{
  "paper_id": "4ecdbaaa7e52204257382328c48b64ec",
  "paper_title": "Occupancy Grid Mapping With Uncertain LiDAR Data",
  "paper_authors": [
    "Yuguang Liu",
    "Marko Radanovic",
    "Krista A. Ehinger",
    "Kourosh Khoshelham"
  ],
  "publication_date": "",
  "publication_venue": "IEEE Transactions on Instrumentation and Measurement",
  "abstract": "High-definition (HD) maps are essential for autonomous vehicles. A promising approach to automated generation of HD maps is occupancy grid mapping using vehicle-borne light detection and ranging (LiDAR) data. Existing occupancy grid mapping methods do not integrate the LiDAR pose uncertainty caused by signal blockage and the multipath effect of global navigation satellite systems (GNSS) into the geometric inverse sensor model (ISM) update. This results in systematic and random errors in the generated maps. To address the problem, this article presents an asymmetric Gaussian Bell ISM that minimizes the systematic and random errors caused by the pose uncertainty in occupancy grid mapping. Our proposed asymmetric Gaussian Bell ISM is evaluated on both a real indoor LiDAR dataset and a small-scale outdoor LiDAR dataset with two designed evaluation metrics. The results demonstrate that the proposed ISM effectively reduces the systematic error in both environments. Specifically, our ISM achieves the lowest systematic error of 7.5 and 5.1 cm for the indoor and outdoor datasets with LiDAR pose uncertainties of 20 and 40 cm, respectively, producing more accurate occupancy grid maps compared to five existing ISMs and indicating its potential for HD map-related applications.\n",
  "keywords": [
    "Inverse sensor model (ISM)",
    "light detection and ranging (LiDAR)",
    "map evaluation",
    "occupancy grid mapping",
    "pose uncertainty"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "deepseek-v4-flash",
  "prompt_template": "simple",
  "extracted_at": "2026-08-18T10:30:17.686072Z",
  "template_tag": "deep_read",
  "summary": "# Occupancy Grid Mapping With Uncertain LiDAR Data\n\n\n**作者 / Authors:** Yuguang Liu, Marko Radanovic, Krista A. Ehinger, Kourosh Khoshelham\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## 1. Paper metadata\n\n- **Title**: Occupancy Grid Mapping With Uncertain LiDAR Data\n- **Authors**: Yuguang Liu, Marko Radanovic, Krista A. Ehinger, Kourosh Khoshelham\n- **Author affiliations**: 文档中未明确给出作者单位信息。\n- **Publication venue or outlet**: 文档中未明确给出期刊/会议名称、年份与级别（从格式看为 IEEE 期刊论文风格）。\n\n## 2. Research positioning\n\n- **Research area**: 机器人/自动驾驶中的占用栅格地图构建；LiDAR 逆传感器模型（ISM）；位姿不确定性建模。\n- **Concrete task**: 在 LiDAR 位姿存在不确定性时，设计一种几何逆传感器模型，以减少占用栅格地图中的系统误差（障碍物峰值偏移）和随机误差（障碍物增厚）。\n- **Target users or application scenario**: 自动驾驶高精地图生成、移动机器人导航与定位、LiDAR 建图算法研究者。\n\n## 3. Input material checklist\n\n- **PDF**: 否（提供的是 Markdown 文本，包含正文、公式、图表引用和参考文献）。\n- **Appendix / supplement**: 未提供。\n- **Code link**: 未提供。\n- **Dataset link**: 未提供直接链接；文中使用 University of Pennsylvania 数据集和 KITTI Odometry 数据集（参考文献 [^39]、[^40]）。\n\n## 4. Missing materials and risks\n\n- **Missing items**: 官方 PDF 版式、附录/补充材料、代码实现、数据集直接链接、作者单位信息。\n- **Likely impact**: 无法核对图表细节和公式排版；难以复现实验；无法确认作者单位与版本信息；可能影响对实验细节的完整理解。\n\n## 5. Reading route\n\n- **Step 1**: 第一遍快速浏览：阅读标题、摘要、引言、结论、图表标题，把握核心贡献（非对称高斯钟形 ISM、MSD/MAD 两个评估指标）。\n- **Step 2**: 第二遍细读：重点阅读 Section III（现有 ISM 在 LiDAR 位姿不确定性下的误差）、Section IV（提出 ISM 及参数推导）、Section V（实验设置与结果）。\n- **Step 3**: 第三遍深读：推导公式 (13)-(26)，理解无偏峰条件；检查实验设置、数据集、参数选择、局限性。\n- **Step 4**: 对照参考文献和图表，验证方法定位与相关工作。\n- **Step 5**: 总结优缺点和后续工作。\n\n## 分类理由\n\n- 论文的主要贡献是提出一种新的算法/模型（非对称高斯钟形几何逆传感器模型），并设计两个评估指标进行实验验证，因此归类为 `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## 1. 论文类型与类别\n\n- **类型**: 方法类论文（method paper）。核心贡献是提出一种新的几何逆传感器模型（非对称高斯钟形 ISM），并设计两个评估指标进行实验验证。\n- **领域**: 机器人/自动驾驶中的占用栅格建图、LiDAR 逆传感器模型、位姿不确定性建模。\n\n## 2. 背景与研究脉络\n\n- 占用栅格建图是生成 HD map 和 SLAM 的常用方法（Section I）。\n- 现有几何 ISM（Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2）在 LiDAR 位姿存在不确定性时会产生系统误差（峰值偏移）和随机误差（障碍物增厚）（Section III, Fig. 1）。\n- 相关工作包括 EKF-SLAM、FastSLAM、evidential grid map、fuzzy logic、GP 和深度 ISM，但大多在改善位姿估计或需要复杂框架，较少直接在几何 ISM 中补偿位姿不确定性（Section II）。\n- 本文在经典 log-odds 占用栅格框架内，通过解析推导提出可补偿位置不确定性的 ISM（Section IV）。\n\n## 3. 直觉正确性检查\n\n- **关键假设**: 只考虑 LiDAR 位姿的位置（平移）不确定性，忽略朝向不确定性；位置不确定性建模为零均值高斯噪声；分析采用大样本极限下的期望 log-odds；通过令峰值处导数为零来获得无偏峰条件（Section IV-A, Eq. 14-26）。\n- **合理性**: 高斯噪声是常见的传感器噪声近似，推导过程自洽；大样本假设在 1-D 模拟中成立，但 2-D 数据测量数量有限，导致 MSD 不为零（Section VI-A）。