLocal 为 44.19%）（Table II）。\n- **资源效率**：frontier 计算 16±7 s、效用计算 11±6 s、规划 134±45 s、内存 6.7±1.0 GB，均大幅优于 GLocal 的 52±7 s / 275±84 s / 421±76 s / 23.5±1.8 GB（Table III）。\n- **传感器通用性与可部署性**：同一框架开箱即用支持 LiDAR 与深度相机两种配置（第 I 节贡献列表、第 VI-B 节两类真机实验），且无需 GPU，可部署于资源受限的小型 MAV 平台（第 IV 节）。\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：相关工作定位与对比轴\n\n### 1. 最强基线与对比轴\n\n**GLocal [^12]**（Schmid et al., RA-L 2021）——本文唯一进行定量对比的 state-of-the-art 基线（第 VI-A 节）。\n\n- **方法**：基于 Voxgraph [^11] 的子地图建图 + 位姿图优化处理回环；探索采用**分层规划**——局部 RRT* 规划器负责近邻探索，当局部区域 utility 降低时由全局规划器（利用已完成子地图的 traversability graphs）引导机器人前往全局 frontier（第 II-C 节）。\n- **核心思想**：子地图保证大尺度环境下的全局一致性，局部/全局分层规划应对探索规模。\n- **局限**（本文针对性指出）：\n  - 必须区分局部与全局规划，架构复杂（第 I 节、第 II-C 节）；\n  - utility 需为局部规划树的每个顶点计算，规划耗时高（Table III：GLocal utility 计时 275±84 s vs 本文 11±6 s）；\n  - 底层 voxblox 建图人为膨胀障碍物，牺牲重建质量（第 VI-A.3 节，Table II：RMSE 0.219 m vs 本文 0.112 m）；\n  - 仅支持 LiDAR 传感器（第 VI-A 节）。\n- **对比轴**（Fig. 4–6、Table II–III）：① 探索速度与最终覆盖率（Fig. 5，10 次 SLAM 位姿 + 10 次 GT 位姿运行）；② 安全性（轨迹到障碍最小距离直方图，Fig. 6，安全半径 R=0.5 m 违反频率）；③ 重建质量（RMSE 与 0.2 m/0.4 m 完整度，Table II）；④ 计算资源（frontier/utility/规划 CPU 时间与内存，Table III：内存 23.5±1.8 GB vs 本文 6.7±1.0 GB）。\n- **公平性设置**：两者均接收 OKVIS2 位姿（含视觉回环）、使用相同 MPC 控制器、尽可能相同参数（Table I）；因 GLocal 依赖 LiDAR，仿真仅评估 LiDAR 配置（第 VI-A 节）。\n\n### 2. 最接近的方法与关键差异\n\n按 `方法 -> 核心思想 -> 局限` 结构梳理：\n\n| 方法 | 核心思想 | 与本文的关键差异/局限 |\n|---|---|---|\n| **GLocal [^12]** | Voxgraph 子地图 + 分层局部/全局探索规划 | 同为子地图探索框架，但需分层规划；本文以高效全局 frontier 计算（第 V 节，公式 (1)–(3)）实现**单一统一全局规划器**，无需局部/全局区分 |\n| **作者先前单地图规划器 [^3]**（Dai et al., ICRA 2020） | 在 frontier 附近采样候选点，按信息增益/时间 utility 选 next-best-view | 面向单体地图（monolithic map）；本文扩展两点：从子地图集合计算全局 frontier；适配 α_h=360° 传感器的 yaw 优化（第 IV-C 节） |\n| **Zhang et al. [^31]** | 视觉回环时对测量做去积分/重积分 + 主动飞向回环候选 | 计算昂贵；本文用子地图刚性变换吸收回环校正，避免重积分（第 II-C 节） |\n| **Selin et al. [^30]** | 局部 RRT* + 高斯过程存储未执行视点增益的分层设计 | 需局部/全局分层，且未处理里程计漂移下的地图一致性 |\n| **GBPlanner [^13]** | 局部 RRT* + 全局图引导至 frontier，附加安全约束 | 两阶段设计，面向地下环境；同样依赖局部/全局区分 |\n| **子地图 SLAM 系列 [^9][^11][^32][^33]** | 全局地图 = 可在回环/位姿图优化时重排的子地图集合 | 本文直接继承该思路（LiDAR 用 [^9]，深度相机用 [^34]），创新点在于其上的**探索规划层**而非建图本身 |\n\n**关键差异总结**：所有最接近的工作要么不做全局一致性（纯 frontier/采样法 [^1][^2][^24]），要么以分层规划 + 子地图对齐换取一致性（GLocal [^12]、GBPlanner [^13]、[^30]），要么以昂贵重积分换取一致性（[^31]）。本文的独特主张是：**只要能从子地图局部 frontier 高效增量维护全局 frontier（仅按需更新、可并行，第 V 节），分层规划即不必要**。\n\n### 3. 正交方向\n\n以下方向与本文贡献正交，本文以\"即插即用\"方式集成或可与之组合：\n\n- **状态估计（VI-SLAM/LVI-SLAM）**：滤波式（MSCKF [^14]、OpenVINS [^15]）与优化式（OKVIS2 [^4]、ORB-SLAM3 [^5]、VINS 系列 [^6][^16]）；LVI-SLAM 的 LOAM 特征路线（[^17][^7]）与直接/ICP 路线（FAST-LIVO [^8]、KISS-ICP [^18]）——本文固定使用 OKVIS2 + 自研 LVI-SLAM [^9]，估计器可替换。\n- **体积建图表示**：TSDF（KinectFusion [^19]，无法显式表达自由空间）、ESDF（voxblox [^20]）、占据栅格（Octomap [^21]、UFOMap [^22]、supereight2 [^23]）——本文选用 supereight2（显式未知空间 + 自适应分辨率），地图表示选择与规划策略解耦。\n- **采样与 utility 设计**：informed sampling（[^26][^27]）、其他 utility 函数（[^28][^29]）——可叠加到本文统一规划器上进一步提速。\n- **MAV 控制**：线性 MPC [^35]（含 [^34] 针对回环的轨迹弹性形变修改）——独立于探索与建图模块。\n- **语义/VLM 增强建图**：第 VII 节列为未来工作，与本文几何探索正交。\n\n### 4. 一句话定位\n\n本文首次证明：只要能从子地图集合高效维护全局 frontier，单一统一的全局采样规划器即可取代 state-of-the-art 的分层局部/全局规划，在 LiDAR 或深度相机两种配置、无需 GPU 的条件下，实现比 GLocal 更快、更安全、重建更完整且资源占用更低的 MAV 大尺度自主探索。\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（系统机制解析）\n\n### 1. 核心机制概述（浅层理解）\n\n论文将“里程计漂移下的大尺度 MAV 自主探索”问题求解为一个四模块闭环系统（Fig. 2，第 IV 节）：\n\n- **模块 i — 状态估计**：OKVIS2 VI-SLAM（LiDAR 平台额外融合基于占用地图的残差 [^9]），输出 IMU 频率的位姿估计并检测回环（第 IV-A 节）。\n- **模块 ii — 占用建图后端**：基于 supereight2 [^23] 的空间有界占用子地图；子地图锚定 OKVIS2 关键帧，回环时仅做刚体变换（第 IV-B 节）。\n- **模块 iii — 探索规划**：从全部子地图聚合出的**全局 frontier** 附近采样候选视点，按效用 u_j = g_j / t_j 选择下一目标（第 IV-C 节）。\n- **模块 iv — 控制**：线性 MPC 跟踪轨迹；轨迹锚定关键帧并随其更新而弹性形变（第 IV-D 节）。\n\n**两个核心设计洞察**：\n\n1. **抗漂移**：假设漂移在小区域内可忽略，用子地图保证局部精确；全局一致性通过回环校正对冻结子地图施加刚体变换来维持（第 I 节、第 IV-B 节）。\n2. **统一规划取代分层规划**：高效的局部/全局 frontier 增量计算（第 V 节）使单一全局规划器即可兼顾近处与远处目标，无需 GLocal [^12]、GBPlanner [^13] 式的局部/全局分层设计（第 II-C 节、第 IV 节）。\n\n### 2. 分步拆解（中层分析）\n\n- **Step 1 状态估计（第 IV-A 节）**：OKVIS2 接收立体灰度图像对与 IMU 测量，输出含 MAV 状态 x 与 IMU 偏置的估计；LiDAR 平台引入基于占用地图及其梯度的残差 [^9]，同时优化 (a) 新测量与已有子地图、(b) 重叠子地图之间的一致性。\n- **Step 2 子地图创建与冻结（第 IV-B 节）**：LiDAR 平台按几何重叠创建新子地图 [^9]，深度相机平台按视觉关键帧创建 [^34]；新子地图锚定 OKVIS2 关键帧，旧子地图随即冻结，此后仅允许刚体变换。\n- **Step 3 占用积分（第 IV-B 节）**：LiDAR 扫描或深度图像在 SLAM 位姿约束下积分进活动子地图（supereight2 八叉树显式表达自由空间，并向根节点传播最小/最大占用值，支持安全高效的路径规划）。\n- **Step 4 局部 frontier 增量更新（第 V-A 节，式 (1)）**：仅更新活动子地图的局部 frontier，且只检测自上次更新以来被修改的体素；过时 frontier 检测与新 frontier 计算可并行执行。\n- **Step 5 全局 frontier 计算（第 V-B 节，式 (2)(3)）**：每次规划迭代，将各子地图局部 frontier 与所有其他子地图逐一检验（布尔函数 h），剔除“在其他子地图中已被观测”的伪 frontier；各子地图的检验可并行。\n- **Step 6 探索规划（第 IV-C 节）**：在全局 frontier 附近采样 n_c 个候选位置 → 为每个候选规划路径并估计时长 t_j → 从候选位置做 360° 熵 raycast 得增益图 → 滑动窗口优化选偏航角 ψ_j 与增益 g_j → 效用 u_j = g_j / t_j 最大者成为下一目标，到达后重复。\n- **Step 7 轨迹跟踪（第 IV-D 节）**：线性 MPC 跟踪所选路径；轨迹锚定 OKVIS2 关键帧，回环引起关键帧更新时轨迹被弹性形变，保证大位姿跳变下仍能正确跟踪。\n\n### 3. 关键公式与模块角色（深层分析）\n\n**式 (1) 局部 frontier 增量更新（第 V-A 节）**：\nF_i^k = ( F_i^(k-1) ∖ F_{i,stale}^(k-1) ) ∪ F_{i,new}^k\n\n- 只重测已有 frontier 是否过时、只在被修改体素中寻找新 frontier，避免全图重扫，是计算轻量化的关键。\n- 局部 frontier 定义：自由体素且 (i) 至少有一个未知面邻接体素，或 (ii) 位于子地图边界；边界条件对有界子地图得到正确全局 frontier 至关重要（第 V-A 节）。\n\n**式 (2)(3) 全局 frontier 聚合（第 V-B 节）**：\nF_g^k = ∪_{i=1}^{n_m} F_{g,i}^k，其中 F_{g,i}^k = { f_i ∈ F_i : ∧_{l≠i} h(f_i, M_l) }\n\n- h(f_i, M_l) 为真当且仅当 f_i 不在 M_l 中、或对应 M_l 的未知区域、或对应 M_l 的局部 frontier；Fig. 3 直观展示了被剔除的 local-only frontier。\n- 该跨子地图一致性检验保证全局 frontier 不重复计入已被其他子地图观测的区域，是“单一全局规划器可行”的直接支撑。\n\n**效用函数（第 IV-C 节）**：u_j = g_j / t_j（最大化单位时间信息增益）。近处候选因 t_j 小而天然占优，使全局规划器在近处有目标时表现为“局部”行为，近处无目标时自动转向远处 frontier——这正是无需分层规划的原因。\n\n**模块角色总结**：\n\n| 模块 | 角色 | 关键组件/机制 |\n|---|---|---|\n| 状态估计 | 提供带回环校正的位姿 | OKVIS2 + LiDAR 占用残差 [^9] |\n| 建图后端 | 局部精确且全局一致的占用表达 | supereight2 子地图，锚定关键帧，冻结+刚体变换 |\n| 探索规划 | 基于全局 frontier 的统一采样规划 | frontier 附近采样 + raycast 增益 + u = g/t |\n| 控制器 | 执行轨迹并容忍回环跳变 | 线性 MPC + 轨迹弹性形变 |\n\n### 4. 系统流程图\n\nmermaid\nflowchart TD\n  S[\"传感器输入: 立体图像 + IMU（+ LiDAR 点云）\"] --> E[\"模块i: OKVIS2 VI-(LiDAR)-SLAM 状态估计\"]\n  E --> SC[\"子地图创建: 几何重叠(LiDAR) / 视觉关键帧(深度相机)\"]\n  SC --> M[\"模块ii: supereight2 占用子地图积分\"]\n  M --> FZ[\"旧子地图冻结, 仅保留刚体变换\"]\n  M --> LF[\"活动子地图局部frontier增量更新 式(1)\"]\n  LF --> GF[\"全局frontier计算 式(2)(3): 跨子地图检验 h(f_i, M_l)\"]\n  GF --> P[\"模块iii: 统一全局规划器, 效用 u_j = g_j / t_j\"]\n  P --> MPC[\"模块iv: 线性MPC轨迹跟踪, 轨迹锚定关键帧并弹性形变\"]\n  MPC --> FLY[\"MAV飞行采集新测量\"]\n  FLY --> M\n  E -. \"回环校正: 子地图刚体变换 + 轨迹形变\" .-> FZ\n``n\n\n### 5. 机制有效性推理链\n\n1. **为何能抗漂移**：子地图内部积分使用一致的局部位姿，保证局部精确；回环仅以刚体变换修正子地图相对位姿（第 IV-B 节），避免对已建地图做昂贵的重积分（对比 [^31] 的 de-/re-integration 方案，第 II-C 节）。\n2. **为何单一规划器足够**：式 (3) 去重后的全局 frontier 真实反映全环境未知边界；u = g/t 使规划自然偏向近处（第 IV-C 节），近/远行为由效用函数统一表达，无需显式分层（对比 GLocal 的局部 RRT* + 全局图规划，第 II-C 节）。\n3. **为何计算高效**：frontier 更新按需触发且只处理被修改体素（第 V 节开头）；过时检测与新 frontier 计算并行、各子地图全局检验并行（第 V-A/V-B 节）；supereight2 多分辨率八叉树降低内存与计算（Table III：内存 6.7 GB vs GLocal 23.5 GB，frontier 计时 16 s vs 52 s）。\n4. **为何传感器可配置**：仅子地图创建策略按传感器切换（几何重叠 vs 视觉关键帧，第 IV-B 节），frontier 计算与规划对传感器类型不可知，仅 360° 视场传感器的偏航优化分支不同（第 IV-C 节），故 LiDAR 与深度相机平台均可开箱即用。\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\n\n本文**不使用公开数据集**，评估完全基于自建仿真环境与真实场景实验（第 VI 节）：\n\n| 名称 | 规模 | 场景类型 | 用途 |\n|---|---|---|---|\n| Depot（仿真） | 30 × 15 × 9 m | 仓库类室内环境（Gazebo [^36] + PX4 [^37] 软件仿真） | 与 GLocal [^12] 对比的主要定量基准（第 VI-A 节，Fig. 4） |\n| 真实房间 | 8.0 × 8.1 × 3.7 m ≈ 240 m³ | 含高障碍物的室内房间 | 真机验证，LiDAR 与深度相机平台各 1 次实验（第 VI-B 节，Fig. 1、Fig. 8） |\n\n**仿真平台**：基于 RMF-Owl [^38] 的四旋翼（0.38 × 0.38 × 0.24 m），搭载 LiDAR 与 Intel RealSense D455 RGB-D 相机，模拟真实 MAV 配置（第 VI-A 节）。\n**真机平台**（Fig. 7）：\n\n- LiDAR：Leica BLK2Fly MAV（5 相机、5 IMU、单束双轴旋转 LiDAR，有效频率 5 Hz，双轴 360° 视场但机体遮挡部分）；VI-SLAM 仅用前/左/下相机与下 IMU\n- 深度相机：基于 Holybro S500 机架的自定义四旋翼，搭载 Intel RealSense D455 立体 RGB-D 相机与 NVIDIA Jetson Orin NX 16 GB 机载计算机\n\n### 2. 预处理与划分 / 覆盖设置\n\n- **无训练/验证/测试划分**：本文为非学习类系统，全部为在线推理与评估，无需数据集划分\n- **探索体积的统一测量协议**（第 VI-A-1 节）：为避免不同建图框架导致的体积差异，录制 LiDAR 测量与 ground-truth 位姿，离线构建单体 supereight2 地图，逐次积分后测量已探索体积百分比\n- **运行次数设置**：每方法 10 次 SLAM 位姿运行 + 10 次 GT 位姿运行（共 20 次/方法），报告中位数与第 10/90 百分位（Fig. 5）\n- **重建质量评估**（第 VI-A-3 节，Table II）：0.1 m 分辨率最终网格由后处理步骤生成，使用最终 bundle adjustment 后的位姿；以 Depot GT 网格计算 RMSE；完整度定义为重建点距 GT 在 0.2 m / 0.4 m 内的百分比\n- **安全性评估**（第 VI-A-2 节，Fig. 6）：计算 GT 轨迹上每点到 Depot GT 网格的最小距离，统计 10 次任务的直方图（bin 0.25 m），对照安全半径 R = 0.5 m\n- **LiDAR 点云预处理**（第 VI-B 节）：机载滤波至约 100,000–200,000 点/秒\n\n### 3. 训练 / 推理 / 评估环境\n\n- **仿真硬件**：Intel Core i7-1165G7 CPU + 32 GB RAM，**无 GPU**（第 VI-A 节）\n- **LiDAR 真机（离板计算）**：厂商不开放机载计算资源，传感器数据经 WiFi 流传至笔记本（Intel Core i7-13850HX + 32 GB RAM）运行 LVI-SLAM、建图与探索规划\n- **深度相机真机（在板计算）**：VI-SLAM、稠密占用建图、探索规划与 MPC 全部在机载 Jetson Orin NX 16 GB 上完成，验证资源受限平台可部署性\n- **关键参数**：\n  - 仿真（Table I）：地图分辨率 0.1 m、LiDAR 分辨率 360 × 180、R = 0.5 m、v_max = 0.5 m/s、ω_max = 0.5 rad/s、d ∈ [^1] [^10] m、α_h = 360°/α_v = 90°、候选数 n_c = 20（n_c 不适用于 GLocal）\n  - 真机（Table IV）：地图分辨率均为 0.1 m、R = 0.6 m；LiDAR：d ∈ [0.25, 10] m、v_max = 1.0 m/s；深度相机：d ∈ [0.2, 4] m、v_max = 0.5 m/s、ω_max = 0.785 rad/s\n- **对比基线设置**（第 VI-A 节）：GLocal [^12]（Voxgraph [^11] 子地图对齐 + 分层局部/全局规划）；两方法均接收 OKVIS2 [^4] 位姿（含视觉回环），共用第 IV-D 节同一 MPC 控制器，并在适用范围内统一参数；因 GLocal 仅支持 LiDAR，仿真仅评估 LiDAR 配置\n\n### 4. 选择理由与验证目标\n\n- **Depot 仓库环境**：大尺度结构化室内场景，直接检验核心主张——子地图 + 高效全局 frontier 计算在大环境下的探索速度、全局一致性与可扩展性（Fig. 4、Fig. 5）\n- **GLocal 作为唯一基线**：同为子地图方法且代表 SOTA 分层探索框架，可最直接地检验\"统一全局规划无需局部/全局分层\"这一核心贡献；资源对比（Table III：frontier 计算 16±7 s vs 52±7 s、utility 11±6 s vs 275±84 s、内存 6.7±1.0 GB vs 23.5±1.8 GB）验证轻量化主张\n- **GT 位姿对照运行**：分离 SLAM 漂移的影响，证明性能差异主要来自规划/建图框架而非估计器；GT 运行方差更小，归因于更一致的地图产生更少 frontier 与更多可通行自由空间（第 VI-A-1 节）\n- **双真机平台（LiDAR + 深度相机）**：验证\"开箱即用支持两种传感器\"的贡献；深度相机平台全在板计算 + 无 GPU，验证资源受限小型 MAV 的可部署性（第 IV 节、第 VI-B 节）\n- **局限与风险**：真机实验每平台仅 1 次、环境较小（约 240 m³），统计强度有限；未在公开数据集（如 Newer College 类）上对比，泛化性证据主要依赖仿真；LiDAR 真机采用离板计算，尚未证明该配置可在机载资源上实时运行\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：评估指标与结果\n\n### 1. 评估指标（定义与说明）\n\n依据第 VI 节，论文从四个维度进行量化评估，另加真机演示性指标：\n\n- **探索体积百分比（Explored Volume %）**：为避免不同建图框架带来的差异，作者将两种方法记录的 LiDAR 测量与真值位姿离线积分成一张单体 supereight2 地图，逐步统计已探索体积占总可观测体积的百分比随时间的变化（第 VI-A-1 节，Fig. 5）。用于衡量探索速度、运行间一致性与最终覆盖率。\n- **安全性（Safety）**：计算 Depot 真值网格与真值 MAV 轨迹上每个点之间的最小距离，统计 10 次 SLAM 位姿任务的最小距离直方图（bin 宽 0.25 m），并对照安全半径 R = 0.5 m 检查违反情况（第 VI-A-2 节，Fig. 6）。\n- **重建质量（Reconstruction Quality）**（第 VI-A-3 节，Table II）：\n  - **RMSE (m) ↓**：最终 0.1 m 分辨率网格重建（本方法使用最终 bundle adjustment 后的位姿）相对 Depot 真值网格的均方根误差；\n  - **完整度（Completeness）**：重建中距真值 0.2 m / 0.4 m 以内的点所占百分比。\n- **资源占用（Resource Usage）**（第 VI-A-4 节，Table III）：每次任务的 frontier 计算、utility 计算、规划（含 utility 计算、探索规划与路径规划，剔除 <200 ms 的琐碎迭代）累计 CPU 时间（s）与内存峰值（GB）。\n- **真机探索速度**：探索体积随时间变化曲线（第 VI-B 节，Fig. 8）。\n\n### 2. 主要结果（具体数字）\n\n### 仿真（Depot 仓库环境 30×15×9 m；Intel Core i7-1165G7 + 32 GB RAM；SLAM 位姿与真值位姿各 10 次运行；第 VI-A 节）\n\n- **探索速度与覆盖**（Fig. 5）：本方法几乎总能在 300 s 内探索 100% 体积；GLocal 有时无法完成全环境探索。使用真值位姿时运行间方差更小，作者归因于更一致的地图产生更少 frontier 与更多可通行自由空间。\n- **安全性**（Fig. 6）：本方法总体能在障碍物附近安全导航；GLocal 违反安全半径 R = 0.5 m 的频率显著更高，碰撞风险更大。\n- **重建质量**（Table II，10 次运行均值）：\n\n| 方法 | RMSE (m) ↓ | 0.2 m 内完整度 (%) | 0.4 m 内完整度 (%) |\n|---|---|---|---|\n| Ours | 0.112 | 86.07 | 97.73 |\n| GLocal | 0.219 | 44.19 | 76.97 |\n| Ours (GT) | 0.095 | 89.89 | 97.98 |\n| GLocal (GT) | 0.213 | 45.29 | 78.20 |\n\n- **资源占用**（Table III，均值±标准差）：\n\n| 方法 | Frontiers (s) | Utility (s) | Planning (s) | Memory (GB) |\n|---|---|---|---|---|\n| Ours | 16±7 | 11±6 | 134±45 | 6.7±1.0 |\n| GLocal | 52±7 | 275±84 | 421±76 | 23.5±1.8 |\n\n### 真机（约 240 m³（8.0×8.1×3.7 m）含高障碍物的房间；每种平台各 1 次实验；第 VI-B 节）\n\n- **LiDAR 平台**（Leica BLK2Fly；参数见 Table IV：分辨率 0.1 m、d ∈ [0.25, 10] m、R = 0.6 m、v_max = 1.0 m/s）：凭借大视场获得更高探索速度，不到 1 分钟即达到近乎完全覆盖（Fig. 8；重建与轨迹见 Fig. 1 左）。注意其 SLAM/建图/规划经 WiFi 流送至笔记本（i7-13850HX, 32 GB）离板计算。\n- **深度相机平台**（Holybro S500 + RealSense D455；Table IV：分辨率 0.1 m、d ∈ [0.2, 4] m、R = 0.6 m、v_max = 0.5 m/s、ω_max = 0.785 rad/s）：视场受限仍能高效地几乎完全探索房间（Fig. 8；Fig. 1 右）；全部计算（VI-SLAM、稠密占用建图、探索规划、MPC）均在机载 Jetson Orin NX 16 GB 上完成，验证了无 GPU 依赖的轻量性主张（第 IV 节）。\n\n### 3. 与基线/代表性先前工作的对比\n\n- **基线选择**：GLocal [^12]——最先进的子地图式 3D 探索框架，需 LiDAR，使用 Voxgraph [^11] 做 map-to-map 子地图对齐，采用局部 RRT* + 全局规划的分层设计（第 II-C、VI-A 节）。\n- **公平性控制**（第 VI-A 节，Table I）：两方法均接收 OKVIS2 [^4] 位姿（含视觉回环）、使用同一 MAV 控制器（第 IV-D 节），并尽可能共用参数：地图分辨率 0.1 m、R = 0.5 m、v_max = 0.5 m/s、ω_max = 0.5 rad/s、LiDAR 分辨率 360×180、α_h/α_v = 360°/90°、d ∈ [^1] [^10] m；候选数 n_c = 20 仅适用于本方法。本方法的子地图对齐基于 [^9]，GLocal 基于 [^11]。\n- **对比结论**：\n  - **探索速度/覆盖率**：本方法更快且能稳定实现 100% 覆盖（Fig. 5）；\n  - **安全性**：本方法违反安全半径的情况显著更少（Fig. 6）；\n  - **重建质量**：RMSE 相对 GLocal 约降低 49%（0.112 vs 0.219 m），0.2 m 完整度提升约 42 个百分点（86.07% vs 44.19%）（Table II）。作者部分归因于 GLocal 所用 voxblox 框架为安全规划而人为膨胀障碍物（第 VI-A-3 节）；\n  - **资源效率**：frontier 计算约快 3.3 倍（16 vs 52 s）、utility 计算约快 25 倍（11 vs 275 s）、总规划时间约 3.1 倍（134 vs 421 s）、内存约 3.5 倍（6.7 vs 23.5 GB）（Table III）。GLocal 规划耗时高的原因：为局部规划树的每个顶点计算 utility，且有专用线程高频重规划；本方法内存优势来自 supereight2 更高效的地图表示（第 VI-A-4 节）。\n\n### 4. 消融、敏感性与综合分析\n\n- **位姿来源敏感性（SLAM vs GT，隐式消融）**：每种方法各做 10 次 SLAM 位姿运行与 10 次真值位姿运行（第 VI-A-1 节）。GT 位姿使运行间方差更小；就重建质量而言，本方法从 SLAM 到 GT 的 RMSE 仅由 0.112 降至 0.095 m，GLocal 由 0.219 降至 0.213 m（Table II），说明本方法的重建质量优势主要来自建图/规划框架本身，而非位姿估计差异。\n- **传感器配置敏感性**：真机实验覆盖 LiDAR（近 360° 大视场）与深度相机（受限视场、d_max = 4 m）两种模态（第 VI-B 节，Table IV，Fig. 8），支持系统对两类传感器\"开箱即用\"的贡献主张（第 I 节）。\n- **综合评价**：证据链覆盖速度、安全、质量、资源四个正交维度，且均指向同一结论——统一全局规划 + 高效全局 frontier 计算可同时优于分层规划基线；但需注意：\n  - 论文未提供针对全局 frontier 计算各设计要素（如子地图边界 frontier、增量更新策略）的显式消融实验；\n  - 仿真仅在单一 Depot 环境中评估，环境泛化性证据有限；\n  - 真机实验每种平台仅 1 次，无统计重复；仿真对比仅限 LiDAR 配置（GLocal 不支持深度相机），深度相机模态仅有真机演示性结果，无定量基线对比（第 VI-A、VI-B 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### 1. 浅层理解：论文自述的未来工作（定位：第 VII 节 Conclusion）\n\n- **语义信息与 VLM 集成**：作者明确计划整合语义信息与视觉语言模型（Vision-Language Models），生成信息更丰富、对下游任务更有用的环境地图（第 VII 节）。\n- **动力学感知的轨迹规划与安全控制**：当前规划器输出路径由线性 MPC 跟踪（第 IV-D 节），作者希望未来将 MAV 动力学直接纳入轨迹规划，并研究安全控制策略（第 VII 节）。\n\n### 2. 中层分析：理论方向\n\n- **全局 frontier 计算的复杂度与完备性分析**：第 V 节公式 (1)–(3) 给出增量式局部/全局 frontier 更新机制，但论文未给出最坏情况复杂度界；当子地图数量 n_m 增大时，逐 frontier 对所有其他子地图执行 h(f_i, M_l) 检验（公式 (3)）的开销如何扩展值得理论刻画（例如结合八叉树 AABB 重叠预筛选降低检验次数）。\n- **效用函数的最优性理论**：u_j = g_j / t_j（第 IV-C 节）为启发式设计，可探索其与信息论最优探索策略（如自适应次模最大化、informative path planning）之间的近似保证与最优性差距。\n- **子地图创建策略的理论化**：LiDAR 按几何重叠、深度相机按视觉关键帧创建子地图（第 IV-B 节），子地图尺寸/切换时机对漂移抑制与回环校正量之间的权衡缺乏形式化模型，是可深挖的理论问题。\n- **动态环境扩展**：第 III-A 节假设环境静态，子地图冻结机制（第 IV-B 节）在动态场景下如何维持全局一致性属于开放理论问题。\n\n### 3. 中层分析：工程方向\n\n- **全机载 LiDAR 探索**：真机 LiDAR 实验（Leica BLK2Fly）中 LVI-SLAM、建图与规划均在笔记本上离板运行（第 VI-B 节）；深度相机平台已在 Jetson Orin NX 上实现全机载计算，可作为算力基线，工程上可探索将 LiDAR 全流程压缩到机载计算单元。\n- **多机器人协同探索**：全局 frontier 定义（公式 (2)(3)）作用于子地图集合 M，天然支持多机共享子地图集合的分布式/协同扩展。\n- **语义/VLM 的工程落地路径**：在 supereight2 八叉树体素上附加语义标签，或对已完成子地图做场景级 VLM 标注，与第 VII 节愿景直接衔接。\n- **安全机制增强**：GLocal 依赖 voxblox 障碍膨胀换取安全（第 VI-A-3 节），本方法可探索在 supereight2 显式自由空间表示上构建安全走廊，进一步降低 Fig. 6 中贴近障碍飞行的碰撞风险。\n\n### 4. 深层分析：数据与评估方向\n\n- **更大尺度、更多样的真实环境验证**：目前真机仅在一个约 240 m³ 的房间（第 VI-B 节），仿真为 30×15×9 m 的 Depot（第 VI-A 节）；论文动机场景为工业/建筑工地巡检（第 I 节），应在大尺度室内外、地下等环境中验证全局一致性与回环频率、子地图数量之间的关系。