忽略朝向是明确简化，作者将其列为 future work（Section VII）。\n- **参数关系**: 由 Eq. (26) 可得 $\\sigma_\\ell > \\sigma_r$，即障碍物前方的高斯宽度大于后方，直观上用于平衡噪声引起的非对称累积贡献，逻辑合理。\n\n## 4. 核心贡献\n\n1) 量化和展示了现有几何 ISM 在 LiDAR 位姿不确定性下的系统误差与随机误差（Section III, Fig. 1）。\n2) 提出两个新评估指标：MSD（平均符号距离）和 MAD（平均绝对偏差），分别量化峰值偏移和障碍物厚度（Section IV-B, Eq. 27-30）。\n3) 提出非对称高斯钟形 ISM，并推导出无偏峰条件 $\\sigma_r^2 = \\frac{4(\\lambda-0.5)\\lambda(1-\\lambda)}{\\lambda-\\eta}\\sigma_\\ell^2$（Section IV-A, Eq. 13, 25, 26）。\n4) 在室内（UPenn）和室外（KITTI Odometry sequence 05）数据集上验证，相比五种现有 ISM 取得最低 MSD（室内 7.5 cm，室外 5.1 cm）（Section V, Table I/II）。\n\n## 5. 清晰度评估\n\n- **结构**: 清晰，遵循“问题-相关工作-误差分析-方法-实验-讨论-结论”的顺序。\n- **公式**: 编号完整，关键推导（Eq. 13-26）可追踪。\n- **图表**: Fig. 1 直观展示五种 ISM 的峰值偏移和宽度增加；Fig. 2 展示提出 ISM 的形状；Fig. 3 展示参数选择；Fig. 5-6 展示 2-D 地图；Table I-III 提供定量结果和运行时间。\n- **小问题**: Fig. 1 子图标签有重复“(i)”的排版问题；Section III-E 中“when.”后疑似缺少条件或公式。整体可读性高。\n\n## 6. 继续/停止建议\n\n- **建议**: 继续进入第二遍和第三遍精读。\n- **理由**: 本文核心是解析推导的 ISM 和评估指标，需要深入验证公式推导、实验设置和局限性；对复现和后续研究（如扩展到 3-D 和朝向不确定性）有重要价值。\n\n## 7. 结构大纲图\n\n```markmap\n# Occupancy Grid Mapping With Uncertain LiDAR Data\n## 1. Introduction\n### HD maps & occupancy grid mapping\n### Pose uncertainty problem\n### Contributions\n## 2. Related Work\n### Conventional OGM\n### Uncertainty modeling\n### Non-deep learning OGM\n### Deep learning OGM\n## 3. Map Errors Caused by LiDAR Position Uncertainty\n### Octomap ISM\n### Gaussian Bell ISM\n### Cartographer ISM\n### K-NN ISM\n### Supereight2 ISM\n## 4. Proposed ISM\n### Asymmetric Gaussian Bell ISM\n### Optimal parameter values\n### Quantification of map errors (MSD/MAD)\n### Peak shift validation\n## 5. Experiments\n### 2-D maps evaluation (indoor/outdoor)\n### Comparison of map errors\n### Runtime comparison\n## 6. Discussion\n### 1-D vs 2-D discrepancy\n### Generalization to large-scale maps\n## 7. Conclusion\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## 模块 C1：论文试图解决什么问题？\n\n### 1. 一句话问题定义\n\n论文要解决的问题是：在 LiDAR 位姿（尤其是位置/平移分量）存在不确定性时，现有几何逆传感器模型（ISM）无法将该不确定性纳入占用栅格地图更新，导致生成的地图出现障碍物峰值偏移（系统误差）和障碍物增厚（随机误差），因此需要设计一种能显式补偿位姿不确定性的几何 ISM（摘要；Section I；Section III）。\n\n### 2. 痛点或缺陷\n\n- 现有占用栅格建图方法通常假设传感器位姿精确已知，未将 GNSS 信号遮挡、多路径效应、运动估计误差和标定误差等引起的 LiDAR 位姿不确定性集成到几何 ISM 更新中（摘要；Section I）。\n- 传统几何 ISM 主要处理较小的测距随机误差，而位姿不确定性可能显著更大，并会在占用栅格地图中引入系统误差（障碍物峰值偏移）和随机误差（障碍物增厚）（Section I；Section III）。\n- 已有不确定性建模方法（如 EKF-SLAM、FastSLAM、证据栅格图、模糊逻辑、GP、深度 ISM）要么先改进位姿估计，要么牺牲传统占用栅格框架的简洁性，很少直接在逐光束几何 ISM 中显式补偿位姿不确定性（Section II-C、II-D；Section II 总结段）。\n- 深度学习方法通常假设传感器位姿由数据集或模拟器给定，主要建模测量噪声、遮挡和语义模糊，未显式分析位姿不确定性如何使地图失真（Section II-D）。\n\n### 3. 形式化目标或优化目标\n\n- 核心目标：在经典 log-odds 占用栅格更新框架内，设计一个非对称高斯钟形几何 ISM，使融合后的占用概率峰值在存在 LiDAR 位置不确定性时仍位于真实障碍物位置，从而最小化系统误差和随机误差（Section IV；Section IV-A）。\n- 数学条件：设噪声平均后的 log-odds 曲线为 \\(S_\\ell(z)\\)，真实峰值满足 \\(S_\\ell'(z^*+\\Delta)=0\\)。为使 \\(\\Delta=0\\) 成为无偏峰（双根），要求系数 \\(c=0\\)，即\n  \\[c=\\frac{\\lambda-\\eta}{\\sigma_\\ell^2\\lambda(1-\\lambda)}-\\frac{\\lambda-0.5}{\\sigma_r^2(0.25)}=0\\]\n  由此得到左右宽度参数关系：\n  \\[\\sigma_r^2=\\frac{4(\\lambda-0.5)\\lambda(1-\\lambda)}{\\lambda-\\eta}\\sigma_\\ell^2\\]\n  （Section IV-A，公式 (25)-(26)）。\n- 参数选择：在满足零 MSD 的 \\((\\lambda,\\eta)\\) 曲线上选取 \\((\\lambda,\\eta)=(0.941,0.136)\\)，该组合同时具有较低 MAD 并避免 log-odds 更新时概率接近 0 或 1 的极端值（Section IV-B；Fig. 3）。\n\n### 4. 成功标准（指标或期望性质）\n\n- 提出两个评估指标：平均符号距离（MSD）量化系统误差（障碍物峰值/表面位移），平均绝对偏差（MAD）量化随机误差（障碍物厚度）（Section IV-B，公式 (27)-(30)）。\n- 期望性质：在 1-D 仿真中，当 \\(\\sigma_\\ell\\) 与 \\(\\sigma_r\\) 满足 (26) 时，模型对任意位置不确定性水平都表现出零系统误差（Section IV-A）。\n- 实验成功标准：在真实室内（University of Pennsylvania 数据集）和室外（KITTI Odometry 数据集）2-D 建图中，与 Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2 五种 ISM 相比，所提 ISM 应取得最低或接近最低的 MSD/MAD（Section V-A；Tables I-II）。\n- 具体结果：室内 \\(\\sigma_{sensor}=20\\) cm 时 MSD=7.5 cm、MAD=10.4 cm，均为最优；室外 \\(\\sigma_{sensor}=40\\) cm 时 MSD=5.1 cm，为最优，MAD=25.3 cm，略高于最佳值（Tables I-II；摘要）。\n- 运行效率标准：在室内外数据集上每扫描帧运行时间均低于 20 ms，满足 50 Hz LiDAR 的实时建图需求（Section V-C；Table III）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2: 相关工作定位\n\n### 1. 最强基线及比较轴\n\n- **最强基线**：文中在 Section III 和 Section V 选取五个广泛使用的几何 ISM 作为基线：Octomap ISM（式(1)）、Gaussian Bell ISM（式(2)）、Cartographer ISM（式(4)）、K-NN ISM（式(6)）、Supereight2 ISM（式(7)）。\n- **比较轴**：在 LiDAR 位置不确定性（position uncertainty）下，比较地图的系统误差（MSD，峰值/障碍物位置偏移）和随机误差（MAD，障碍物厚度/弥散）。室内数据集 σ_sensor=20 cm（Table I），室外 KITTI 数据集 σ_sensor=40 cm（Table II），并在不同不确定性水平下比较（Fig. 7-9）。