\n- **公开基准与可复现性**：论文未提供代码与数据集（见 Module A 输入校验），建立含 LiDAR 与深度相机双模态序列、ground-truth 轨迹与网格的公开 benchmark，可促进与 GLocal [^12]、GBPlanner [^13]、UFOExplorer [^26] 等方法的公平比较。\n- **扩展基线与消融实验**：目前仿真仅对比 GLocal（第 VI-A 节）；可对子地图创建阈值、frontier 更新频率、候选点数 n_c（Table I 中为 20）以及传感器参数（Table IV 中 LiDAR 与深度相机 d_max 差异达 10 m vs 4 m）做系统消融，量化各设计选择的贡献。\n- **长时间一致性指标**：Table II 仅报告最终重建 RMSE 与完整度，可引入随时间演化的一致性指标（如回环前后地图错位量、子地图重叠区不一致度），更直接量化子地图+回环机制的收益。\n\n### 5. 优先级建议（浅→深）\n\n- **短期（工程）**：全机载 LiDAR 部署、代码与数据开源。\n- **中期（理论+评估）**：全局 frontier 复杂度分析、大尺度真实环境 benchmark 与系统消融。\n- **长期（理论+工程）**：语义/VLM 集成、动力学感知规划与多机协同探索。\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：部署形态总览\n\n- **目标场景**：工业/建筑工地巡检等真实场景中的全自主 MAV 探索与建图（第 I 节）。\n- **两种已验证的真实部署形态**（第 VI-B 节、Fig. 7）：\n  - **LiDAR 平台**：Leica BLK2Fly（5 相机 + 5 IMU + 单束双轴旋转 LiDAR）。因厂商不开放机载计算资源，LVI-SLAM、建图与探索规划在**机外笔记本**（Intel Core i7-13850HX、32 GB RAM）上运行，传感器数据经 **WiFi 流传输**——本质上是\"半机载\"部署。\n  - **深度相机平台**：基于 Holybro S500 机架的自制四旋翼 + Intel RealSense D455 + NVIDIA Jetson Orin NX 16 GB，**全部计算（VI-SLAM、稠密占用建图、探索规划、MPC）均在机载完成**（第 VI-B 节）。\n- **关键部署卖点**：方法**无需 GPU**（第 IV 节），适合小型、资源受限平台。\n\n### 2. 中层：部署约束\n\n- **硬件/算力约束**：\n  - CPU-only：仿真在 i7-1165G7 + 32 GB RAM 上完成（第 VI-A 节）；深度相机平台在 Jetson Orin NX 16 GB 上全机载运行（第 VI-B 节）。\n  - 内存占用：每任务 6.7±1.0 GB（Table III），约为 GLocal（23.5±1.8 GB）的 1/3.5，对 16 GB 级机载计算机可行但余量有限。\n- **传感器约束**：\n  - LiDAR：有效频率仅 5 Hz，标称 360°×360° FOV 但机体遮挡使 α_h、α_v < 360°；机载点云过滤降至约 10–20 万点/秒（第 VI-B 节）。\n  - 深度相机：d_max 仅 4 m、FOV 有限 → 探索速度明显低于 LiDAR 平台（Fig. 8）。\n- **通信约束**：BLK2Fly 依赖 WiFi 流传输，存在链路延迟与中断风险，是当前 LiDAR 配置落地的最大工程短板。\n- **环境约束**：环境被建模为**静态有界体积**（第 III-A 节），未处理动态障碍物；真机实验仅在一个 8.0×8.1×3.7 m ≈ 240 m³ 的房间中进行，大尺度真机验证缺失。\n\n### 3. 中层：计算/延迟影响\n\n- **按需计算策略**（第 V 节）：局部 frontier 仅更新活动子地图中自上次计算以来被修改的区域；全局 frontier 在每次规划迭代时从各子地图局部 frontier 聚合（式 (2)(3)），且各子地图可**并行**计算 → 避免一切不必要的重复计算。\n- **实测量化**（Table III，每任务累计）：\n  - frontier 计算：16±7 s（GLocal 52±7 s）\n  - 效用评估：11±6 s（GLocal 275±84 s，因其对局部树每个顶点都计算效用）\n  - 总规划时间：134±45 s（GLocal 421±76 s）\n- **探索时效**：Depot（30×15×9 m）仿真中约 300 s 内几乎 100% 覆盖（Fig. 5）；真机 LiDAR 平台不到 1 分钟即几乎完全覆盖 240 m³ 房间（Fig. 8、第 VI-B 节）。\n- **速度设定保守**：仿真 v_max=0.5 m/s、ω_max=0.5 rad/s（Table I）；真机 LiDAR v_max=1.0 m/s（Table IV）→ 端到端任务时间主要由平台速度而非算法延迟主导。\n- **控制回路延迟低**：OKVIS2 以 IMU 频率输出状态估计（第 IV-A 节），线性 MPC 跟踪规划轨迹（第 IV-D 节）。\n\n### 4. 中层：鲁棒性与安全性\n\n- **漂移与全局一致性**：子地图完成后冻结、仅允许刚体变换，回环校正作用于子地图相对位姿（第 IV-B 节）；最终重建使用最终 bundle adjustment 后的位姿以获得最佳精度（第 VI-A-3 节）。\n- **安全性量化证据**：10 次仿真任务中，MAV 轨迹点到障碍物最小距离直方图（Fig. 6）显示本方法很少违反 R=0.5 m 安全半径，而 GLocal 违反频率显著更高、碰撞风险更大。\n- **回环瞬间的控制鲁棒性**：MPC 将轨迹锚定到 OKVIS2 关键帧状态并随关键帧更新做弹性形变（第 IV-D 节），保证回环引起大位姿跳变时轨迹跟踪仍正确——这是实际部署中回环触发\"地图跳动\"时的关键工程处理。\n- **地图可信度佐证**：重建 RMSE 0.112 m、0.2 m 内完整度 86.07%（Table II），显著优于 GLocal（0.219 m / 44.19%），说明安全规划未以牺牲地图质量为代价。\n- **残余风险**：\n  - 真机每平台仅 1 次实验（第 VI-B 节），安全性的统计证据弱于仿真（10 次运行）。\n  - 深度相机量程 4 m + 有限 FOV，在大空间或较高速度下感知裕度小。\n  - 依赖视觉/惯性条件（弱纹理、光照变化场景未讨论）；LiDAR 配置依赖 [^9] 的子地图对齐模块。\n\n### 5. 深层：可维护性与工程化\n\n- **模块化架构**（Fig. 2）：状态估计（OKVIS2）/ 占用建图（supereight2）/ 探索规划 / MPC 四模块解耦；LiDAR 与深度相机**开箱即用切换**（第 I、IV 节）→ 便于组件替换与升级。\n- **按传感器分别配置的子地图创建策略**：LiDAR 基于几何重叠、深度相机基于视觉关键帧（第 IV-B 节），维护时需分别调参。\n- **参数面较宽**：地图分辨率、安全半径 R、v_max、ω_max、d_min/d_max、候选数 n_c 等（Table I/IV），跨平台迁移需重新标定。\n- **可复现性缺口**：论文未提供开源代码与数据集（Module A 输入校验），实际落地需自行集成 OKVIS2、supereight2、LVI-SLAM [^9] 与 MPC [^35]，集成与维护门槛较高。\n- **作者自认局限与演进方向**（第 VII 节）：拟引入语义信息与 VLM 丰富地图、研究考虑 MAV 动力学的轨迹规划与安全控制策略 → 表明当前版本在动态环境与激进机动下能力有限。\n\n### 6. 结论：真实使用画像\n\n- **最可能落地形态**：CPU-only 小型 MAV，在静态室内/半室内环境（仓库、工地）执行分钟级探索建图任务；深度相机版可完全机载自治，LiDAR 版当前依赖机外算力与 WiFi 链路。\n- **相对 SOTA（GLocal）的运维优势**：约 3 倍更省内存、约 3 倍更少规划计算、更高安全裕度与更好重建质量（Table II/III、Fig. 6）。\n- **主要部署风险排序**：WiFi 链路依赖（LiDAR 平台）> 动态环境不适用 > 真机统计验证不足 > 代码未开源带来的复现与维护成本。\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\n本文提出一个基于子地图的微型飞行器（MAV）自主探索框架，将 VI-(LiDAR)-SLAM 状态估计、supereight2 占用建图、采样式探索规划与线性 MPC 集成为完整系统（第 IV 节、Fig. 2）。针对里程计漂移问题，系统采用空间有界子地图：子地图完成后冻结、仅随 OKVIS2 关键帧位姿做刚体变换，回环校正通过更新子地图相对位姿维持全局一致性（第 IV-A/IV-B 节）。核心贡献是高效的局部/全局 frontier 分层更新机制：局部 frontier 仅对活动子地图中自上次计算以来被修改的区域做增量维护，全局 frontier 则将各子地图局部 frontier 与其余子地图逐一比对，剔除已被其他子地图观测的区域（第 V 节、公式 (1)–(3)）。这一机制使单一统一的全局规划器即可完成探索，无需 GLocal 等最先进方法所采用的局部/全局分层规划（第 II-C、V 节）。仿真对比实验（30×15×9 m 的 Depot 环境、各 10 次运行）显示：本方法探索更快、几乎总能在 300 s 内达到 100% 覆盖、更少违反 0.5 m 安全半径，重建 RMSE 为 0.112 m（GLocal 为 0.219 m）、0.4 m 内完整度达 97.73%（GLocal 为 76.97%）（Fig. 4–6、Table II）。资源占用上，本方法在 frontier 计算（16 s vs 52 s）、效用评估（11 s vs 275 s）、规划（134 s vs 421 s）与内存（6.7 GB vs 23.5 GB）方面全面占优（Table III）。真机实验在搭载 LiDAR 的 Leica BLK2Fly 与搭载 RealSense D455 深度相机的自定义四旋翼上完成，验证了系统对两种传感器配置的开箱即用支持以及在资源受限平台上的可部署性（第 VI-B 节、Fig. 1、7、8）。\n\n### 2. 五条关键要点\n\n1. **子地图 + 回环校正对抗漂移**：空间有界子地图在完成后冻结，仅允许随关键帧位姿做刚体变换；回环时更新子地图相对位姿，兼顾局部精度与全局一致性（第 IV-B 节）。\n2. **统一全局规划取代分层规划**：借助高效的全局 frontier 计算，单一采样式规划器即可完成探索，无需区分局部/全局规划，显著简化系统设计（第 V 节）。\n3. **增量式、按需的 frontier 更新**：局部 frontier 只重测自上次计算以来被修改的体素（公式 (1)），全局 frontier 仅在规划迭代时按需重算（公式 (2)–(3)），避免一切不必要的计算（第 V 节）。\n4. **传感器无关的开箱即用设计**：同一框架无缝支持 LiDAR（基于几何重叠生成子地图）与深度相机（基于视觉关键帧生成子地图），且无需 GPU，适合小型资源受限平台（第 IV-B 节、第 VI 节）。\n5. **全面优于 SOTA 基线**：相比 GLocal，探索更快、飞行更安全、重建更准更完整、计算与内存开销更低，并在两种真机平台上得到验证（第 VI 节、Table II–III）。\n\n### 3. 核心公式/机制\n\n**全局 frontier 计算**（第 V-B 节，公式 (2)–(3)）：\n\n$$\\mathcal{F}_{g}^{k}=\\bigcup_{i=1}^{n_{m}}\\mathcal{F}_{g,i}^{k},\\qquad \\mathcal{F}_{g,i}^{k}=\\Big\\{f_{i}\\in\\mathcal{F}_{i}\\;\\Big|\\;\\bigwedge_{l\\neq i}h(f_{i},M_{l})\\Big\\}$$\n\n其中布尔函数 $h(f_i, M_l)$ 在且仅在以下条件之一成立时为真：$f_i \\notin M_l$、$f_i$ 在 $M_l$ 中对应未知区域、或 $f_i$ 同时也是 $M_l$ 的局部 frontier。该机制将“某子地图中的 frontier 是否在其他子地图中已被观测”的判定分解为可对各子地图并行执行的逐项测试；配合局部 frontier 的增量更新 $\\mathcal{F}_i^k=(\\mathcal{F}_i^{k-1}\\setminus\\mathcal{F}_{i,\\text{stale}}^{k-1})\\cup\\mathcal{F}_{i,\\text{new}}^k$（公式 (1)），实现了大规模环境下低成本且准确的全局 frontier 维护，是统一全局规划器得以成立的关键支撑。\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\n``n论文结构\n├── I. 引言（动机：里程计漂移下的全局一致自主探索；四项贡献列表）\n├── II. 相关工作\n│   ├── A. 多传感器 SLAM（VI-SLAM → LVI-SLAM；本文采用 OKVIS2 [^4] + [^9]）\n│   ├── B. 体积建图（TSDF/ESDF/占用地图；本文采用 supereight2 [^23]）\n│   └── C. 自主探索（frontier 式 vs 采样式；分层规划 GLocal [^12] 等；本文主张统一全局规划）\n├── III. 问题定义\n│   ├── A. 环境模型（有界体积 V、占用概率 P_o、可观测部分 V_obs）\n│   └── B. MAV 模型（规划状态 x̂=[r, ψ]、球体半径 R、v_max、ω_max、传感器 FOV 与量程）\n├── IV. 系统概览\n│   ├── A. 状态估计器（OKVIS2；LiDAR 配置叠加 [^9] 的占用图残差）\n│   ├── B. 占用建图（supereight2 子地图；LiDAR 按几何重叠、深度相机按视觉关键帧创建）\n│   ├── C. 探索规划（采样式 NBV，效用 u_j = g_j / t_j；α_h=360° 时 yaw 优化特判）\n│   └── D. MAV 控制器（线性 MPC，轨迹锚定关键帧并弹性形变）\n├── V. 全局 Frontier 计算（核心贡献）\n│   ├── A. 局部 frontier 计算（式 (1)：增量更新 + 完成后冻结）\n│   └── B. 全局 frontier 计算（式 (2)(3)：跨子地图一致性测试，可并行）\n├── VI. 评估\n│   ├── A. 仿真（Depot 环境 vs GLocal：探索体积、安全性、重建质量、资源占用）\n│   └── B. 真机（LiDAR 平台 BLK2Fly 与深度相机平台各一次实验）\n└── VII. 结论与未来工作（语义信息与 VLM、考虑 MAV 动力学的轨迹规划）\n``n\n\n### 2. 系统分解（system archetype）\n\n#### 输入 / 输出\n\n- **输入**：双目灰度图像对 + IMU 测量（所有配置）；LiDAR 点云或深度图像（二选一，即插即用，第 IV 节）\n- **中间量**：IMU 频率的状态估计 x 与 IMU 偏置；子地图集合 M = {M_i}；各子地图局部 frontier F_i；全局 frontier F_g\n- **输出**：下一最优探索路径（由 MPC 跟踪执行）；最终全局一致的 3D 占用地图与网格重建\n\n#### 模块级联（对应 Fig. 2）\n\n1. **状态估计器（OKVIS2 [^4]，第 IV-A 节）**：稀疏优化式 VI-SLAM，输出 IMU 频率状态估计。LiDAR 平台额外引入 [^9] 的基于占用地图及其梯度的残差，约束 (a) 新测量与已有子地图一致、(b) 重叠子地图之间一致。回环校正通过关键帧位姿优化传播至子地图。\n2. **占用建图后端（supereight2 [^23]，第 IV-B 节）**：八叉树占用地图，显式表示自由空间并向根节点传播 min/max 占用值，支持安全高效的路径规划。子地图锚定于 OKVIS2 关键帧状态，随位姿优化（含回环）整体刚体变换；子地图完成后冻结。创建条件：LiDAR 按几何重叠 [^9]，深度相机按视觉关键帧 [^34]。为支持动态运动的 LiDAR，采用 [^9] 的积分方案。\n3. **探索规划器（扩展自 [^3]，第 IV-C 节）**：在 frontier 附近采样 n_c 个候选位置 r̂_j；按 v_max、ω_max 估计路径时长 t_j；从候选位置做 360° 熵 raycast 得增益图；对 α_h < 360° 用滑窗优化选最优 yaw ψ_j 与增益 g_j（α_h = 360° 时仍用小于 360° 的滑窗以简化，这是相对 [^3] 的第二处改动）；效用 u_j = g_j / t_j（单位时间信息增益），取最高者为下一目标，到达后重复。\n4. **MAV 控制器（线性 MPC [^35]，按 [^34] 修改，第 IV-D 节）**：轨迹锚定到 OKVIS2 关键帧状态，关键帧更新（如回环引起大位姿跳变）时对轨迹做弹性形变，保证回环后仍能正确跟踪。\n\n#### 核心方法：全局 frontier 高效计算（第 V 节）\n\n- **设计原则**：(i) 局部与全局 frontier 分开维护；(ii) 均按需更新——仅活跃子地图的局部 frontier 在每次全局计算前更新（且只测自上次以来被修改的体素），子地图完成时更新一次后冻结；全局 frontier 在每次规划迭代时由局部 frontier 聚合。\n- **式 (1)**：F_i^k = (F_i^{k-1} ∖ F_{i,stale}^{k-1}) ∪ F_{i,new}^k —— 旧 frontier 重测剔除过期项，新 frontier 只测被修改体素；stale 检测与新 frontier 计算可并行。\n- **式 (2)**：F_g^k = ∪_{i=1}^{n_m} F_{g,i}^k。\n- **式 (3)**：F_{g,i}^k = { f_i ∈ F_i : ∧_{l≠i} h(f_i, M_l) }，其中 h(f_i, M_l) 为真当且仅当 f_i 不在 M_l 中、或对应 M_l 的未知区域、或对应 M_l 的局部 frontier；各子地图的测试可并行。\n- **关键正确性细节**：局部 frontier 定义中包含「处于子地图边界的自由体素」（第 V-A 节条件 ii），否则有界子地图的全局 frontier 会漏检——这是保证跨子地图 frontier 正确聚合的必要条件。\n- **无训练过程**：系统为纯在线推理/运行流程，无学习组件与损失函数（SLAM 内部为因子图残差最小化，属组件内部机制）。\n\n### 3. 重要图表解读\n\n- **Fig. 2（系统总览，第 IV 节）**：展示四个模块的数据流——传感器 → VI-(LiDAR)-SLAM 状态估计 → 占用建图后端（子地图集合）→ 基于全局 frontier 的探索规划 → 线性 MPC → MAV。关键在于 SLAM 关键帧状态反向锚定子地图与 MPC 轨迹，形成回环校正的传播路径；也说明「统一全局规划器」可行的原因：全局 frontier 由所有子地图的局部 frontier 高效聚合而成，无需局部/全局分层规划。\n- **Fig. 3（局部 vs 全局 frontier，第 V 节）**：蓝色为子地图局部 frontier，红色为全局 frontier；直观呈现式 (3) 的几何含义——某子地图中的 frontier 若在另一子地图中对应已观测区域，则不再是全局 frontier。\n- **Fig. 5（探索体积曲线，第 VI-A-1 节）**：10 次 SLAM 位姿运行（实线）与 10 次真值位姿运行（虚线/阴影）的中位数与 10/90 分位数。本文方法约 300 s 内几乎总是达到 100% 覆盖，GLocal 有时无法完全探索；真值位姿运行方差更小，作者归因于更一致的地图产生更少 frontier 与更多可通行自由空间。\n- **Fig. 6（安全性直方图，第 VI-A-2 节）**：10 次仿真任务中 MAV 到障碍物最小距离的直方图（bin 0.25 m，安全半径 R = 0.5 m）。本文方法基本保持安全距离，GLocal 显著更频繁地违反安全半径，碰撞风险更高。\n- **Table II（重建质量，第 VI-A-3 节）**：Ours RMSE 0.112 m、0.2 m 内完整度 86.07%、0.4 m 内 97.73%；GLocal 为 0.219 m / 44.19% / 76.97%。GT 位姿下 Ours 0.095 / 89.89 / 97.98，GLocal 0.213 / 45.29 / 78.20——GT 与 SLAM 结果差距小，说明差距主要来自规划/建图框架而非位姿精度；作者解释 GLocal 所用 voxblox 为安全规划人为膨胀障碍物，损害重建精度。\n- **Table III（资源占用，第 VI-A-4 节）**：每任务均值±标准差——frontier 计算 16±7 s vs 52±7 s；效用计算 11±6 s vs 275±84 s；规划总时间 134±45 s vs 421±76 s；内存 6.7±1.0 GB vs 23.5±1.8 GB。GLocal 效用计算慢的原因：对局部规划树的每个顶点都计算效用，且专用线程高频重规划（忽略 <200 ms 的琐碎迭代后仍累积大量 CPU 时间）；本文内存优势来自 supereight2 的高效地图表示。\n\n### 4. 实验与评估细节\n\n#### 仿真设置（第 VI-A 节）\n\n- **平台**：Gazebo [^36] + PX4 [^37] 软件在环，模拟 RMF-Owl [^38]（0.38×0.38×0.24 m 四旋翼，带 LiDAR 与 Intel RealSense D455）\n- **环境**：Depot，30×15×9 m 仓库场景（Fig. 4）\n- **硬件**：Intel Core i7-1165G7 CPU + 32 GB RAM\n- **关键参数（Table I）**：地图分辨率 0.1 m；R = 0.5 m；v_max = 0.5 m/s；ω_max = 0.5 rad/s；LiDAR 分辨率 360×180；FOV 360°×90°；量程 [^1] [^10] m；n_c = 20（GLocal 不适用）\n\n#### 对比对象与公平性\n\n- **对比目标**：GLocal [^12]（SOTA 子地图式分层探索框架）。两者均使用 OKVIS2 位姿（含视觉回环）与相同的 MPC 控制器；可对应的参数尽量一致（Table I）。差异点：本文子地图对齐基于 [^9]，GLocal 用 Voxgraph [^11] 的 map-to-map 对齐；GLocal 需要 LiDAR，故仿真仅评估 LiDAR 配置。\n- **指标**：\n  1. 探索体积百分比随时间（每方法 10 次 SLAM 位姿 + 10 次真值位姿运行；为消除建图框架差异，用记录的 LiDAR 数据 + 真值位姿构建单体 supereight2 地图来度量已探索体积）；\n  2. 安全性：真值轨迹每点到 Depot 真值网格的最小距离直方图（Fig. 6）；\n  3. 重建质量：最终 0.1 m 分辨率网格对真值网格的 RMSE 与 0.2/0.4 m 内完整度（Table II；本文最终重建使用最终 bundle adjustment 后的位姿）；\n  4. 资源占用：frontier/效用/规划时间与内存（Table III）。\n- **消融性质分析**：SLAM 位姿 vs 真值位姿两组运行，用于分离位姿漂移的影响（Fig. 5 与 Table II 的 GT 行）。\n\n#### 真机实验（第 VI-B 节，Table IV，Fig. 1、7、8）\n\n- **场景**：8.0×8.1×3.7 m（≈240 m³）房间，含高障碍物；每平台各 1 次实验（样本量小，属演示性质）\n- **LiDAR 平台**：Leica BLK2Fly（5 相机 + 5 IMU + 单束双轴旋转 LiDAR；实际仅用前/左/下相机与下 IMU；LiDAR 有效频率 5 Hz、双轴 360° 但机体遮挡致 α_h、α_v 均小于 360°；点云板载过滤至约 10–20 万点/秒；因厂商不开放板载算力，数据经 WiFi 流至笔记本 i7-13850HX + 32 GB 做 LVI-SLAM、建图与规划——offboard 处理）\n- **深度相机平台**：Holybro S500 机架 + RealSense D455 + NVIDIA Jetson Orin NX 16 GB，VI-SLAM、稠密占用建图、探索规划与 MPC 全部板载完成\n- **参数（Table IV）**：分辨率均 0.1 m；LiDAR 量程 [0.25, 10] m、v_max = 1.0 m/s；深度相机量程 [0.2, 4] m、v_max = 0.5 m/s、ω_max = 0.785 rad/s；R 均 0.6 m\n- **结果**：LiDAR 因 FOV 大探索更快，不到 1 分钟几乎完全覆盖；深度相机 FOV 受限但仍能高效地近乎完全探索（Fig. 8）。\n\n### 5. 系统架构图（对应 system archetype）\n\n``n                    传感器输入\n     双目灰度 + IMU ────┐   ┌──── LiDAR 点云 / 深度图像\n                      ▼   ▼\n           ┌─────────────────────────────┐\n           │   OKVIS2 VI-(LiDAR)-SLAM      │←── 占用图残差 [^9]（仅 LiDAR 配置）\n           │   状态估计 x、IMU 偏置、        │\n           │   关键帧位姿（含回环校正）       │\n           └───────┬─────────────┬───────┘\n      关键帧锚定/回环传播│             │位姿\n                   ▼             ▼\n      ┌──────────────────┐   ┌────────────────────────┐\n      │ supereight2 子地图  │ → │ 局部 frontier 增量更新（式(1)）│\n      │ 集合 M（冻结/刚体）  │   └───────────┬────────────┘\n      └──────────────────┘               ▼ 跨子地图一致性测试（式(2)(3)，可并行）\n                              ┌──────────────────┐\n                              │   全局 frontier F_g  │\n                              └─────────┬────────┘\n                                        ▼ 在 frontier 附近采样 n_c 个候选\n                              ┌──────────────────┐\n                              │  采样式 NBV 规划器    │  u_j = g_j / t_j\n                              └─────────┬────────┘\n                                        ▼ 下一最优路径\n                              ┌──────────────────┐\n                              │ 线性 MPC（轨迹锚定关键帧，│\n                              │ 回环时弹性形变）[^35][^34] │\n                              └─────────┬────────┘\n                                        ▼ 控制指令\n                                     MAV 飞行\n``n\n该图呈现「感知 → 状态估计 → 子地图建图 → frontier 聚合 → 规划 → 控制」的完整闭环，并突出回环校正经关键帧锚定同时作用于子地图（刚体变换）与 MPC 轨迹（弹性形变）两条传播路径（第 IV 节、Fig. 2），体现本文作为 system 型论文「以统一全局规划取代分层规划」的核心架构决策。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E：第三遍深度审阅（Third-pass Deep Review）\n\n### 1. 可复现性重构（Reconstructability）\n\n# 系统架构四大模块（Fig. 2，第 IV 节）：\n\n1. **状态估计**：OKVIS2 [^4]（稀疏优化式 VI-SLAM），LiDAR 平台额外集成 [^9] 的占用地图残差，优化新测量与已有子地图、以及重叠子地图之间的一致性（第 IV-A 节）\n2. **占用建图**：supereight2 [^23] 八叉树子地图；LiDAR 按几何重叠创建新子地图（[^9]），深度相机按视觉关键帧创建（[^34]）；子地图锚定于 OKVIS2 关键帧，完成后冻结、仅允许刚体变换（第 IV-B 节）\n3. **探索规划**：扩展自 [^3] 的采样式规划器，候选点在 frontier 附近采样，效用 u_j = g_j / t_j（第 IV-C 节）\n4. **控制器**：线性 MPC [^35]，轨迹锚定到关键帧并随位姿更新弹性变形，以正确跟踪回环后的轨迹（第 IV-D 节）\n\n# 核心算法伪代码重构（第 V 节，式 (1)–(3)）：\n\n``n每次探索规划迭代:\n\n# 局部 frontier（仅活动子地图，式(1)）\n\n  F_stale ← 重测 F_i^{k-1} 中已失效者            # 可与下一步并行\n  F_new ← 仅测试自上次更新后被修改的体素        # 增量计算\n  F_i^k ← (F_i^{k-1} \\ F_stale) ∪ F_new\n\n### 全局 frontier（式(2)(3)，各子地图可并行）\n\n  F_g^k ← ∪_i { f_i ∈ F_i : ∀ l≠i, h(f_i, M_l) }\n  其中 h(f_i, M_l) = true ⟺ f_i ∉ M_l，或 f_i 在 M_l 中对应未知区域，或 f_i 是 M_l 的局部 frontier\n\n### 规划（第 IV-C 节）\n\n  在 F_g^k 附近采样 n_c = 20 个候选位姿\n  对每个候选: 路径规划得 t_j → 360° 熵 raycast 得增益图 → 滑窗优化 yaw 得 g_j\n  选择 u_j = g_j / t_j 最大者为下一目标，到达后重复\n``n\n**关键复现参数**（Table I、Table IV）：地图分辨率 0.1 m；仿真 R=0.5 m、v_max=0.5 m/s、ω_max=0.5 rad/s、d∈[^1] [^10] m、LiDAR 视场 360°×90°；真机 R=0.6 m，LiDAR d∈[0.25,10] m，深度相机 d∈[0.2,4] m。\n\n**复现风险**：OKVIS2、[^9] 子地图对齐与 supereight2 的集成配置未公开；子地图创建触发条件（几何重叠/关键帧阈值）未量化；无开源代码，复现门槛较高（与 Module A 缺失材料分析一致）。\n\n### 2. 关键假设（Assumptions）\n\n- **环境静态**：第 III-A 节将环境建模为有界静态体积 V，不考虑动态物体\n- **子地图内漂移可忽略**：子地图方法的核心前提（第 I 节），故子地图冻结后仅施加刚体变换即可维持局部精度\n- **传感器模型已知且固定**：水平/垂直视场 α_h、α_v 与量程 [d_min, d_max] 先验给定（第 III-B 节）\n- **MAV 简化为球体**：半径 R 的包络球 + 最大线速度/偏航率约束（第 III-B 节），规划层面忽略完整动力学\n- **回环/位姿图优化足够频繁**：全局一致性依赖 OKVIS2 视觉回环与 [^9] 的子地图对齐及时校正子地图相对位姿\n- **探索目标限定于可观测空间**：仅针对 V_obs = V \\ V_unob（第 III-A 节）\n\n### 3. 