\n- **结果**：提出 ISM 在室内 MSD=7.5 cm、MAD=10.4 cm（Table I），室外 MSD=5.1 cm、MAD=25.3 cm（Table II），均为最低或接近最低；在 σ_sensor>5 cm（室内）或 >10 cm（室外）时系统误差最低（Section V-B）。\n\n### 2. 最接近的方法及关键差异\n\n- **Joubert et al. [^7]**（Section II-B）：从 SLAM 位姿分布采样，用 Monte Carlo 近似把位姿不确定性融入占用栅格更新。核心思想：用采样近似位姿分布，再卷积理想 ISM。局限：未量化该额外信息对地图误差的影响，且仍基于理想 ISM 的卷积，未从几何 ISM 形状上消除峰值偏移。\n- **Langerwisch and Wagner [^21]**（Section II-B）：用区间分析（interval analysis）将测量和位姿不确定性建模为未知但有界。局限：结果不如典型概率模型精确，且未在模型中考虑传感器位置不确定性。\n- **关键差异**：本文不改变位姿估计或更新框架，而是直接改造逐光束几何 ISM，提出非对称高斯钟形 ISM（式(13)），通过令噪声平均对数几率在 z* 处导数为零（式(24)-(26)）解析地消除系统误差，保持经典 log-odds 框架的简洁性（Section IV）。\n\n### 3. 正交方向\n\n- **位姿估计改进**：传感器融合 [^8]、粒子滤波 [^9][^10]、EKF-SLAM [^15]、FastSLAM [^17] 等，通过提高位姿精度间接减少地图误差，而非在建图更新中显式建模位姿不确定性。\n- **非几何/学习类 ISM**：高斯过程占用图 [^11][^12][^13]、模糊逻辑 [^14]、证据栅格 [^20][^29]；深度 ISM [^24][^25][^26][^27] 端到端学习占用概率，但通常假设位姿已知，且需要大量训练数据与算力。\n- 这些方向与本文正交：本文专注于几何 ISM 在经典占用栅格框架内显式补偿位姿不确定性。\n\n### 4. 一句话定位\n\n本文在经典 log-odds 占用栅格框架内提出一种解析推导的非对称高斯钟形几何逆传感器模型，直接补偿 LiDAR 位置不确定性导致的系统误差（峰值偏移）与随机误差（障碍物增厚），在室内外数据集上优于五种现有 ISM。\n\n### 5. Method -> core idea -> limitation\n\n- **Method**：非对称高斯钟形 ISM（式(13)），左、右瓣分别用 σ_l、σ_r 控制，参数满足式(26) 的无偏峰条件，并用式(31) 选择 (λ,η)=(0.941,0.136)。\n- **Core idea**：在 log-odds 域中，使噪声平均后的累积对数几率在真实距离 z* 处取得平稳极大值（式(17)-(26)），从而消除峰值偏移；同时通过 MSD/MAD 指标量化系统/随机误差。\n- **Limitation**：仅建模位置（平移）不确定性，忽略姿态（方向）不确定性（Section I, VII）；实验为局部尺度室内外地图而非全尺寸 HD 地图；1-D 推导的大数极限与 Taylor 截断在 σ_sensor 较大时产生残余 MSD（Section VI-A）；室外 MAD 并非最优（Table II）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题？\n\n### 1. 核心机制概述\n\n论文提出一种**非对称高斯钟形逆传感器模型（asymmetric Gaussian Bell ISM）**，用于在 LiDAR 位姿存在不确定性时进行占用栅格地图构建。核心思想是：传统几何 ISM 在返回距离 z* 两侧赋予不对称的概率增量，导致多次含噪观测在 log-odds 域累加后，峰值概率向远离真实障碍物的方向偏移（系统误差），同时障碍物变厚（随机误差）。论文通过构造左右不对称的高斯钟形函数，并推导“无偏峰条件”，使噪声平均后的 log-odds 曲线在 z* 处取得平稳极大值，从而消除峰值偏移。该方法保持经典 log-odds 占用栅格框架不变，只修改单次测量的概率更新函数（Section IV）。\n\n### 2. 逐步分解\n\n1. **问题建模**：将 LiDAR 位姿不确定性（仅位置分量）建模为加性高斯噪声 ε ~ N(0, σ_sensor^2)，投影到光束方向后等效为测距误差（Section I, III）。\n2. **误差分析**：在 1-D 仿真中，用 1000 次含噪观测分别测试 Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2 五种 ISM，展示峰值偏移和宽度增加（Fig. 1）。\n3. **提出新 ISM**：定义左瓣 w_l 和右瓣 w_r，分别用 σ_l 和 σ_r 控制宽度，λ 控制峰值概率，η 控制前方自由空间概率（Eq. 10-13, Fig. 2）。\n4. **推导无偏条件**：在 log-odds 域对噪声平均后的期望曲线 S_l(z) 做泰勒展开，令峰值偏移 Δ=0 为二次方程的二重根，得到 c=0，进而导出 σ_r^2 与 σ_l^2 的关系（Eq. 14-26）。\n5. **参数选择**：在 1-D 仿真中绘制 MSD/MAD 等高线图，选择零 MSD 曲线上 MAD 较低且避免极端 log-odds 的参数 (λ=0.941, η=0.136)，并给出三次多项式近似 η(λ)（Eq. 31, Fig. 3）。\n6. **2-D 验证**：在 UPenn 室内数据集（σ_sensor=20 cm）和 KITTI Odometry 室外数据集（σ_sensor=40 cm）上，与五种现有 ISM 比较 MSD 和 MAD（Fig. 5-6, Table I-II）。\n7. **参数敏感性与扩展分析**：在不同 σ_sensor 和栅格尺寸下比较误差（Fig. 7-9），并报告运行时（Table III）。\n\n### 3. 关键公式与模块作用\n\n- **非对称高斯钟形 ISM（Eq. 10-13）**：\n  - w_l(z,z*) = exp(-(z-z*)^2/(2σ_l^2))*(λ-η)+η，用于 z ≤ z*，即障碍物前方的自由空间概率。\n  - w_r(z,z*) = exp(-(z-z*)^2/(2σ_r^2))*(λ-0.5)+0.5，用于 z > z*，即障碍物后方到未知区域的过渡。\n  - P_occ(z|Y_lidar) 分段使用 w_l 和 w_r。\n- **log-odds 转换与噪声平均（Eq. 14-19）**：l(z)=ln(P/(1-P))，含噪观测累加后期望 S_l(z)=E_ε[l(z+ε)]。\n- **无偏峰条件（Eq. 20-26）**：令 S_l'(z*+Δ) 的二次方程 aΔ^2+bΔ+c=0 在 Δ=0 处为二重根，得到 c=0，即 (λ-η)/(σ_l^2 λ(1-λ)) - (λ-0.5)/(σ_r^2*0.25)=0，从而 σ_r^2 = 4(λ-0.5)λ(1-λ)/(λ-η) * σ_l^2。该条件保证任意 σ_sensor 下峰值概率不偏移。\n- **参数近似曲线（Eq. 31）**：η(λ)=1-(4λ^3-6λ^2+3λ)，用于快速选择零 MSD 参数对。\n- **评估指标（Eq. 27-30）**：MSD 衡量系统误差（障碍物位移），MAD 衡量随机误差（障碍物厚度）。MSD 为所有占用单元到参考地图的带符号距离均值；MAD 为去除 MSD 后的残差绝对均值。\n\n### 4. 流程示意图\n\n```mermaid\nflowchart TD\n  A[\"输入：LiDAR 测量 z*、位姿不确定性 σ_sensor、栅格参数\"] --> B[\"对每条光束计算非对称高斯钟形 ISM 概率 P_occ(z|Y_lidar)\"]\n  B --> C[\"将概率转换为 log-odds l(z)\"]\n  C --> D[\"按 log-odds 累加更新栅格单元，并应用概率钳制\"]\n  D --> E[\"生成占用栅格地图\"]\n  E --> F[\"用 MSD 和 MAD 评估系统误差与随机误差\"]\n  F --> G[\"与五种现有 ISM 对比，验证有效性\"]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4：数据集、基准与实现/评估设置\n\n### 1. 数据集/基准列表\n\n- **室内数据集：University of Pennsylvania (UPenn) 数据集**（参考文献 [^39]，对应 GitHub 仓库 RoboticsSpecialization-UPenn-Estimation-and-Learning）。\n  - 规模：文档未给出轨迹长度、扫描帧数或点云数量的具体数值；属于真实室内 LiDAR 数据，包含实际里程计与 LiDAR 测量（Section V-A）。\n  - 场景：室内环境，用于生成 2-D 占用栅格地图，评估不同 ISM 在 LiDAR 位姿不确定性下的建图误差。\n- **室外数据集：KITTI Odometry 数据集**（参考文献 [^40]）。\n  - 规模：选取 sequence 05 中的一段；文档未给出该段的具体长度或扫描数。\n  - 场景：建成环境（built environment）的室外道路场景；KITTI 为前 11 个序列提供 ground-truth 位姿，因此可用于生成参考地图（Section V-A）。\n- **基准 ISM 列表**：Octomap ISM、Gaussian Bell ISM、Cartographer ISM、K-NN ISM、Supereight2 ISM，以及本文提出的非对称高斯钟形 ISM（Section III、V）。\n\n### 2. 预处理与划分/覆盖设置\n\n- **室内数据**：直接使用 UPenn 数据集提供的实际 odometry 和 LiDAR 测量；参考地图由 Octomap ISM 在精确 LiDAR 位姿下生成（Fig. 5(a)）。