失效模式与盲点（Failure Modes / Blind Spots）\n\n- **动态环境失效**：静态假设下，移动物体会被错误写入占用地图，产生虚假 frontier 或幽灵障碍，且已冻结子地图无法修正\n- **长期无回环场景**：若回环长期缺失，子地图间相对漂移持续累积，式(3) 的跨子地图一致性判断 h(f_i, M_l) 会因子地图错位而失真，可能导致重复探索或漏探\n- **深度相机配置缺少 SOTA 定量对比**：仿真仅评估 LiDAR 配置（第 VI-A 节，因 GLocal 需要 LiDAR）；深度相机仅有真机单次演示，其大规模探索性能主张缺乏对照证据\n- **规模与部署差距**：仿真 Depot（30×15×9 m）与真机（约 240 m³ 房间）规模有限；LiDAR 真机实验依赖 WiFi 将数据流传输至笔记本 off-board 计算（第 VI-B 节），未验证完全机载部署的资源可行性\n\n#### 4. 优点与不足（Strengths and Weaknesses）\n\n## 优点：\n\n- **架构简化**：高效全局 frontier 计算（第 V 节）使单一统一全局规划器成为可能，免除 GLocal [^12] 等方法的局部/全局分层切换逻辑（第 I、II 节）\n- **定量优势全面**（第 VI-A 节）：探索更快且覆盖率更稳（Fig. 5，300 s 内几乎总是达到 100%）；重建 RMSE 0.112 m vs 0.219 m、0.2 m 完整度 86.07% vs 44.19%（Table II）；安全半径违规显著更少（Fig. 6）；计算资源大幅降低——规划时间 134±45 s vs 421±76 s、内存 6.7±1.0 GB vs 23.5±1.8 GB（Table III）\n- **传感器无关、无 GPU 依赖**：LiDAR 与深度相机开箱即用（第 IV-B 节），适合资源受限 MAV 平台（第 IV 节），并经双真机平台验证（Fig. 1、7、8）\n- **按需计算设计**：局部/全局 frontier 均仅在需要时更新（第 V 节），避免不必要计算，是效率优势的直接来源\n\n## 不足：\n\n- **评估广度有限**：单一仿真环境（Depot）、每设置 10 次运行、真机每平台仅 1 次实验且无统计显著性检验（第 VI 节）\n- **关键组件配置缺失、无开源**：OKVIS2 与 [^9] 对齐模块的集成细节未给出，降低可复现性\n- **效用函数忽略动力学**：u_j = g_j/t_j 基于匀速 v_max 假设（第 IV-C 节），作者在结论中承认需引入动力学感知的轨迹规划（第 VII 节）\n- **安全性对比存在混杂因素**：GLocal 使用 voxblox 障碍膨胀换取保守性，本文的重建质量优势部分源于建图框架差异而非纯规划差异（第 VI-A-3 节）\n\n### 5. 下一步研究方向（Next-step Research Directions）\n\n- **语义与 VLM 集成**：作者明确提出（第 VII 节），将语义信息与 Vision-Language Models 融入子地图，产出对下游任务更有用的富信息地图\n- **动力学感知规划与安全控制**：在轨迹规划中纳入 MAV 动力学约束，并研究安全控制策略（第 VII 节）\n- **动态环境扩展**：放松静态环境假设，支持动态障碍处理与已冻结子地图的内容更新\n- **更大规模真机验证与完全机载部署**：在工业/建筑现场级大尺度环境验证，并将 LiDAR 平台从 off-board 计算迁移至机载计算（针对第 VI-B 节的部署局限）\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每条包含：英文术语 / 中文译名、定义、直觉、论文中的角色、前置知识。\n\n---\n\n### 1. MAV (Micro Aerial Vehicle) / 微型飞行器\n\n- **定义**：小型无人驾驶飞行器，本文中指搭载 LiDAR 或深度相机的四旋翼平台（如 RMF-Owl、Leica BLK2Fly、Holybro S500 定制机）。\n- **直觉**：灵活敏捷、能到达人类与地面机器人难以进入区域的\"飞行测绘员\"。\n- **论文中的角色**：整个探索系统的载体；系统\"无需 GPU、轻量化\"的设计（第 IV 节）正是为资源受限的 MAV 平台服务。\n- **前置知识**：机器人学基础、四旋翼平台常识。\n\n## 2. SLAM (Simultaneous Localization and Mapping) / 同步定位与建图\n\n- **定义**：在未知环境中同时估计机器人位姿并增量构建环境地图的问题与方法总称。\n- **直觉**：\"边走边画地图，同时记住自己走到哪\"的鸡生蛋问题。\n- **论文中的角色**：为探索提供实时位姿估计（第 I、II 节），是整个系统的状态估计基础。\n- **前置知识**：状态估计、概率机器人学。\n\n## 3. VI-SLAM (Visual-Inertial SLAM) / 视觉-惯性 SLAM\n\n- **定义**：融合相机图像与 IMU 测量的 SLAM 系统，分为滤波式（如 MSCKF、OpenVINS）与优化式（如 OKVIS2、ORB-SLAM3）两大类。\n- **直觉**：相机负责\"看路标\"，IMU 负责\"感知加速度\"，互补后短时精度高，但噪声积分仍会累积漂移。\n- **论文中的角色**：深度相机配置下的状态估计器（第 II-A、IV-A 节）；其漂移是本文子地图方法的直接动机。\n- **前置知识**：相机成像模型、IMU 预积分、非线性优化。\n\n## 4. LVI-SLAM (LiDAR-Visual-Inertial SLAM) / 激光-视觉-惯性 SLAM\n\n- **定义**：在 VI-SLAM 基础上进一步融合 LiDAR 残差（几何特征、ICP 或本文基于占用图梯度的残差 [^9]）以降低漂移的 SLAM 系统。\n- **直觉**：在\"看+感觉\"之外再加一把\"激光尺\"，几何约束更硬，漂移更小。\n- **论文中的角色**：LiDAR 配置下的状态估计方案（第 II-A、IV-A 节），直接采用作者前期工作 [^9]。\n- **前置知识**：VI-SLAM、点云配准、LOAM 类特征残差。\n\n## 5. IMU (Inertial Measurement Unit) / 惯性测量单元\n\n- **定义**：输出角速度与线加速度测量的传感器，本文中 OKVIS2 以 IMU 频率输出状态估计。\n- **直觉**：机器人的\"内耳前庭\"，高频但会漂移。\n- **论文中的角色**：VI-SLAM 的核心高频输入；对高动态 MAV 运动尤为关键（第 II-A 节）。\n- **前置知识**：惯性导航基础。\n\n## 6. LiDAR (Light Detection and Ranging) / 激光雷达\n\n- **定义**：通过激光测距获取周围环境点云的传感器，本文涉及单束双轴旋转式 LiDAR（BLK2Fly）与仿真中的 360×180 分辨率传感器。\n- **直觉**：向外发射激光\"扫描\"环境的精密测距仪，视场大、测距远。\n- **论文中的角色**：两种支持的传感器配置之一；其大视场带来更快的探索速度（第 VI-B 节、Fig. 8）。\n- **前置知识**：点云处理、传感器模型（视场角 α_h/α_v、量程 [d_min, d_max]）。\n\n## 7. Depth Camera / 深度相机\n\n- **定义**：直接输出深度图像的相机（本文使用 Intel RealSense D455 立体 RGB-D 相机）。\n- **直觉**：能\"看出远近\"的相机，便宜轻便但视场与量程有限。\n- **论文中的角色**：另一种开箱即用的传感器配置，验证系统在受限视场下仍可高效探索（第 VI-B 节）。\n- **前置知识**：立体视觉、RGB-D 成像。\n\n## 8. Odometry Drift / 里程计漂移\n\n- **定义**：由于噪声测量（尤其 IMU 积分）随时间累积，导致位姿估计误差不断增大的现象。\n- **直觉**：闭着眼睛走路，走得越久越不知道自己在哪。\n- **论文中的角色**：大尺度探索中地图质量退化的根源（第 I 节），是引入子地图与回环校正的核心动机。\n- **前置知识**：误差累积、积分噪声。\n\n## 9. Loop Closure / 回环检测（回环闭合）\n\n- **定义**：识别机器人重访已到过地点的过程，并据此对历史位姿施加约束、修正漂移。\n- **直觉**：\"咦，这里我来过\"——一旦认出旧地，就能回头纠正累积的位置误差。\n- **论文中的角色**：OKVIS2 提供视觉回环；回环校正以子地图刚体变换的形式传播，维持全局一致性（第 I、IV-B 节）。\n- **前置知识**： place recognition、位姿图优化。\n\n## 10. Submap / 子地图\n\n- **定义**：将全局地图划分为若干空间有界的局部地图块；每块内部假设漂移可忽略，块间通过刚体变换（锚定于关键帧位姿）连接，可在回环后整体调整。\n- **直觉**：把一张大地图拆成多张\"分区域卡片\"，发现画错时只需挪动卡片而无需重画全部。\n- **论文中的角色**：本文框架的核心数据结构（第 III、IV-B 节），兼顾局部精度与全局一致性。\n- **前置知识**：SLAM 漂移、位姿图。\n\n## 11. Submap Anchoring & Freezing / 子地图锚定与冻结\n\n- **定义**：新子地图锚定到 OKVIS2 关键帧状态上，随位姿优化（含回环）一同变换；子地图完成后即冻结，此后只允许刚体变换。\n- **直觉**：卡片钉在关键帧上，关键帧挪卡片跟着挪；卡片\"定稿\"后不再改内容，只整体平移旋转。\n- **论文中的角色**：保证回环校正可高效传播且已完成子地图内部结构不被破坏（第 IV-B 节）。\n- **前置知识**：子地图、关键帧、位姿优化。\n\n## 12. Frontier / 边界（前沿）\n\n- **定义**：已知自由空间与未知空间之间的交界体素，指示潜在的高信息增益观测方向（概念源自 Yamauchi [^1]）。\n- **直觉**：地图的\"未知边缘\"，走向它就能看到新东西。\n- **论文中的角色**：探索规划器采样候选点的依据（第 II-C、IV-C 节）。\n- **前置知识**：占用栅格地图、自由/未知空间表示。\n\n## 13. Local Frontier / 局部边界\n\n- **定义**：单个子地图 M_i 在孤立考虑时的边界集合 F_i^k，定义为至少有一个未知面邻居的自由体素，或位于子地图边界的自由体素。\n- **直觉**：每张\"分区域卡片\"自己看到的边缘，可能只是别的卡片已画过的区域。\n- **论文中的角色**：全局边界计算的输入；仅对当前活跃子地图增量更新（第 V-A 节、式 (1)）。\n- **前置知识**：frontier 概念、体素邻接。\n\n## 14. Global Frontier / 全局边界\n\n- **定义**：跨所有子地图聚合后仍然有效的边界 F_g^k，即在某子地图中是边界、且在所有其他子地图中对应未知或边界区域的体素（第 V-B 节、式 (2)(3)）。\n- **直觉**：剔除\"假边缘\"后整个世界真正的未知前沿。\n- **论文中的角色**：本文核心贡献——高效全局边界计算使单一统一全局规划器成为可能，无需局部/全局分层规划（第 I、V 节）。\n- **前置知识**：局部边界、子地图重叠。\n\n## 15. Stale Frontier / 过期边界\n\n- **定义**：因传感器更新而不再满足边界条件的旧局部边界 F_{i,stale}^{k-1}，需在增量更新中剔除。\n- **直觉**：上次标记的\"边缘\"这次已经被看到了，要把它从清单上划掉。\n- **论文中的角色**：式 (1) 增量更新 F_i^k = (F_i^{k-1} \\ F_{i,stale}^{k-1}) ∪ F_{i,new}^k 的关键组成，可与新边界计算并行（第 V-A 节）。\n- **前置知识**：局部边界、增量更新。\n\n**16. Occupancy Mapping / 占用建图（占用概率 P_o(v)）**\n\n- **定义**：将地图表示为离散网格上各体素的占用概率；初始未知 P_o=0.5，探索目标是把可观测体积 V_obs 中所有体素更新为 free 或 occupied。\n- **直觉**：给空间中每个小格子打标签：空、障碍、还是未知。\n- **论文中的角色**：环境模型基础（第 III-A 节）；显式表示未知空间是 frontier 计算的前提。\n- **前置知识**：概率栅格、贝叶斯更新。\n\n## 17. Octree / 八叉树\n\n- **定义**：递归细分三维空间的自适应分辨率树结构，仅在需要细节处细分，广泛用于占用建图（OctoMap [^21]、UFOMap [^22]、supereight2 [^23]）。\n- **直觉**：空旷处用大格子、复杂处用小格子的\"智能积木\"，省内存。\n- **论文中的角色**：supereight2 的底层数据结构；其显式自由空间与极值传播支持安全高效规划，也是本文内存占用低于 GLocal 的原因（第 IV-B、VI-A 节）。\n- **前置知识**：树结构、空间剖分。\n\n## 18. supereight2\n\n- **定义**：基于八叉树的多分辨率稠密占用建图框架 [^23]，显式表示自由空间并向根节点传播最小/最大占用值；本文在其上构建子地图框架。\n- **直觉**：本文的\"画图引擎\"。\n- **论文中的角色**：占用建图后端（第 IV-B 节）；作者扩展其支持动态移动 LiDAR 的积分方案。\n- **前置知识**：octree、占用建图。\n\n## 19. OKVIS2\n\n- **定义**：最先进的稀疏优化式 VI-SLAM 系统 [^4]，支持回环检测，以因子图优化估计状态与 IMU 偏置。\n- **直觉**：本文的\"定位大脑\"。\n- **论文中的角色**：状态估计器（第 IV-A 节），提供关键帧状态供子地图锚定，供 MPC 轨迹锚定。\n- **前置知识**：因子图优化、视觉重投影残差、IMU 预积分。\n\n## 20. TSDF (Truncated Signed Distance Field) / 截断符号距离场\n\n- **定义**：存储各体素到表面带符号距离（截断在一定范围内）的地图表示，由 KinectFusion [^19] 推广。\n- **直觉**：每个格子记录\"离最近表面多远、在表面哪一侧\"。\n- **论文中的角色**：相关工作中的建图表示（第 II-B 节）；因无法显式表示自由空间而不适合导航，反衬占用地图的选择。\n- **前置知识**：SDF、体素融合。\n\n## 21. ESDF (Euclidean Signed Distance Field) / 欧氏符号距离场\n\n- **定义**：存储到最近障碍真实欧氏距离的场表示（如 voxblox [^20]），便于碰撞检测与梯度规划。\n- **直觉**：TSDF 的\"全量版\"，任何位置都知道离障碍多远。\n- **论文中的角色**：相关工作建图表示（第 II-B 节）；GLocal 所用 voxblox 框架的基础，其障碍膨胀被指为重建质量较差的原因之一（第 VI-A 节）。\n- **前置知识**：距离变换、TSDF。\n\n## 22. Frontier-based Exploration / 基于边界的探索\n\n- **定义**：以 frontier 为目标引导机器人前往未知区域的探索范式，源自 [^1]。\n- **直觉**：\"哪有未知就去哪\"。\n- **论文中的角色**：本文规划器的思想基础——候选点采样在 frontier 附近进行（第 II-C、IV-C 节）。\n- **前置知识**：frontier、占用地图。\n\n## 23. Sampling-based Exploration / Next-Best-View (NBV) 采样式探索\n\n- **定义**：采样若干候选视点/路径，依据效用函数选出下一目标的方法范式，源自 [^2]；可通过在 frontier 附近的信息采样（informed sampling）加速 [^3][^26][^27]。\n- **直觉**：先想出多个\"下一步去哪看\"的方案，再挑性价比最高的。\n- **论文中的角色**：本文探索规划器的框架（第 IV-C 节），扩展自作者前期单地图规划器 [^3]。\n- **前置知识**：效用函数、路径规划。\n\n**24. Map Entropy Raycast / 地图熵光线投射（信息增益 g_j）**\n\n- **定义**：从候选位置向四周 360° 投射光线，统计可观测到的未知体积，生成增益图像；对视场受限传感器用滑动窗口优化选出最优偏航 ψ_j。\n- **直觉**：站在候选点\"环顾四周\"，数一数能看到多少未知区域。\n- **论文中的角色**：效用计算的核心步骤；对 360° 视场传感器（LiDAR）的偏航处理是本文对 [^3] 的改进之一（第 IV-C 节）。\n- **前置知识**：raycasting、信息熵/信息增益。