\n- **室外数据**：从 KITTI 3-D 点云中提取 2-D 平面 LiDAR 扫描（Section V-A: “The 2-D point clouds are extracted as planar LiDAR scans from the 3-D point clouds”）；参考地图使用 ground-truth 位姿和 Octomap ISM 生成（Fig. 6(a)）。\n- **位姿不确定性注入**：在轨迹上添加零均值高斯噪声模拟 LiDAR 位姿不确定性；室内实验 σ_sensor=20 cm（对应 10 cm 像素下的两个像素），室外实验 σ_sensor=40 cm（对应四个像素）（Section V-A）。\n- **地图分辨率/覆盖**：室内实验使用像素大小 10 cm（Fig. 5）和 5 cm（Fig. 8）；室外实验使用像素大小 10 cm（Fig. 6、Fig. 9）。\n- **划分设置**：本文方法不涉及训练/验证/测试集划分；评估采用“参考地图 vs 含噪声位姿地图”的对比方式，覆盖室内与室外两类场景以检验泛化性。\n\n### 3. 训练/推理/评估环境\n\n- **训练**：不适用。本文提出的 ISM 是解析几何模型，无需训练。\n- **推理/评估环境**：实验在笔记本电脑上进行，配置为 Intel Core i5-13500H 处理器、16 GB RAM、Windows 11 (24H2)、MATLAB R2024a（Section V-C）。\n- **评估指标**：\n  - MSD（Mean Signed Distance）：量化系统误差，即障碍物峰值/表面位置的偏移（Section IV-B，公式 (27)-(29)）。\n  - MAD（Mean Absolute Deviation）：量化随机误差，即障碍物厚度/离散程度（Section IV-B，公式 (30)）。\n- **对比设置**：在多个位姿不确定性水平下比较六种 ISM 的 MSD 和 MAD（Fig. 7-9）；并比较每扫描运行时间（Table III）。\n\n### 4. 这些选择的意义与验证目标\n\n- **室内+室外双场景**：室内数据集验证方法在真实里程计噪声下的表现；室外 KITTI 数据验证方法在真实道路环境、ground-truth 位姿可用条件下的泛化性和实际部署潜力（Section V-A）。\n- **位姿不确定性水平选择**：σ_sensor=20 cm（室内）和 40 cm（室外）分别对应 2 个和 4 个 10 cm 像素，能产生“中等且可见”的位姿不确定性，便于直观展示峰值偏移和障碍物增厚现象（Section V-A）。\n- **参考地图设计**：使用精确/ground-truth 位姿 + Octomap ISM 生成参考地图，使 MSD/MAD 能够以参考地图为基准量化各 ISM 的系统误差和随机误差（Section V-A）。\n- **多分辨率与多不确定性扫描**：通过 5 cm/10 cm 像素和不同 σ_sensor 的对比（Fig. 7-9），验证所提 ISM 在误差随不确定性增大时的稳定性，并说明当 σ_sensor 小于两倍像素大小时系统误差通常更小（Section VI-B）。\n- **运行时间对比**：Table III 显示所提 ISM 在室内外数据集上每扫描运行时间均低于 20 ms，说明其满足 50 Hz LiDAR 的实时建图需求（Section V-C）。\n- **总体验证结论**：在室内数据集上，所提 ISM 取得最低 MSD 7.5 cm 和最低 MAD 10.4 cm（Table I）；在室外数据集上取得最低 MSD 5.1 cm，MAD 25.3 cm 仅略高于最佳值（Table II），从而验证了该方法在降低系统误差方面的优势。\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## 1. 评估指标\n\n- **MSD（平均符号距离，Mean Signed Distance）**：用于量化系统误差（障碍物峰值/表面位移）。对概率大于 0.65 的占用栅格单元，计算其到参考地图最近占用单元的有符号距离并取平均；符号约定为障碍物朝轨迹方向移动取负、远离轨迹取正。MSD 越大表示系统偏移越强（Section IV-B, 公式 (27)-(29)）。\n- **MAD（平均绝对偏差，Mean Absolute Deviation）**：用于量化随机误差（障碍物增厚）。将每个有符号距离减去 MSD 得到残差，再取绝对值的平均；MAD 越大表示障碍物越厚，接近 0 表示障碍物越窄（Section IV-B, 公式 (30)）。\n- **运行时（Runtime）**：以每扫描帧耗时（ms/scan）作为计算效率指标（Section V-C, Table III）。\n\n## 2. 主要结果\n\n- **1-D 仿真**：在 σ_sensor = 5 cm、z* = 100 cm、cell size = 1 cm 条件下，采用 σ_l = σ_sensor = 5 cm、σ_r = 1.743 cm、λ = 0.941、η = 0.136 时，融合后的最高占用概率恰好位于真实障碍物位置 100 cm，系统误差为零（Fig. 4, Section IV-C）。\n- **室内数据集（UPenn，σ_sensor = 20 cm，像素 10 cm）**：提出 ISM 的 MSD = 7.5 cm、MAD = 10.4 cm，为六种 ISM 中最低（Table I, Fig. 5g）。\n- **室外数据集（KITTI Odometry sequence 05，σ_sensor = 40 cm，像素 10 cm）**：提出 ISM 的 MSD = 5.1 cm，为六种 ISM 中最低；MAD = 25.3 cm，略高于最优的 Cartographer（21.4 cm）（Table II, Fig. 6g）。\n- **运行时**：提出 ISM 室内 12.803 ms/scan、室外 13.840 ms/scan，低于 20 ms，满足 50 Hz LiDAR 的实时建图需求（Table III, Section V-C）。\n\n## 3. 与基线/先前工作的比较\n\n基线包括 Octomap ISM、Gaussian Bell ISM、Cartographer ISM、K-NN ISM 和 Supereight2 ISM（Section III）。\n\n室内数据集（Table I）：\n\n| ISM | MSD (cm) | MAD (cm) |\n|---|---|---|\n| Octomap | 19.2 | 19.7 |\n| Gaussian Bell | 31.1 | 31.3 |\n| Cartographer | 16.6 | 18.2 |\n| K-NN | 12.8 | 19.0 |\n| Supereight2 | 26.4 | 19.8 |\n| Proposed | 7.5 | 10.4 |\n\n室外数据集（Table II）：\n\n| ISM | MSD (cm) | MAD (cm) |\n|---|---|---|\n| Octomap | 11.9 | 24.8 |\n| Gaussian Bell | 13.4 | 34.3 |\n| Cartographer | 8.4 | 21.4 |\n| K-NN | 14.2 | 26.5 |\n| Supereight2 | 20.9 | 29.0 |\n| Proposed | 5.1 | 25.3 |\n\n在不同位置不确定度水平下（Fig. 7-9）：室内数据集（像素 10 cm 和 5 cm）中，当 σ_sensor > 5 cm 时，提出 ISM 在 MSD 和 MAD 上均优于其他 ISM；室外数据集（像素 10 cm）中，当 σ_sensor > 10 cm 时，提出 ISM 的 MSD 最低，MAD 处于中等水平（Section V-B）。\n\n## 4. 消融/敏感性/跨论文差异\n\n- **参数选择与敏感性**：1-D 实验中通过网格搜索 λ 和 η，绘制 MSD/MAD 等高线图（Fig. 3）。零 MSD 曲线上的参数对中选取 (λ, η) = (0.941, 0.136)，因为该点 MAD 相对较低且避免概率接近 0 或 1 时的极端 log-odds 值；后续室内外实验均使用该参数，未再调参（Section IV-B）。公式 (31) 给出零 MSD 曲线的三次近似 η(λ) = 1 - (4λ^3 - 6λ^2 + 3λ)，便于插值。\n- **σ_sensor 的影响**：MSD 随 σ_sensor 增大而增大，原因是数据集测量数量有限，不满足大 N 极限，以及 Taylor 展开截断误差在高不确定度下不可忽略；当 σ_sensor < 10 cm 时，MSD 通常小于半个栅格单元，可忽略（Section VI-A）。\n- **栅格尺寸的影响**：室内实验比较了 10 cm 和 5 cm 两种像素尺寸，提出 ISM 在 σ_sensor > 5 cm 时均最优（Fig. 7-8）。在室外大尺度场景中，当 σ_sensor 小于两倍栅格尺寸时，系统误差通常小于一个栅格单元，可作为选择栅格尺寸的参考（Section VI-B）。\n- **跨论文/跨方法差异**：现有几何 ISM 在 LiDAR 位姿不确定下均出现峰值概率偏移（系统误差）和障碍物增厚（随机误差），且偏移方向为远离传感器轨迹；提出 ISM 通过非对称左右高斯瓣设计，使噪声平均后的 log-odds 在 z* 处取得平稳极大值，从而消除一阶系统偏移（Section IV, 公式 (25)-(26)）。本文仅建模位置不确定性，未建模姿态不确定性，这是与后续工作的主要差异（Section VII）。\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## 模块 C6：未来可探索方向\n\n### 理论方向\n\n- **姿态不确定性中的朝向分量建模**：本文仅对 LiDAR 位置（平移）不确定性建模，明确将朝向不确定性留作未来工作（见 Section VII）。可推导包含旋转扰动的非对称高斯钟形 ISM，并分析旋转对波束方向投影误差的影响。\n- **高阶截断误差的解析修正**：文中指出 Taylor 展开的高阶项在 $\\sigma_{sensor}$ 较大时不可忽略（见 Section VI-A）。可研究更高阶的峰值无偏条件，或构造不依赖 Taylor 展开的精确无偏参数关系。\n- **扩展到 3D 占用栅格的理论框架**：将 1D/2D 的非对称高斯钟形 ISM 推广到 3D 体素空间，需要重新推导体素更新中的概率分配与无偏条件。\n\n### 工程方向\n\n- **与大规模 LiDAR 建图/SLAM 管线的集成**：作者提出可集成到大规模建图与 HD 地图生成框架，但尚未实现（见 Section I 与 Section VI-B）。可开发基于 ROS/C++ 的原型，接入 Cartographer、LOAM 等系统。\n- **参数自适应与在线标定**：当前参数 $\\lambda, \\eta, \\sigma_\\ell, \\sigma_r$ 依赖 $\\sigma_{sensor}$ 和网格分辨率，可设计在线估计 $\\sigma_{sensor}$ 并自动调整 ISM 参数的机制，减少人工调参。\n- **实时性能优化**：虽然运行时低于 20 ms/scan（Table III），但可进一步优化高斯核计算，例如查表、近似核或 GPU 加速，以满足更高频率或更大规模地图的实时需求。\n\n### 数据与评估方向\n\n- **大规模户外/HD 地图数据集验证**：当前实验仅使用小规模室内（UPenn）和户外（KITTI 序列 05）数据，未来应在城市级数据集（如 nuScenes、Waymo、Argoverse）上验证泛化能力。\n- **更丰富的误差评估体系**：MSD 和 MAD 是本文提出的两个指标，未来可结合其他地图质量指标（如精度-召回率、边界 IoU、下游定位/规划任务性能）进行更全面的评估。\n- **与深度 ISM 的对比实验**：本文未与深度学习方法（如 [^24] [^25] [^26] [^27]）直接比较，未来可在相同姿态不确定性条件下对比几何 ISM 与深度 ISM 的精度、鲁棒性和计算成本。\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## 模块 C7：该工作在实际使用中如何体现？\n\n### 1. 部署约束\n\n- **应用场景与集成方式**：论文提出的是面向占用栅格地图构建的非对称高斯钟形逆传感器模型（ISM），可直接集成到大规模 LiDAR 建图流水线和 HD 地图生成框架中（Section I）。但实验仅在室内和小规模室外局部地图上验证，尚未在完整 HD 地图规模上部署（Section I、Section VI-B）。\n- **输入要求**：方法需要已知或可估计的 LiDAR 位置不确定性（$\\sigma_{sensor}$），并以此设定模型左侧宽度参数 $\\sigma_\\ell$；右侧宽度 $\\sigma_r$ 通过公式 (26) 计算（Section IV-A）。若系统无法提供可靠的位姿不确定性估计，参数设定会缺乏依据。\n- **参数固定性**：论文在 1-D 实验中选定 $\\lambda = 0.941$、$\\eta = 0.136$，并在所有室内外实验中不加调整地使用（Section IV-B）。这意味着部署时若传感器特性或环境变化，可能需要重新标定参数。\n- **维度限制**：当前模型仅处理 LiDAR 位置（平移）不确定性，不建模姿态（朝向）不确定性；且实验和公式主要面向 2-D 占用栅格地图（Section I、Section VII）。部署到 3-D 建图或存在明显姿态漂移的系统时需要额外扩展。\n- **地图后处理**：论文指出应用时“障碍物需要细化到其中心线”（Section VII），说明生成的地图仍存在厚度效应，需要后处理步骤才能用于高精地图的精确边界提取。\n\n### 2. 计算与延迟影响\n\n- **运行时数据**：Table III 给出每扫描帧耗时，室内为 12.803 ms，室外为 13.840 ms；在 50 Hz（20 ms 周期）LiDAR 下可满足实时占用栅格建图需求（Section V-C）。\n- **计算开销定位**：所提 ISM 使用高斯钟形核，比 Octomap 和 Cartographer 这类阶跃式 ISM 更耗时，但比 Supereight2 的逐点分段线性模型更快（Section V-C）。\n- **硬件环境**：实验在 Intel Core i5-13500H、16 GB RAM、Windows 11、MATLAB R2024a 上完成（Section V-C）。实际嵌入式或车规级平台上的延迟可能不同，需要针对性优化。\n- **算法复杂度**：由于每个波束上的每个栅格单元都要计算高斯函数，计算量随地图分辨率（cell size）和 LiDAR 扫描密度增加而上升；论文未给出严格的复杂度分析，但运行时数据表明其仍属轻量级（Section V-C）。\n\n### 3. 鲁棒性与安全性问题\n\n- **精度提升**：在室内（$\\sigma_{sensor}=20$ cm）和室外（$\\sigma_{sensor}=40$ cm）数据集上，所提 ISM 的 MSD 分别达到 7.5 cm 和 5.1 cm，低于五种对比 ISM（Table I、Table II），可减少障碍物位置偏移和厚度增加，对自动驾驶中的定位与规划更有利（Section VII）。\n- **残余误差**：2-D 实验中 MSD 并非零，且随 $\\sigma_{sensor}$ 增大而增大；原因包括有限测量数不满足大数极限，以及泰勒展开截断误差（Section VI-A）。当 $\\sigma_{sensor}$ 小于 10 cm 时误差通常小于半个栅格，可忽略；但不确定性较大时误差不可忽略。\n- **安全边界**：论文指出位姿不确定性会导致地图错位，进而引发自动驾驶等应用中的安全问题（Section I）。所提方法能降低系统性偏移，但并未完全消除随机误差（MAD），在安全关键场景中仍需结合其他传感器融合或保守规划策略。\n- **未建模的朝向不确定性**：仅建模位置不确定性，忽略朝向不确定性（Section I、Section VII）。在车辆转弯、颠簸或 GNSS 多路径严重的场景中，朝向误差可能显著，当前方法无法直接补偿。\n- **参数敏感性**：$\\lambda$、$\\eta$、$\\sigma_\\ell$、$\\sigma_r$ 的选择影响 MSD 和 MAD（Section IV-B）。若实际部署中 $\\sigma_{sensor}$ 估计不准，可能导致参数失配，降低补偿效果。\n\n### 4. 可维护性\n\n- **实现简单性**：方法保持经典 log-odds 占用栅格框架，仅修改 ISM 更新函数，不改变位姿估计或 SLAM 前端（Section I），因此易于集成到现有建图系统中。\n- **无需训练数据**：与深度学习方法相比，不需要大型标注数据集、GPU 加速器或复杂网络结构（Section II-D），维护成本较低，行为可解析分析。\n- **参数可解释性**：公式 (26) 给出了零系统误差条件下 $\\sigma_\\ell$ 与 $\\sigma_r$ 的解析关系，公式 (31) 提供了零 MSD 轮廓的近似曲线，便于用户根据实际传感器不确定性调整参数（Section IV-B）。\n- **代码与数据可用性**：论文未提供官方代码链接；实验使用公开数据集（UPenn 数据集和 KITTI Odometry 数据集，参考文献 [^39]、[^40]），复现需要自行实现 ISM 和评估指标（MSD/MAD）。\n- **扩展性**：作者将 3-D 占用栅格建图和朝向不确定性建模列为未来工作（Section VII），当前版本在维护升级时需考虑这些扩展方向。\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## 模块C8：简明总结\n\n### 1. 总结段落\n\n本文针对占用栅格地图构建中LiDAR位姿不确定性导致的系统误差（障碍物峰值偏移）与随机误差（障碍物增厚）问题，提出了一种非对称高斯钟形几何逆传感器模型（asymmetric Gaussian Bell ISM）。作者首先在1-D仿真中证明现有五种ISM（Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2）在位置不确定性下会产生峰值偏移和宽度增加（见Fig. 1）。随后，通过推导无偏峰条件（式(25)-(26)），建立了左右高斯宽度参数σℓ与σr的约束关系，使融合后的对数几率在真实障碍位置处取得平稳极大值。为量化地图误差，作者提出MSD（平均符号距离）和MAD（平均绝对偏差）两个指标（式(27)-(30)）。在UPenn室内数据集和KITTI Odometry室外数据集上的实验表明，所提ISM在室内（σ_sensor=20 cm）和室外（σ_sensor=40 cm）分别取得最低MSD 7.5 cm和5.1 cm，优于五种基线（Table I、Table II）。该方法保持经典log-odds占用栅格框架的简洁性，且每扫描运行时间低于20 ms，具备实时潜力（Table III）。局限是仅建模位置不确定性，未考虑姿态方向不确定性，且未在完整HD地图规模上验证。\n\n### 2. 五个关键要点\n\n- 现有几何ISM在LiDAR位姿不确定下会产生可量化的系统误差（峰值偏移）和随机误差（障碍物增厚），且偏移方向通常使障碍物远离传感器轨迹（Section III, Fig. 1）。\n- 提出非对称高斯钟形ISM，左右宽度参数满足σ_r^2 = 4(λ-0.5)λ(1-λ)/(λ-η) σ_ℓ^2时，峰值概率无偏（式(26)）。\n- 提出两个新评估指标：MSD用于量化系统误差（障碍物位移），MAD用于量化随机误差（障碍物厚度）（Section IV-B）。\n- 在室内外真实数据集上，所提ISM在较大位姿不确定性下均取得最低MSD，且MAD处于中等或较优水平（Table I、Table II；Fig. 7-9）。\n- 运行效率满足实时性：室内12.803 ms/scan、室外13.840 ms/scan，低于20 ms扫描周期（Table III）。