\n\n**25. Utility Function / 效用函数（u_j = g_j / t_j）**\n\n- **定义**：候选点的信息增益 g_j 除以预计到达时间 t_j，即\"单位时间信息增益\"；效用最高者成为下一目标。\n- **直觉**：不看绝对收益，看\"性价比\"——又近又能看到大片未知的地方最划算。\n- **论文中的角色**：统一全局规划器的选择准则；通过该设计天然偏好近处候选，从而无需区分局部/全局规划（第 IV-C、II-C 节）。\n- **前置知识**：信息增益、路径时长估计（v_max、ω_max）。\n\n## 26. Hierarchical Exploration Planning / 分层（局部+全局）探索规划\n\n- **定义**：将探索分为局部规划（如 RRT/RRT* 找局部 NBV）与全局规划（如图/高斯过程引导至远处 frontier）的两阶段设计，如 [^30]、GBPlanner [^13]、GLocal [^12]。\n- **直觉**：\"先扫干净眼前这间屋，再决定去下一间\"的两级决策。\n- **论文中的角色**：本文所反对的复杂化设计——论证在高效全局边界计算下分层不再必要（第 I、II-C 节）。\n- **前置知识**：RRT/RRT*、图搜索。\n\n## 27. GLocal\n\n- **定义**：结合 Voxgraph 子地图与分层探索的最先进子地图式探索框架 [^12]；局部用 RRT* 规划，效用降低后由全局规划器经可通行性图引导至全局 frontier。\n- **直觉**：本文的\"最强对手\"：同样用子地图，但需要局部/全局两套规划器。\n- **论文中的角色**：仿真中的对比基线（第 VI-A 节）；在探索速度、安全性、重建质量与资源占用上均被本文超越。\n- **前置知识**：Voxgraph、分层规划。\n\n## 28. Voxgraph\n\n- **定义**：基于 SDF 子地图与位姿图优化的全局一致体积建图系统 [^11]，GLocal 的建图后端。\n- **直觉**：另一套\"分卡片画地图\"方案，卡片是 SDF 而非占用栅格。\n- **论文中的角色**：对比方法的子地图与 map-to-map 对齐来源（第 VI-A 节）。\n- **前置知识**：TSDF/SDF、位姿图优化。\n\n## 29. MPC (Model Predictive Control) / 模型预测控制\n\n- **定义**：基于模型滚动预测并优化未来控制输入的控制器；本文采用线性 MPC [^35] 跟踪规划轨迹，并经修改以在回环等大幅里程计跳变时仍正确跟踪（轨迹锚定关键帧并弹性形变 [^34]）。\n- **直觉**：每一步都\"预演未来几秒\"再决定怎么飞；地图突然\"瞬移校正\"时轨迹也跟着弹性变形。\n- **论文中的角色**：系统第四个模块（第 IV-D 节、Fig. 2），负责执行探索路径。\n- **前置知识**：最优控制、线性 MPC。\n\n## 30. Keyframe / 关键帧\n\n- **定义**：SLAM 中被选为代表性地保留并参与优化的帧；其状态构成位姿图的节点。\n- **直觉**：从连续视频流中挑出的\"关键截图\"。\n- **论文中的角色**：子地图锚定与 MPC 轨迹锚定的共同参照系（第 IV-B、IV-D 节），使回环校正能同时传播到地图与轨迹。\n- **前置知识**：视觉 SLAM、位姿图。\n\n## 31. Factor Graph Optimization / 因子图优化\n\n- **定义**：将状态估计表述为图上最小化各残差（IMU 积分误差、视觉重投影误差、LiDAR 残差等）的非线性优化问题，是优化式 SLAM 的标准形式。\n- **直觉**：把所有测量约束画成一张网，整体微调节点使网最\"服帖\"。\n- **论文中的角色**：OKVIS2 与 [^9] LiDAR 残差（基于占用图及其梯度）的数学框架（第 II-A、IV-A 节）。\n- **前置知识**：非线性最小二乘、图优化。\n\n## 32. ICP (Iterative Closest Point) / 迭代最近点\n\n- **定义**：通过迭代匹配最近点对求解点云间刚体变换的配准方法；LOAM 的边缘/平面特征残差之外的直接式 LiDAR 配准路线 [^8][^18]。\n- **直觉**：两片点云反复\"就近配对、对齐、再配对\"直到吻合。\n- **论文中的角色**：相关工作中的 LiDAR 残差形式（第 II-A 节）；本文实际采用基于占用图的残差方案 [^9]。\n- **前置知识**：点云配准、刚体变换。\n\n**33. RRT / RRT* (Rapidly-exploring Random Tree) / 快速探索随机树**\n\n- **定义**：通过随机采样树节点快速探索空间的路径规划算法；RRT* 为其渐近最优变体。\n- **直觉**：像树枝一样随机伸展\"探路\"，RRT* 还会不断修剪出更短路径。\n- **论文中的角色**：分层方法（[^30]、GBPlanner、GLocal）的局部规划器（第 II-C 节）；本文无需此类结构。\n- **前置知识**：采样式运动规划。\n\n## 34. Bundle Adjustment / 光束法平差\n\n- **定义**：同时优化相机位姿与地图点以最小化重投影误差的全局联合优化。\n- **直觉**：任务结束后把所有照片和路标一起\"精修\"一遍。\n- **论文中的角色**：最终网格重建前执行最终 BA 以获得最高精度位姿（第 VI-A 节），用于重建质量评估。\n- **前置知识**：重投影误差、非线性优化。\n\n## 35. RMSE 与 Completeness / 均方根误差与完整度\n\n- **定义**：RMSE 为重建网格相对真值网格的距离均方根误差（越低越好）；完整度为重建中距真值 0.2 m / 0.4 m 以内的比例（越高越好）。\n- **直觉**：一个衡量\"画得准不准\"，一个衡量\"画得全不全\"。\n- **论文中的角色**：重建质量的核心指标（Table II）：本文 RMSE 0.112 m、0.4 m 内完整度 97.73%，显著优于 GLocal（0.219 m / 76.97%）（第 VI-A 节）。\n- **前置知识**：点云/网格误差度量。\n\n---\n\n### 二、概念依赖图（文字版）\n\n``n【传感器层】\n  IMU + 立体相机 ──→ VI-SLAM (OKVIS2)\n  IMU + 相机 + LiDAR ──→ LVI-SLAM（占用图梯度残差 [^9]）\n        │\n        ▼\n【状态估计层】\n  VI-(LiDAR)-SLAM ──→ MAV 状态 x（位置 r、姿态 q、速度 v、IMU 偏置）\n        ├──→ 关键帧（Keyframe）\n        └──→ 漂移（Drift）──【问题根源】\n\n【漂移处理层】\n  漂移 ──→ 空间有界子地图（Submap）+ 回环校正（Loop Closure）\n        ├──→ 子地图锚定与冻结（Anchoring & Freezing）\n        └──→ 全局一致性（Global Consistency）\n\n【建图层】\n  位姿估计 + LiDAR/深度数据 ──→ supereight2 占用建图（Octree）\n        ├──→ 子地图生成（LiDAR：几何重叠 [^9]；深度相机：视觉关键帧 [^34]）\n        └──→ 子地图集合 M = {M_1...M_nm}（覆盖可观测体积 V_obs）\n\n【边界层】★核心贡献\n  占用地图 ──→ 局部边界 F_i^k（式(1)：stale 剔除 ∪ new 增量，仅更新活跃子地图）\n  局部边界 ──→ 全局边界 F_g^k（式(2)(3)：跨子地图一致性检验 h(f_i, M_l)，可并行）\n        └──→ 剔除\"已被其他子地图观测\"的假边界\n\n【规划层】\n  全局边界 ──→ 采样候选点 r_j（frontier 附近，n_c 个）\n        ├──→ 360° 地图熵 raycast ──→ 增益图 ──→ 滑动窗口偏航优化 ψ_j ──→ 增益 g_j\n        ├──→ 路径时长估计 t_j（v_max、ω_max）\n        └──→ 效用 u_j = g_j / t_j ──→ 统一全局规划器（无需局部/全局分层，区别于 GLocal/GBPlanner）\n\n【控制层】\n  规划路径 ──→ 线性 MPC（轨迹锚定关键帧 + 弹性形变，抗回环跳变）──→ MAV 执行\n\n【评估层】（第 VI 节）\n  探索速度/覆盖率（Fig.5、Fig.8）\n  安全性：轨迹-障碍最小距离（Fig.6）\n  重建质量：RMSE + 完整度（Table II，最终 BA 后重建）\n  资源占用：frontier/utility/规划耗时 + 内存（Table III）\n  对比基线：GLocal（Voxgraph 子地图 + RRT* 局部规划 + 全局图规划）\n``n\n**依赖关系要点**：\n\n1. **因果主线**：漂移 → 子地图 + 回环 → 全局一致性 → 安全导航（第 I 节动机链）。\n2. **核心创新链**：局部边界（增量更新）→ 全局边界（跨子地图检验）→ 统一规划器（取消分层）→ 更低计算/内存开销（Table III）。\n3. **传感器无关性**：LiDAR 与深度相机仅在\"子地图生成依据\"（几何重叠 vs 视觉关键帧）与\"偏航优化\"处分支，其余模块完全共享（第 IV-B、IV-C 节）。\n4. **锚定机制贯穿全系统**：关键帧同时是子地图变换与 MPC 轨迹形变的参照，保证回环校正同步作用于地图与轨迹（第 IV-B、IV-D 节）。\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\n\n### 1. 关键事实性声明核查（每条声明至少两个论文内来源/定位）\n\n### 声明 1：状态估计器采用 OKVIS2（优化式 VI-SLAM，支持回环）\n\n- 来源 1：第 IV-A 节 “We use OKVIS2 [^4] as our state estimator”，接收双目灰度图像与 IMU 测量，以 IMU 频率输出状态估计\n- 来源 2：Fig. 2 系统框图模块，VI-SLAM 为四个主模块之一\n- 来源 3：参考文献 [^4]（S. Leutenegger, “OKVIS2: Realtime scalable visual-inertial SLAM with loop closure,” arXiv:2202.09199, 2022）\n- 核查结论：多处一致，属实。\n\n### 声明 2：占用建图基于 supereight2 八叉树，并扩展为子地图框架\n\n- 来源 1：第 II-B 节 “occupancy submaps are created using supereight2 [^23]”\n- 来源 2：第 IV-B 节 “We use supereight2 [^23] for volumetric occupancy maps using octrees”，并说明为支持动态 LiDAR 采用了 [^9] 的积分方案\n- 来源 3：第 VI-A-4 节与 Table III，将更低内存占用归因于 supereight2 更高效的地图表示\n- 核查结论：一致，属实。\n\n### 声明 3：全局 frontier 由各子地图局部 frontier 逐一筛选得到（核心贡献）\n\n- 来源 1：第 V-B 节公式 (2) F_g^k = ∪_{i=1}^{n_m} F_{g,i}^k 与公式 (3) 的布尔判据 h(f_i, M_l)（为真当且仅当 f_i 不在 M_l 中、或对应 M_l 的未知区域、或对应 M_l 的局部 frontier）\n- 来源 2：Fig. 3 可视化对比局部 frontier（蓝）与全局 frontier（红），展示被其他子地图覆盖的局部 frontier 不计入全局 frontier\n- 来源 3：第 V 节开头说明按需更新（局部 frontier 在每次全局计算前及子地图完成时更新，随后冻结）\n- 核查结论：公式、图示与文字描述一致，属实。\n\n## 声明 4：仿真设置为 Gazebo + PX4，平台基于 RMF-Owl，环境为 30×15×9 m 的 Depot\n\n- 来源 1：第 VI-A 节文字（含硬件：Intel Core i7-1165G7 CPU、32 GB RAM）\n- 来源 2：Fig. 4（Depot 环境真值与两种方法的最终重建及精度可视化）\n- 来源 3：Table I（仿真参数：地图分辨率 0.1 m、R=0.5 m、v_max=0.5 m/s、ω_max=0.5 rad/s、LiDAR 分辨率 360×180、d∈[^1] [^10] m、n_c=20）\n- 核查结论：一致，属实。\n\n## 声明 5：与 GLocal 相比探索更快、覆盖更完整（SLAM 位姿下 300 s 内几乎总是探索 100% 体积）\n\n- 来源 1：Fig. 5（10 次运行、SLAM 与真值位姿两种条件的已探索体积中位数及 10/90 百分位曲线）\n- 来源 2：第 VI-A-1 节文字 “Our method outperforms GLocal in terms of exploration speed, consistency and final environment coverage”\n- 核查结论：图文一致；注意 “nearly always 100% within 300 s” 为定性表述，GLocal 存在未完成探索的运行，但失败次数未给出。\n\n## 声明 6：重建质量更优（RMSE 0.112 m vs 0.219 m；0.2 m 完整度 86.07% vs 44.19%）\n\n- 来源 1：Table II（含 SLAM 与真值位姿共四行结果；真值条件下 Ours 0.095 m / 89.89%，GLocal 0.213 m / 45.29%）\n- 来源 2：第 VI-A-3 节文字与 Fig. 4（最终重建与精度对比图），并将差距部分归因于 GLocal 所用 voxblox 的人为障碍物膨胀\n- 核查结论：一致，属实；RMSE/完整度为 10 次运行均值，分辨率 0.1 m。\n\n## 声明 7：计算资源占用更低（frontier 16±7 s vs 52±7 s；utility 11±6 s vs 275±84 s；规划 134±45 s vs 421±76 s；内存 6.7±1.0 GB vs 23.5±1.8 GB）\n\n- 来源 1：Table III（每任务均值±标准差）\n- 来源 2：第 VI-A-4 节文字解释（GLocal 对局部规划树每个顶点计算 utility，且专用线程高频重规划累积 CPU 时间；已忽略 <200 ms 的琐碎迭代）\n- 核查结论：一致，属实。\n\n## 声明 8：本方法更少违反 0.5 m 安全半径（安全性更高）\n\n- 来源 1：Fig. 6（10 次 SLAM 位姿任务中 MAV 与障碍物最小距离直方图，bin 0.25 m）\n- 来源 2：第 VI-A-2 节文字 “GLocal violates the safety radius R = 0.5 m significantly more often”\n- 核查结论：一致；但证据为直方图形式，无统计检验，属定性结论。\n\n## 声明 9：真机实验使用两台 MAV——Leica BLK2Fly（LiDAR）与基于 Holybro S500 的自定义四旋翼（Intel RealSense D455）\n\n- 来源 1：第 VI-B 节文字（BLK2Fly：5 相机、5 IMU、单束双轴旋转 LiDAR，实际仅用前/左/下相机与下 IMU；点云机载滤波后约 10–20 万点/秒；数据经 WiFi 流传至 i7-13850HX 笔记本离线处理。自定义平台：Jetson Orin NX 16 GB 全机载计算）\n- 来源 2：Fig. 7（两台平台照片）\n- 来源 3：Table IV（真机参数：两平台地图分辨率均 0.1 m、R=0.6 m；LiDAR 平台 v_max=1.0 m/s、d∈[0.25,10] m；深度相机平台 v_max=0.5 m/s、ω_max=0.785 rad/s、d∈[0.2,4] m）\n- 核查结论：一致，属实。\n\n## 声明 10：真机实验房间约 240 m³（8.0×8.1×3.7 m），LiDAR 平台不到 1 分钟即接近完全覆盖\n\n- 来源 1：第 VI-B 节文字（8.0×8.1×3.7 ≈ 239.8 m³，与 “≈240 m³” 吻合）\n- 来源 2：Fig. 1（两平台最终重建网格与轨迹）与 Fig. 8（探索体积随时间曲线）\n- 核查结论：数值自洽；但每种平台仅 1 次实验（见冲突说明 5）。\n\n## 声明 11：方法无需 GPU，可部署于资源受限平台\n\n- 来源 1：第 IV 节 “Our method does not require a GPU, allowing its deployment on small and resource-constrained platforms”\n- 来源 2：第 VI-B 节深度相机平台全部模块（VI-SLAM、稠密建图、探索规划、MPC）均在 Jetson Orin NX 16 GB 上机载运行\n- 核查结论：一致，属实。\n\n## 声明 12：子地图创建策略与锚定机制\n\n- 来源 1：第 IV-B 节（LiDAR 基于几何重叠创建子地图 [^9]；深度相机基于视觉关键帧 [^34]；子地图锚定于 OKVIS2 关键帧状态并随位姿优化/回环刚体变换；完成后冻结）\n- 来源 2：参考文献 [^9]（arXiv:2403.02280, 2024）与 [^34]（arXiv:2403.09596, 2024）\n- 来源 3：第 IV-D 节 MPC 通过将轨迹锚定到 OKVIS2 关键帧并弹性变形以应对回环引起的里程计突变（基于 [^35]，修改自 [^34]）\n- 核查结论：一致，属实。\n\n## 声明 13：对比对象 GLocal 基于 Voxgraph 子地图对齐且仅支持 LiDAR\n\n- 来源 1：第 II-C 节对 GLocal [^12] 的描述（Voxgraph [^11] 子地图 + 位姿图优化 + RRT* 局部规划器 + 全局规划器）\n- 来源 2：第 VI-A 节 “GLocal requires a LiDAR sensor and performs submap alignment using Voxgraph [^11]”，并说明仿真对比因此仅限 LiDAR 配置\n- 核查结论：一致，属实；同时解释了深度相机配置缺少与 GLocal 对比的原因。\n\n### 2. 冲突与不确定性说明\n\n1. **发表信息缺失（高优先级）**：正文未标注会议/期刊名称与年份。依据 IEEE 双栏会议排版、章节编号风格及引用的两篇 2024 年 3 月 arXiv 预印本 [^9][^34]，推测为 2024 年 ICRA/IROS 类机器人会议论文。此为推测，正式引用需以出版版本为准。\n2. **作者机构缺失**：作者名后仅有上标 1,2,3,4，但提供的正文未包含对应机构脚注，无法从论文内证据核实机构列表。从引用网络看（[^3][^4][^9][^23][^34][^35] 均含 Leutenegger 团队成员），团队与 OKVIS2/supereight2 研究线高度关联，但此为外部推断，非论文内证据。\n3. **BLK2Fly 传感器参数不完整**：第 VI-B 节说明机体遮挡导致 α_h、α_v 均小于 360°，但未给出具体数值；Table IV 中 LiDAR 平台的 ω_max 标为 “-”，原因未说明。这影响 LiDAR 平台规划参数的完整复现。\n4. **重建质量对比的公平性存疑**：第 VI-A-3 节说明本方法最终重建使用最终 bundle adjustment 后的位姿，但未说明 GLocal 是否采用同等后处理；且 GLocal 所用 voxblox 人为膨胀障碍物（同节），可能系统性影响其 RMSE/完整度。对比结论方向可信，但差距幅度的解释需谨慎。\n5. **真机实验样本量过小**：第 VI-B 节明确 “We conducted one experiment using each MAV platform”，每种平台仅 1 次实验，Fig. 8 为单次运行证据，无统计重复性。\n6. **探索体积评估口径**：第 VI-A-1 节以录制 LiDAR 数据 + 真值位姿构建 monolithic supereight2 图作为“已探索体积”基准。该统一口径虽避免了建图框架差异，但基准本身依赖 supereight2 表示，与 GLocal 的 voxblox 表示不同，可能引入表示偏差。\n7. **GLocal 失败案例未量化**：Fig. 5 与第 VI-A-1 节称 GLocal “sometimes fails to explore the whole volume”，但未给出失败次数与原因分析，属定性陈述。\n8. **引用 [^36][^37] 为软件官网链接**（Gazebo Fortress、PX4），非同行评审文献；Gazebo 仅注明 “Fortress” 发行版，PX4 未注明版本，复现时需注意版本漂移。\n9. **代码与数据未公开**：正文未提供代码或数据集链接（Module A 已确认），Table II/III 及 Fig. 5/6/8 的数值目前无法独立复现验证。\n10. **公式编号推断**：正文公式 (1) 为局部 frontier 更新（第 V-A 节），(2)(3) 为全局 frontier 计算（第 V-B 节）；文中未显式交叉引用公式编号，编号为阅读时按排版顺序推断，需以原文为准。\n11. **仿真与真机参数不一致**：仿真 R=0.5 m、v_max=0.5 m/s（Table I），真机 R=0.6 m、LiDAR 平台 v_max=1.0 m/s（Table IV）；属场景差异而非矛盾，但跨场景比较结论时需注意。\n\n### 3. 参考文献列表（论文 REFERENCES，共 38 条，紧凑格式）\n\n1. [^1] B. Yamauchi, “A frontier-based approach for autonomous exploration,” IEEE CIRA, 1997, pp. 146–151.\n2. [^2] A. Bircher, M. Kamel, K. Alexis, H. Oleynikova, R. Siegwart, “Receding horizon ‘next-best-view’ planner for 3D exploration,” IEEE ICRA, 2016, pp. 1462–1468.\n3. [^3] A. Dai, S. Papatheodorou, N. Funk, D. Tzoumanikas, S. Leutenegger, “Fast frontier-based information-driven autonomous exploration with an MAV,” IEEE ICRA, 2020, pp. 9570–9576.\n4. [^4] S. Leutenegger, “OKVIS2: Realtime scalable visual-inertial SLAM with loop closure,” arXiv:2202.09199, 2022.\n5. [^5] C. Campos, R. Elvira, J. J. G. Rodríguez, J. M. Montiel, J. D. Tardós, “ORB-SLAM3,” IEEE Trans. Robotics, vol. 37, no. 6, pp. 1874–1890, 2021.\n6. [^6] V. Usenko, N. Demmel, D. Schubert, J. Stückler, D. Cremers, “Visual-inertial mapping with non-linear factor recovery,” IEEE RA-L, vol. 5, no. 2, pp. 422–429, 2019.\n7. [^7] T. Shan, B. Englot, C. Ratti, D. Rus, “LVI-SAM: Tightly-coupled lidar-visual-inertial odometry via smoothing and mapping,” IEEE ICRA, 2021, pp. 5692–5698.\n8. [^8] C. Zheng, Q. Zhu, W. Xu, X. Liu, Q. Guo, F. Zhang, “FAST-LIVO,” IEEE/RSJ IROS, 2022, pp. 4003–4009.\n9. [^9] S. Boche, S. Barbas Laina, S. Leutenegger, “Tightly-coupled LiDAR-visual-inertial SLAM and large-scale volumetric occupancy mapping,” arXiv:2403.02280, 2024.\n10. [^10] Y. Wang, N. Funk, M. Ramezani, S. Papatheodorou, M. Popović, M. Camurri, S. Leutenegger, M. Fallon, “Elastic and efficient LiDAR reconstruction for large-scale exploration tasks,” IEEE ICRA, 2021, pp. 5035–5041.\n11. [^11] V. Reijgwart, A. Millane, H. Oleynikova, R. Siegwart, C. Cadena, J. Nieto, “Voxgraph,” IEEE RA-L, vol. 5, no. 1, pp. 227–234, 2019.\n12. [^12] L. Schmid, V. Reijgwart, L. Ott, J. Nieto, R. Siegwart, C. Cadena, “A unified approach for autonomous volumetric exploration of large scale environments under severe odometry drift,” IEEE RA-L, vol. 6, no. 3, pp. 4504–4511, 2021.（即 GLocal）\n13. [^13] T. Dang, S. Khattak, F. Mascarich, K. Alexis, “Explore locally, plan globally,” IEEE ICAR, 2019, pp. 9–16.（即 GBPlanner）\n14. [^14] A. I. Mourikis, S. I. Roumeliotis, “A multi-state constraint Kalman filter for vision-aided inertial navigation,” IEEE ICRA, 2007, pp. 3565–3572.\n15. [^15] P. Geneva, K. Eckenhoff, W. Lee, Y. Yang, G. Huang, “OpenVINS,” IEEE ICRA, 2020, pp. 4666–4672.\n16. [^16] T. Qin, S. Cao, J. Pan, S. Shen, “A general optimization-based framework for global pose estimation with multiple sensors,” arXiv:1901.03642, 2019.\n17. [^17] J. Zhang, S. Singh, “LOAM: Lidar odometry and mapping in real-time,” Robotics: Science and Systems, 2014.\n18. [^18] I. Vizzo, T. Guadagnino, B. Mersch, L. Wiesmann, J. Behley, C. Stachniss, “KISS-ICP,” IEEE RA-L, vol. 8, no. 2, pp. 1029–1036, 2023.\n19. [^19] R. A. Newcombe et al., “KinectFusion,” IEEE ISMAR, 2011, pp. 127–136.\n20. [^20] H. Oleynikova, Z. Taylor, M. Fehr, R. Siegwart, J. Nieto, “Voxblox,” IEEE/RSJ IROS, 2017, pp. 1366–1373.\n21. [^21] A. Hornung, K. M. Wurm, M. Bennewitz, C. Stachniss, W. Burgard, “OctoMap,” Autonomous Robots, vol. 34, pp. 189–206, 2013.\n22. [^22] D. Duberg, P. Jensfelt, “UFOMap,” IEEE RA-L, vol. 5, no. 4, pp. 6411–6418, 2020.\n23. [^23] 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, vol. 6, no. 2, pp. 3553–3560, 2021.（即 supereight2）\n24. [^24] T. Cieslewski, E. Kaufmann, D. Scaramuzza, “Rapid exploration with multi-rotors,” IEEE/RSJ IROS, 2017, pp. 2135–2142.\n25. [^25] W. Gao et al., “An improved frontier-based approach for autonomous exploration,” ICARCV, 2018, pp. 292–297.\n26. [^26] D. Duberg, P. Jensfelt, “UFOExplorer,” IEEE RA-L, vol. 7, no. 2, pp. 2487–2494, 2022.\n27. [^27] P. Zhong, B. Chen, S. Lu, X. Meng, Y. Liang, “Information-driven fast marching autonomous exploration with aerial robots,” IEEE RA-L, vol. 7, no. 2, pp. 810–817, 2021.\n28. [^28] L. Schmid, M. Pantic, R. Khanna, L. Ott, R. Siegwart, J. Nieto, “An efficient sampling-based method for online informative path planning in unknown environments,” IEEE RA-L, vol. 5, no. 2, pp. 1500–1507, 2020.\n29. [^29] A. Batinovic, A. Ivanovic, T. Petrovic, S. Bogdan, “A shadowcasting-based next-best-view planner for autonomous 3D exploration,” IEEE RA-L, vol. 7, no. 2, pp. 2969–2976, 2022.\n30. [^30] M. Selin, M. Tiger, D. Duberg, F. Heintz, P. Jensfelt, “Efficient autonomous exploration planning of large-scale 3-D environments,” IEEE RA-L, vol. 4, no. 2, pp. 1699–1706, 2019.\n31. [^31] Y. Zhang, B. Zhou, L. Wang, S. Shen, “Exploration with global consistency using real-time re-integration and active loop closure,” IEEE ICRA, 2022, pp. 9682–9688.\n32. [^32] A. Millane, Z. Taylor, H. Oleynikova, J. Nieto, R. Siegwart, C. Cadena, “C-blox,” IEEE/RSJ IROS, 2018, pp. 995–1002.\n33. [^33] Y. Wang, M. Ramezani, M. Mattamala, S. T. Digumarti, M. Fallon, “Strategies for large scale elastic and semantic LiDAR reconstruction,” Robotics and Autonomous Systems, vol. 155, p. 104185, 2022.