\n\n### 3. 核心公式/机制\n\n无偏峰条件（式(25)-(26)）：\n\n$$c = \\frac{\\lambda-\\eta}{\\sigma_\\ell^2 \\lambda(1-\\lambda)} - \\frac{\\lambda-0.5}{\\sigma_r^2(0.25)} = 0$$\n\n等价地：\n\n$$\\sigma_r^2 = \\frac{4(\\lambda-0.5)\\lambda(1-\\lambda)}{\\lambda-\\eta} \\sigma_\\ell^2$$\n\n该条件使噪声平均后的对数几率曲线在真实距离z*处具有双重根，从而消除峰值概率的系统性偏移。\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## 模块D：第二遍精读\n\n### 1. 结构树\n\n- **摘要与引言**：指出高精地图对自动驾驶的重要性，提出在 LiDAR 位姿存在不确定性时，现有几何逆传感器模型（ISM）会产生系统误差（障碍物峰值偏移）和随机误差（障碍物增厚）；本文贡献为：量化误差、提出 MSD/MAD 两个评估指标、提出非对称高斯钟形 ISM。\n- **第 II 节 相关工作**：回顾传统占用栅格建图、不确定性建模（EKF-SLAM、FastSLAM、证据栅格、模糊逻辑、GP、区间分析）、非深度学习方法、深度学习方法，指出现有几何 ISM 未显式处理位姿不确定性。\n- **第 III 节 位姿不确定性导致的建图误差**：用 1-D 和 2-D 实验展示 Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2 五种 ISM 在 LiDAR 位置不确定性下的峰值偏移和障碍物增厚。\n- **第 IV 节 提出的 ISM**：定义非对称高斯钟形 ISM；推导无偏峰值条件；提出 MSD/MAD 指标；通过 1-D 仿真确定参数（λ=0.941, η=0.136）。\n- **第 V 节 实验**：在 UPenn 室内数据集和 KITTI Odometry 室外数据集上生成 2-D 地图，比较六种 ISM 的 MSD/MAD，并报告运行时间。\n- **第 VI 节 讨论**：解释 1-D 与 2-D 结果差异（有限测量数、泰勒展开截断误差）；讨论向大规模地图推广时 cell size 与 σ_sensor 的比例关系。\n- **第 VII 节 结论**：总结方法优势、局限（未建模姿态方向不确定性）和未来工作（3-D 建图、方向不确定性）。\n\n### 2. 方法/系统分解\n\n**输入**：\n\n- LiDAR 距离测量 z*；\n- LiDAR 位置不确定性 σ_sensor（由 GNSS/里程计/标定误差引起，本文只建模平移分量）；\n- 栅格地图参数：cell size、最大感知距离 z_max。\n\n**输出**：\n\n- 占用栅格地图，每个栅格单元具有占用概率（经 log-odds 更新和概率截断）。\n\n**核心模块**：\n\n1. **非对称高斯钟形 ISM（公式 13）**：\n   - 左瓣：w_l(z,z*) = exp(-(z-z*)^2/(2σ_l^2)) × (λ-η) + η，用于 z ≤ z*；\n   - 右瓣：w_r(z,z*) = exp(-(z-z*)^2/(2σ_r^2)) × (λ-0.5) + 0.5，用于 z* < z ≤ z_max；\n   - 参数：λ 为占用概率上限，η 为下限，σ_l 为障碍物前方高斯标准差，σ_r 为后方标准差。\n2. **无偏峰值条件（公式 25-26）**：\n   - 令 log-odds 期望曲线在 z* 处导数为零，得到 σ_r^2 = 4(λ-0.5)λ(1-λ)/(λ-η) × σ_l^2；\n   - 该条件保证峰值不偏移，即系统误差为零。\n3. **参数选择（公式 31）**：\n   - 通过 1-D 仿真搜索零 MSD 曲线，并用三次多项式 η(λ)=1-(4λ^3-6λ^2+3λ) 近似；\n   - 最终选择 (λ, η) = (0.941, 0.136)，兼顾低 MAD 和避免极端 log-odds。\n4. **地图更新**：\n   - 将每个栅格单元的 ISM 概率转换为 log-odds，累加多帧测量，再转换回概率；\n   - 使用概率截断（如 [0.12, 0.97] 或 [0.1, 0.9]）限制更新范围。\n5. **评估模块**：\n   - MSD（平均符号距离）：量化系统误差，即障碍物峰值/表面位移；\n   - MAD（平均绝对偏差）：量化随机误差，即障碍物厚度。\n\n**训练/推理流程**：\n\n- 本文方法无需训练，属于解析几何模型；\n- 推理流程：对每一帧 LiDAR 扫描，沿每条光束逐栅格计算 P_occ → 转为 log-odds → 更新栅格 → 概率截断 → 多帧累积后得到最终占用地图。\n\n### 3. 重要图表解读\n\n**图 1（五种现有 ISM 的峰值偏移与宽度增加）**：\n\n- 图 1(a)-(e) 展示五种 ISM 的单次测量概率形状：Octomap 和 Cartographer 为阶梯形，Gaussian Bell 为对称高斯钟形，K-NN 为分段常数，Supereight2 为分段线性。\n- 图 1(f)-(j) 展示在 σ_sensor=5 cm、1000 次带噪观测下，log-odds 累积后的组合概率。所有现有 ISM 的峰值均偏离真实障碍物位置（100 cm），且障碍物宽度增加。\n- 该图直接支撑第 III 节的核心论断：现有几何 ISM 在 LiDAR 位姿不确定性下会产生系统误差和随机误差。\n\n**图 3（MSD/MAD 等高线图）**：\n\n- 图 3(a) 的 MSD 等高线中，青色曲线对应零 MSD 的 (λ, η) 组合；\n- 图 3(b) 的 MAD 等高线用于在零 MSD 曲线上选择 MAD 较低的点；\n- 最终选择 (0.941, 0.136)，该点同时满足低系统误差和较低随机误差，且避免概率接近 0 或 1 导致的极端 log-odds。\n- 该图是参数选择的核心依据，说明参数不是随意设定，而是通过 1-D 仿真优化得到。\n\n**表 I 和表 II（室内/室外数据集定量评估）**：\n\n- 表 I（室内，σ_sensor=20 cm）：Proposed ISM 的 MSD=7.5 cm、MAD=10.4 cm，均优于 Octomap（19.2/19.7）、Gaussian Bell（31.1/31.3）、Cartographer（16.6/18.2）、K-NN（12.8/19.0）、Supereight2（26.4/19.8）。\n- 表 II（室外，σ_sensor=40 cm）：Proposed ISM 的 MSD=5.1 cm，为最低；MAD=25.3 cm，略高于 Cartographer 的 21.4 cm，但系统误差显著更小。\n- 这两张表定量验证了第 V 节的可视化结论：提出方法在系统误差上一致最优，在随机误差上室内最优、室外中等偏优。\n\n### 4. 实验与评估细节\n\n**数据集**：\n\n- 室内：University of Pennsylvania 数据集（参考文献 [^39]），使用真实里程计和 LiDAR 测量；\n- 室外：KITTI Odometry 数据集（参考文献 [^40]）sequence 05 的一段，使用地面真值位姿，从 3-D 点云提取 2-D 平面扫描。\n\n**评估设置**：\n\n- 参考地图：使用 Octomap ISM 和精确/地面真值位姿生成，作为零误差基准；\n- 噪声注入：对轨迹添加零均值高斯噪声，室内 σ_sensor=20 cm（对应 2 个 10 cm 像素），室外 σ_sensor=40 cm（对应 4 个像素）；\n- 栅格尺寸：室内实验使用 10 cm 和 5 cm 两种 cell size；室外使用 10 cm；\n- 比较对象：Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2 五种现有 ISM，加上提出的 ISM 共六种。\n\n**指标**：\n\n- MSD：对占用概率 >0.65 的栅格，计算到参考地图最近占用栅格的有符号距离的平均值，反映系统误差；\n- MAD：从每个有符号距离中减去 MSD 后取绝对值的平均，反映随机误差/障碍物厚度。\n\n**公平性**：\n\n- 所有 ISM 使用相同的带噪轨迹、相同数据集、相同栅格分辨率和相同的概率截断/更新框架，仅改变 ISM 本身，因此对比公平。\n\n**消融/参数敏感性**：\n\n- 本文没有传统意义的消融实验，但通过 1-D 仿真对 (λ, η) 进行网格搜索，并给出零 MSD 曲线和 MAD 等高线，相当于对参数进行了敏感性分析；\n- 参数一经确定，在室内外实验中不再调整，验证了泛化性。\n\n**运行时间**：\n\n- 硬件：Intel Core i5-13500H、16 GB RAM、Windows 11、MATLAB R2024a；\n- 提出 ISM 室内 12.803 ms/scan、室外 13.840 ms/scan，低于 20 ms 扫描周期，满足 50 Hz 实时性要求；\n- 比阶梯型 ISM（Octomap/Cartographer）慢，但比 Supereight2 快。\n\n### 5. 面向方法类论文的图示\n\n```text\n输入: LiDAR 距离 z* + 位姿不确定性 σ_sensor\n                 |\n                 v\n  非对称高斯钟形 ISM (公式 13)\n  左瓣 σ_l, 右瓣 σ_r, 参数 λ, η\n                 |\n                 v\n  无偏峰值条件 (公式 26): σ_r^2 = 4(λ-0.5)λ(1-λ)/(λ-η) σ_l^2\n  参数选择 (公式 31): η(λ) = 1 - (4λ^3 - 6λ^2 + 3λ)\n                 |\n                 v\n  逐栅格计算 P_occ → log-odds 更新 → 概率截断\n                 |\n                 v\n  多帧累积 → 占用栅格地图\n                 |\n                 v\n  评估: MSD (系统误差) + MAD (随机误差)\n```\n\n### 6. 关键结论与推理链\n\n- **问题定位**：现有几何 ISM 只建模测量噪声，不建模位姿不确定性（第 II 节）。\n- **误差机制**：在 log-odds 域中，现有 ISM 在 z* 两侧分配的概率增量不均衡，导致带噪观测累积后峰值向一侧偏移（第 III 节，图 1）。\n- **解决思路**：构造左右不对称的高斯钟形 ISM，使 log-odds 期望曲线在 z* 处导数为零（公式 25），从而消除峰值偏移。\n- **参数确定**：由无偏条件得到 σ_l 与 σ_r 的关系（公式 26），再由 1-D 仿真和 MSD/MAD 等高线确定 λ 和 η（图 3）。\n- **实验验证**：室内外 2-D 地图上，提出 ISM 的 MSD 均最低（7.5 cm 和 5.1 cm），证明其有效降低系统误差；MAD 在室内最低，室外中等，说明随机误差控制也有竞争力。\n- **局限性**：只建模位置不确定性，未建模方向不确定性；1-D 与 2-D 结果存在偏差，原因是有限测量数和泰勒展开截断误差（第 VI 节）。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E：第三遍深度评审\n\n### 1. 可重建性（Reconstructability）\n\n该方法的可重建性较高，核心流程可概括为以下伪代码：\n\n```text\n输入：LiDAR 距离测量 z*，位姿不确定性 σ_sensor，地图分辨率 cell_size\n参数：λ=0.941, η=0.136, σ_l=σ_sensor, σ_r 由式(26)计算\n对每一帧 LiDAR 扫描：\n  对每条光束的每个栅格单元 z：\n    若 z ≤ z*:\n      P = exp(-(z-z*)^2/(2*σ_l^2)) * (λ - η) + η\n    否则:\n      P = exp(-(z-z*)^2/(2*σ_r^2)) * (λ - 0.5) + 0.5\n    将 P 转为 log-odds: l = ln(P/(1-P))\n    按 log-odds 更新栅格，并应用概率 clamp（如 [0.12, 0.97]）\n输出：占用栅格地图\n```\n\n参数确定步骤：\n\n1. 由式(26)建立 σ_r 与 σ_l 的关系：σ_r^2 = 4*(λ-0.5)*λ*(1-λ)/(λ-η) * σ_l^2。\n2. 由式(31)的零 MSD 曲线 η(λ)=1-(4λ^3-6λ^2+3λ) 选择 (λ, η)。文中选择 (0.941, 0.136)（Section IV-B, Fig. 3）。\n3. 在 1-D 仿真中验证峰值无偏（Fig. 4），再用于 2-D 建图。\n\n重建时需要注意：式(26)的推导基于大 N 极限和 Taylor 展开至二阶（Section IV-A, Eq. (17)-(26)），因此实际有限测量次数下 MSD 不会严格为零（Section VI-A）。\n\n### 2. 假设（Assumptions）\n\n- 仅考虑 LiDAR 位姿的平移（位置）不确定性，且可投影到光束方向建模为距离误差；忽略姿态/朝向不确定性（Section I, Section VII）。\n- 位姿不确定性服从零均值高斯分布 N(0, σ_sensor^2)（Section III-A, Section V-A）。\n- 栅格单元独立，沿用经典 occupancy grid 的 Markov 假设（Section II-A）。\n- 大 N 极限：累积 log-odds 时测量次数足够多，使得期望曲线可用式(17)表示（Section IV-A）。\n- 障碍物表面可近似为点/薄壁，且峰值概率对应障碍物位置；评估时以概率 >0.65 为占用单元（Section IV-B）。\n- 参数 (λ, η) 一经选定后在不同数据集上不重新调节（Section IV-B）。\n\n### 3. 失效模式或盲区（Failure Modes / Blind Spots）\n\n- 当 σ_sensor 较大时，式(21) Taylor 展开的高阶截断误差不可忽略，导致 MSD 不再为零；文中指出 σ_sensor 小于 10 cm 时误差可忽略（Section VI-A, Figs. 7-9）。\n- 有限测量次数不满足大 N 假设时，随机误差（MAD）可能仍较高，且 MSD 会偏离理论预期（Section VI-A）。\n- 未建模 LiDAR 姿态中的旋转不确定性；在车辆转弯或剧烈颠簸场景中，朝向误差可能主导地图畸变，本文方法无法补偿（Section I, Section VII）。\n- 评估指标 MSD/MAD 依赖参考地图和阈值 0.65，若参考地图本身有偏差或阈值选择不当，评估结果可能失真（Section IV-B）。\n\n### 4. 优势与劣势（Strengths and Weaknesses）\n\n### 优势：\n\n- 在经典 log-odds 框架内直接修改 ISM，无需改变 SLAM 或位姿估计流程，保持了占用栅格建图的简洁性（Section I, Section IV）。\n- 通过解析推导给出无偏峰条件（式(26)），使参数选择有理论依据，而非纯调参（Section IV-A）。\n- 在室内外数据集上均取得最低 MSD（室内 7.5 cm，室外 5.1 cm），且 MAD 也较低（Table I, Table II）。\n- 计算开销适中，每扫描 12.8-13.8 ms，可满足 50 Hz LiDAR 实时建图需求（Table III, Section V-C）。\n\n## 劣势：\n\n- 仅适用于 2-D 占用栅格建图，未扩展到 3-D（Section VII）。\n- 参数选择依赖 1-D 仿真和特定 σ_sensor 范围，实际应用中需根据传感器噪声水平重新标定（Section IV-B, Section VI-A）。\n- 对姿态不确定性无能为力，限制了在复杂动态场景中的适用性（Section I, Section VII）。\n- 实验仅覆盖小规模室内和室外场景，未在完整 HD 地图规模上验证（Section I, Section VI-B）。\n\n### 5. 后续研究方向（Next-Step Research Directions）\n\n- 将姿态（朝向）不确定性纳入同一几何 ISM 框架，推导包含旋转误差的无偏条件（Section VII）。\n- 扩展至 3-D 占用栅格建图（如 OctoMap 结构），并验证在大规模 HD 地图上的性能（Section VII, Section VI-B）。\n- 研究自适应参数选择：根据实时估计的 σ_sensor 和地图分辨率动态调整 λ/η/σ_r，减少人工标定（Section IV-B, Section VI-B）。\n- 探索与深度 ISM 结合：在深度学习 ISM 中显式加入位姿不确定性建模，弥补现有深度方法假设位姿已知的不足（Section II-D）。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## Module F：术语表与概念依赖图\n\n### 术语表\n\n1. **Occupancy grid mapping / 占用栅格地图构建**\n   - 定义：将环境离散为规则栅格，每个栅格保存一个占据概率，通过传感器观测更新这些概率，从而表示环境占据状态。\n   - 直觉：像用网格纸记录“哪里可能有障碍物”，每个格子用深浅表示置信度。\n   - 角色：全文的研究对象；LiDAR 位姿不确定性会在此框架中造成地图误差。\n   - 前置知识：概率论、贝叶斯滤波、机器人地图表示。\n\n2. **Inverse sensor model (ISM) / 逆传感器模型**\n   - 定义：给定一次传感器测量，计算每个栅格被占据的后验概率的函数。\n   - 直觉：把“激光打到一个点”反推为“这条射线上各位置有多大概率是障碍物”。\n   - 角色：论文核心；提出新的非对称高斯钟形 ISM 以补偿位姿不确定性。\n   - 前置知识：贝叶斯定理、传感器模型。\n\n3. **LiDAR / 激光雷达**\n   - 定义：通过发射激光并测量反射时间或相位来获取距离的主动传感器。\n   - 直觉：用光“尺子”扫描周围，得到点云。\n   - 角色：实验数据来源；其位姿不确定性是论文要解决的问题。\n   - 前置知识：光学测距、点云。\n\n4. **Pose uncertainty / 位姿不确定性**\n   - 定义：传感器在空间中的位置和朝向估计值与其真实值之间的不确定程度。\n   - 直觉：机器人“自以为”的位置和真实位置有偏差。\n   - 角色：论文关注位置分量，将其投影到波束方向建模为距离误差。\n   - 前置知识：机器人运动学、概率估计。\n\n5. **Position uncertainty / 位置不确定性**\n   - 定义：位姿中平移分量的不确定性。\n   - 直觉：机器人整体“挪动”了若干厘米。\n   - 角色：论文只建模位置不确定性，忽略朝向不确定性。\n   - 前置知识：坐标变换、高斯分布。\n\n6. **Orientation uncertainty / 朝向不确定性**\n   - 定义：位姿中旋转分量的不确定性。\n   - 直觉：机器人“转错”了一个小角度。\n   - 角色：论文明确不建模，留作未来工作。\n   - 前置知识：旋转矩阵、姿态表示。\n\n7. **Geometric ISM / 几何逆传感器模型**\n   - 定义：用几何规则（如阶跃、高斯钟形、分段线性）近似精确贝叶斯 ISM 的模型。\n   - 直觉：用简单形状描述“测量点前后概率如何变化”。