\n34. [^34] S. Barbas Laina, S. Boche, S. Papatheodorou, D. Tzoumanikas, S. Schaefer, H. Chen, S. Leutenegger, “Scalable outdoors autonomous drone flight with visual-inertial SLAM and dense submaps built without LiDAR,” arXiv:2403.09596, 2024.\n35. [^35] D. Tzoumanikas, W. Li, M. Grimm, K. Zhang, M. Kovac, S. Leutenegger, “Fully autonomous micro air vehicle flight and landing on a moving target using visual-inertial estimation and model-predictive control,” Journal of Field Robotics, vol. 36, no. 1, pp. 49–77, 2019.\n36. [^36] Open Robotics, “Gazebo Fortress,” <https://gazebosim.org（软件链接，非论文）>。\n37. [^37] PX4 Autopilot, “PX4 Autopilot Software,” <https://px4.io（软件链接，非论文）>。\n38. [^38] P. De Petris et al., “RMF-Owl: A collision-tolerant flying robot for autonomous subterranean exploration,” IEEE ICUAS, 2022, pp. 536–543.\n\n### 核查小结\n\n- 论文内部证据链总体自洽：系统描述（第 IV 节）、方法（第 V 节公式 1–3）、实验（第 VI 节 Table I–IV、Fig. 4–8）与摘要/结论声明相互印证，未发现内部矛盾。\n- 主要不确定性集中在**外部可验证性**：发表信息与作者机构缺失、代码/数据未公开、真机实验样本量为 1、部分传感器参数（BLK2Fly 实际视场角、LiDAR 平台 ω_max）未给出。\n- 与 GLocal 的对比结论（更快、更准、更省资源）在 Table II/III 与 Fig. 5/6 中有一致支撑，但幅度解释受建图表示差异与后处理方式差异影响，引用时应注意上述第 4、6 条限制。\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：图表提取与深度解读\n\n### 1. 图表完整索引\n\n#### 1.1 图（Figures）索引（共 8 幅）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 优先级评分 |\n|---|---|---|---|---|---|\n| Fig. 1 | 真机实验中 LiDAR（左）与深度相机（右）MAV 的飞行轨迹与 10 cm 分辨率实时重建网格 | 定性结果可视化 | 第 I 节（引言首页） | 系统开箱即用支持 LiDAR 与深度相机两种传感器；真机重建质量直观展示 | 4/5 |\n| Fig. 2 | 系统主要模块总览：(i) VI-SLAM（可选 LiDAR）状态估计；(ii) 占用建图后端（空间有界子地图集合）；(iii) 基于全局 frontier 的探索规划；(iv) 线性 MPC | 系统架构图 | 第 III–IV 节之间（System Overview） | 系统由四大模块组成；单一统一全局规划器取代局部/全局分层规划 | 5/5 |\n| Fig. 3 | 一组子地图中的局部专属（蓝色）与全局（红色）frontier 示意 | 概念示意图 | 第 V 节（Global Frontier Computation） | 局部 frontier 中对应其他子地图已观测区域者不是全局 frontier；为公式 (2)(3) 提供直观解释 | 5/5 |\n| Fig. 4 | Depot 环境透视与俯视可视化：顶部为真值网格；中、下分别为本文方法与 GLocal 的最终重建（左）与网格精度（右） | 定性对比可视化 | 第 VI-A 节（仿真结果） | 本文方法重建更完整、精度更高（与 Table II 定量结果互证） | 4/5 |\n| Fig. 5 | Depot 环境 10 次运行的已探索体积中位数及第 10/90 百分位曲线（实线为 SLAM 位姿，虚线/阴影为真值位姿） | 定量曲线图 | 第 VI-A.1 节 | 本文方法探索更快、运行间一致性更好、最终覆盖率接近 100%（300 s 内），GLocal 有时无法完成全图探索 | 5/5 |\n| Fig. 6 | 10 次仿真任务中 MAV 与障碍物最小距离直方图（SLAM 位姿，安全半径 0.5 m，bin 宽 0.25 m） | 定量直方图 | 第 VI-A.2 节 | 本文方法更少违反安全半径 R=0.5 m，碰撞风险更低 | 4/5 |\n| Fig. 7 | 真机平台照片：左为搭载 LiDAR 的 Leica BLK2Fly；右为搭载 Intel RealSense D455 的自研四旋翼（Holybro S500 + Jetson Orin NX） | 硬件照片 | 第 VI-B 节（真机实验） | 两种传感器配置的真实 MAV 平台均可行 | 3/5 |\n| Fig. 8 | 两次真机实验的已探索体积随时间变化曲线 | 定量曲线图 | 第 VI-B 节 | LiDAR 平台因视场更大探索更快（不到 1 分钟近全覆盖）；深度相机平台仍可高效探索 | 4/5 |\n\n#### 1.2 表（Tables）索引（共 4 张）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 关键数值 | 优先级评分 |\n|---|---|---|---|---|---|---|\n| Table I | 仿真实验参数 | 参数表 | 第 VI-A 节 | 对比公平性：两方法共用关键参数 | 地图分辨率 0.1 m；R=0.5 m；v_max=0.5 m/s；ω_max=0.5 rad/s；LiDAR 分辨率 360×180；α_h/α_v=360°/90°；d_min/d_max=1/10 m；n_c=20（GLocal 不适用） | 3/5 |\n| Table II | Depot 环境中使用 SLAM 与真值（GT）位姿的网格重建 RMSE 与完整度 | 定量结果表 | 第 VI-A.3 节 | 重建质量显著优于 GLocal | Ours：RMSE 0.112 m、0.2 m 内 86.07%、0.4 m 内 97.73%；GLocal：0.219 m、44.19%、76.97%；GT 位姿下 Ours 0.095 m / 89.89% / 97.98%，GLocal (GT) 0.213 m / 45.29% / 78.20% | 5/5 |\n| Table III | 每任务 frontier、utility、规划计算时间与内存占用的均值±标准差 | 定量资源表 | 第 VI-A.4 节 | 计算资源占用显著低于 GLocal | Ours：frontier 16±7 s、utility 11±6 s、planning 134±45 s、内存 6.7±1.0 GB；GLocal：52±7 s、275±84 s、421±76 s、23.5±1.8 GB | 5/5 |\n| Table IV | 真机实验参数 | 参数表 | 第 VI-B 节 | 两种传感器平台的配置差异 | LiDAR：分辨率 0.1 m、d 0.25–10 m、R=0.6 m、v_max=1.0 m/s；深度相机：分辨率 0.1 m、d 0.2–4 m、R=0.6 m、v_max=0.5 m/s、ω_max=0.785 rad/s | 3/5 |\n\n### 2. 最高优先级深度解读（Top-priority deep reads，5 项）\n\n1. **Fig. 5（探索速度核心证据，评分 5/5）**：该图是「更快探索」这一核心结论的首要定量证据。解读要点：(a) 实线（SLAM 位姿）与虚线（真值位姿）的对比可分离位姿漂移对探索的影响——真值位姿下方差更小，作者归因于更一致的地图产生更少 frontier 与更多可通行自由空间（第 VI-A.1 节）；(b) 本文方法在约 300 s 内几乎总是达到 100% 覆盖，而 GLocal 的第 10 百分位曲线显示其部分运行未能完成全图探索；(c) 需注意纵轴为「已探索体积百分比」，由离线构建的单体 supereight2 地图统一度量，排除了不同建图框架导致的体积差异。\n2. **Table II（重建质量核心证据，评分 5/5）**：RMSE 降低约 49%（0.112 vs 0.219 m），0.2 m 内完整度近乎翻倍（86.07% vs 44.19%）。关键细节：GT 位姿行（Ours 0.095 m / 89.89% / 97.98%）表明即使消除位姿误差，GLocal 仍明显落后，说明差距部分来自其 voxblox 框架为安全规划而人为膨胀障碍物的策略（第 VI-A.3 节），而非单纯位姿估计差异。本文最终重建使用最终 bundle adjustment 后的位姿，属事后最优处理，解读时应注意与在线地图的区别。\n3. **Table III（轻量化核心证据，评分 5/5）**：三项计算时间与内存全面占优，其中 utility 计算差距最大（11±6 s vs 275±84 s，约 25 倍）。原因链：本文只对 n_c=20 个候选位置计算 utility，而 GLocal 需对局部规划树的每个顶点计算；GLocal 另有高频率重规划线程累积 CPU 时间（已忽略 <200 ms 的琐碎迭代）。内存差距（6.7 vs 23.5 GB）归因于 supereight2 相对 voxblox 更高效的地图表示。注意：该表仅对应仿真环境（i7-1165G7 CPU），不能直接外推到真机平台。\n4. **Fig. 3 + 公式 (1)–(3)（方法核心贡献可视化，评分 5/5）**：这是理解本文最关键方法贡献（高效全局 frontier 计算）的入口。公式 (1) 增量更新局部 frontier（剔除过期项并仅检测修改过的体素）；公式 (2) 将各子地图的全局 frontier 子集求并；公式 (3) 用布尔函数 h(f_i, M_l) 逐子地图并行检验局部 frontier 是否在其他子地图中仍为未知边界。Fig. 3 中蓝色（仅局部）与红色（全局）frontier 的空间分布直观展示了「被其他子地图覆盖的局部 frontier 被剔除」这一机制，是统一全局规划器得以取代分层规划的前提。\n5. **Fig. 2（系统架构总览，评分 5/5）**：阅读全文的锚点图。四个模块 (i)–(iv) 分别对应第 IV-A 至 IV-D 节；LiDAR 与深度相机两种配置在图中体现为状态估计模块的可选 LiDAR 分支（对应 [^9] 与 [^34] 两条技术路线）；子地图锚定 OKVIS2 关键帧、回环时刚体变换的设计贯穿建图与控制（MPC 轨迹弹性变形）两个模块，是理解全局一致性的关键。\n\n### 3. 图表关系与实验设置图\n\n系统架构与证据链关系（自上而下）：\n\n    系统架构（Fig. 2，第 IV 节）\n    ├─ (i) 状态估计：OKVIS2 VI-SLAM（LiDAR 平台叠加 [^9] 的占用地图残差）\n    ├─ (ii) 占用建图后端：supereight2 子地图（锚定关键帧，回环时仅刚体变换）\n    │      └─ 局部/全局 frontier 计算（第 V 节，公式 (1)–(3)）→ 概念示意：Fig. 3\n    ├─ (iii) 探索规划：采样式 next-best-view（扩展自 [^3]），基于全局 frontier 采样候选点\n    └─ (iv) 线性 MPC：轨迹跟踪（锚定关键帧、弹性变形以容忍回环跳变）\n\n    实验设置与证据产出\n    ├─ 仿真（第 VI-A）：Gazebo + PX4，RMF-Owl 模型（LiDAR + D455），Depot 环境 30×15×9 m，i7-1165G7 / 32 GB\n    │      ├─ 公共参数：Table I（与 GLocal 对齐，保证公平）\n    │      ├─ 探索体积：Fig. 5（10 次 SLAM 位姿 + 10 次真值位姿，各方法）\n    │      ├─ 安全性：Fig. 6（对真值网格的最小距离直方图）\n    │      ├─ 重建质量：Table II（RMSE/完整度）+ Fig. 4（可视化与精度图）\n    │      └─ 资源占用：Table III（时间与内存）\n    └─ 真机（第 VI-B）：8.0×8.1×3.7 m ≈ 240 m³ 房间\n           ├─ 平台：Fig. 7（Leica BLK2Fly LiDAR，off-board 笔记本 i7-13850HX；自研 S500 + D455，机载 Jetson Orin NX 16 GB）\n           ├─ 参数：Table IV（两平台分别配置）\n           ├─ 轨迹与重建：Fig. 1（对应第 I 节引言的展示图）\n           └─ 探索体积曲线：Fig. 8（两平台对比）\n\n关系要点：Fig. 2 是方法层总纲；Fig. 3 是第 V 节核心算法的可视化；Fig. 4/5/6 与 Table I/II/III 构成仿真对比证据链（对象为 GLocal [^12]）；Fig. 1/7/8 与 Table IV 构成真机可行性证据链（无对比基线，仅自我验证）。\n\n### 4. 图表 → 结论映射\n\n| 论文结论（第 VII 节） | 支撑图表 | 证据链说明 |\n|---|---|---|\n| 探索速度更快、覆盖率更高 | Fig. 5、Fig. 8、Table III | 仿真中 300 s 内近 100% 覆盖且方差更小（Fig. 5，第 VI-A.1 节）；真机 LiDAR 平台不到 1 分钟近全覆盖（Fig. 8，第 VI-B 节）；规划总时间 134±45 s vs 421±76 s（Table III） |\n| 重建更准确、更完整、全局一致 | Table II、Fig. 4、Fig. 1 | RMSE 0.112 vs 0.219 m、0.2 m 内完整度 86.07% vs 44.19%（Table II，第 VI-A.3 节）；重建与精度可视化对比（Fig. 4）；真机重建展示（Fig. 1） |\n| 飞行更安全 | Fig. 6 | 违反 0.5 m 安全半径的频率显著低于 GLocal（第 VI-A.2 节），归因于本文不做障碍物膨胀且地图更一致 |\n| 计算资源占用更低、适合资源受限平台 | Table III | frontier/utility/规划时间与内存全面占优；无需 GPU（第 IV 节）；深度相机平台全部计算机载完成（第 VI-B 节） |\n| 单一统一全局规划器即可，无需局部/全局分层规划 | Fig. 2、Fig. 3、公式 (1)–(3) | 高效的全局 frontier 增量更新（第 V 节）使统一规划器可行，utility 函数通过 g_j/t_j 天然偏好近处候选点（第 IV-C 节） |\n| 传感器无关：LiDAR 或深度相机开箱即用 | Fig. 1、Fig. 7、Fig. 8、Table IV | 两种平台真机验证（第 VI-B 节）；Table IV 展示两套参数配置的差异（如 d_max 10 m vs 4 m、v_max 1.0 vs 0.5 m/s） |\n\n### 5. 数据可信度与解读备注\n\n- **统计强度**：Fig. 5/6 与 Table II/III 均基于每方法 10 次重复运行，报告中位数/百分位或均值±标准差，统计可信度较好；Fig. 5 同时提供 SLAM 与真值位姿两组基线，增强了归因分析。\n- **真机局限**：每种平台仅 1 次实验（第 VI-B 节），Fig. 8 为单次运行结果，统计代表性弱于仿真部分；LiDAR 平台计算为 off-board（WiFi 流传至笔记本），与「资源受限平台」的表述需区分解读。\n- **对比范围限制**：仿真对比仅限 LiDAR 配置（因 GLocal 依赖 LiDAR，第 VI-A 节），深度相机配置无定量基线对比，仅有真机演示。\n- **潜在有利偏差**：Table II 中本文最终重建使用事后 bundle adjustment 位姿，属最优后处理；Fig. 6 的安全性评估基于真值轨迹与真值网格，未计入感知不确定性。"
}