\n   - 角色：论文对比五种几何 ISM，并提出新的几何 ISM。\n   - 前置知识：ISM、几何概率。\n\n8. **Log-odds / 对数几率**\n   - 定义：概率 p 的对数几率 log(p/(1-p))，用于将乘法更新变为加法更新。\n   - 直觉：把“置信度”变成可累加的分数。\n   - 角色：栅格更新在 log-odds 域进行，论文推导无偏峰值条件时使用 log-odds 函数。\n   - 前置知识：概率、对数。\n\n9. **Probability clamp / 概率截断**\n   - 定义：将更新后的概率限制在 [p_min, p_max] 区间内，防止过饱和。\n   - 直觉：给置信度设上下限，避免一次测量“一锤定音”。\n   - 角色：所有对比 ISM 和提出的 ISM 都使用概率截断。\n   - 前置知识：概率更新、工程约束。\n\n10. **Octomap ISM**\n    - 定义：OctoMap 使用的理想阶跃 ISM：测量点前 0.4、测量点 0.7、测量点后 0.5。\n    - 直觉：简单三档概率。\n    - 角色：作为五个基线 ISM 之一，在 1-D 和 2-D 实验中对比。\n    - 前置知识：OctoMap、占据栅格。\n\n11. **Gaussian Bell ISM / 高斯钟形 ISM**\n    - 定义：将理想 ISM 与零均值高斯核截断卷积得到的 ISM，测量点前呈高斯钟形，测量点后取 max(0.5, 高斯值)。\n    - 直觉：用钟形曲线表示测量噪声带来的模糊。\n    - 角色：基线之一；提出的 ISM 是其非对称变体。\n    - 前置知识：高斯分布、卷积。\n\n12. **Cartographer ISM**\n    - 定义：Cartographer SLAM 使用的阶跃 ISM：0.49 / 0.55 / 0.5。\n    - 直觉：与 Octomap 类似但参数更保守。\n    - 角色：基线之一。\n    - 前置知识：Cartographer SLAM、占据栅格。\n\n13. **K-NN ISM / K近邻 ISM**\n    - 定义：根据 LiDAR 返回点与其 K 近邻平均距离 s 调整命中概率，并将前方自由空间分为内外两区的 ISM。\n    - 直觉：点越密集越可能是真实表面，命中概率越高。\n    - 角色：基线之一。\n    - 前置知识：K近邻、点云密度。\n\n14. **Supereight2 ISM**\n    - 定义：使用分段线性函数建模测量不确定性和有限墙厚的 ISM，前方自由、后方占据带、再后未知。\n    - 直觉：把“墙”画成有厚度的带。\n    - 角色：基线之一；其加权贝叶斯更新也被介绍。\n    - 前置知识：符号距离、分段函数。\n\n15. **Asymmetric Gaussian Bell ISM / 非对称高斯钟形 ISM**\n    - 定义：论文提出的 ISM，左右两侧使用不同标准差 σ_l 和 σ_r 的高斯钟形，满足无偏峰值条件。\n    - 直觉：让测量点两侧的 log-odds 贡献在噪声平均后平衡，从而消除峰值偏移。\n    - 角色：论文核心贡献。\n    - 前置知识：高斯函数、log-odds、泰勒展开。\n\n16. **Systematic error / 系统误差**\n    - 定义：由位姿不确定性导致的、可重复出现的障碍物位置偏移。\n    - 直觉：地图上的墙整体“退后”或“前移”。\n    - 角色：论文用 MSD 量化，并重点降低。\n    - 前置知识：误差分析。\n\n17. **Random error / 随机误差**\n    - 定义：由噪声导致的障碍物表面厚度增加。\n    - 直觉：墙变“胖”了。\n    - 角色：论文用 MAD 量化。\n    - 前置知识：统计离散度。\n\n18. **Peak probability shift / 峰值概率偏移**\n    - 定义：融合多次测量后，占据概率峰值位置偏离真实障碍物位置的现象。\n    - 直觉：最亮/最可能的点不在真实墙上。\n    - 角色：论文要消除的主要系统误差。\n    - 前置知识：概率融合、峰值检测。\n\n19. **Obstacle thickening / 障碍物增厚**\n    - 定义：占据概率在障碍物周围扩散，使障碍物在图中显得比实际更厚。\n    - 直觉：墙的“影子”变宽。\n    - 角色：论文要降低的随机误差。\n    - 前置知识：占据栅格、噪声。\n\n20. **Mean Signed Distance (MSD) / 平均符号距离**\n    - 定义：所有占据栅格到参考地图最近占据栅格的有符号距离的平均值。\n    - 直觉：平均来看墙偏移了多少、朝哪个方向。\n    - 角色：论文提出的系统误差指标。\n    - 前置知识：距离变换、符号函数。\n\n21. **Mean Absolute Deviation (MAD) / 平均绝对偏差**\n    - 定义：每个有符号距离减去 MSD 后的绝对值的平均。\n    - 直觉：扣除整体偏移后，墙的“厚度”有多大。\n    - 角色：论文提出的随机误差指标。\n    - 前置知识：绝对偏差、均值。\n\n22. **Reference map / 参考地图**\n    - 定义：使用精确位姿（无噪声）和 Octomap ISM 生成的地图，作为误差评估基准。\n    - 直觉：标准答案地图。\n    - 角色：用于计算 MSD 和 MAD。\n    - 前置知识：地图评估。\n\n23. **Occupied cell / 占据栅格**\n    - 定义：占据概率高于阈值（论文中 0.65）的栅格。\n    - 直觉：被认为是障碍物的格子。\n    - 角色：MSD/MAD 只对这些栅格计算。\n    - 前置知识：占据栅格。\n\n24. **Cell size / pixel size / 栅格尺寸 / 像素尺寸**\n    - 定义：地图中每个栅格的物理边长。\n    - 直觉：地图分辨率。\n    - 角色：影响误差大小和计算量；论文实验使用 5 cm 和 10 cm。\n    - 前置知识：栅格地图。\n\n25. **Gaussian noise / 高斯噪声**\n    - 定义：服从正态分布的随机扰动。\n    - 直觉：大多数误差的简化模型。\n    - 角色：用于模拟 LiDAR 位置不确定性。\n    - 前置知识：正态分布。\n\n26. **Standard deviation / 标准差**\n    - 定义：衡量随机变量离散程度的参数。\n    - 直觉：噪声的“幅度”。\n    - 角色：σ_sensor 表示位姿不确定性水平，论文在 5/20/40 cm 等水平下实验。\n    - 前置知识：方差。\n\n27. **Convolution / 卷积**\n    - 定义：两个函数叠加产生第三个函数的运算。\n    - 直觉：把噪声“抹”到信号上。\n    - 角色：用于推导噪声平均后的 log-odds 曲线。\n    - 前置知识：积分、信号处理。\n\n28. **Taylor expansion / 泰勒展开**\n    - 定义：将函数在某点附近展开为多项式近似。\n    - 直觉：用多项式逼近复杂函数。\n    - 角色：推导峰值偏移 Δ 的二次方程，得到无偏条件。\n    - 前置知识：微积分。\n\n29. **Unbiased-peak condition / 无偏峰值条件**\n    - 定义：使噪声平均后 log-odds 曲线在真实位置 z* 处取得平稳最大值的参数关系式 (26)。\n    - 直觉：左右不对称刚好抵消噪声造成的偏移。\n    - 角色：论文的核心理论推导结果。\n    - 前置知识：导数、极值。\n\n30. **Zero-MSD contour / 零 MSD 等值线**\n    - 定义：在 (λ, η) 参数平面上使 MSD 为零的曲线。\n    - 直觉：一组“无系统误差”的参数组合。\n    - 角色：用于选择 λ=0.941, η=0.136。\n    - 前置知识：参数搜索、等值线。\n\n31. **HD map / 高精地图**\n    - 定义：面向自动驾驶的高精度、包含丰富语义的地图。\n    - 直觉：给自动驾驶汽车用的“厘米级导航图”。\n    - 角色：论文的应用背景。\n    - 前置知识：自动驾驶。\n\n32. **SLAM / 同步定位与建图**\n    - 定义：机器人在未知环境中同时估计自身位姿并构建地图。\n    - 直觉：一边走一边画地图，同时知道自己在哪里。\n    - 角色：相关工作中多种方法的基础。\n    - 前置知识：机器人学、状态估计。\n\n33. **GNSS / 全球导航卫星系统**\n    - 定义：通过卫星信号确定地面位置的系统。\n    - 直觉：GPS 等。\n    - 角色：位姿不确定性的来源之一（信号遮挡、多路径效应）。\n    - 前置知识：卫星定位。\n\n34. **KITTI Odometry dataset / KITTI 里程计数据集**\n    - 定义：用于自动驾驶视觉/激光里程计评估的公开数据集，包含真实位姿。\n    - 直觉：标准测试场地。\n    - 角色：论文室外实验数据来源（sequence 05）。\n    - 前置知识：数据集、自动驾驶。\n\n35. **University of Pennsylvania dataset / 宾夕法尼亚大学数据集**\n    - 定义：UPenn 提供的机器人里程计与 LiDAR 数据。\n    - 直觉：室内机器人数据。\n    - 角色：论文室内实验数据来源。\n    - 前置知识：机器人数据集。\n\n36. **Rao-Blackwellized particle filter / Rao-Blackwellized 粒子滤波**\n    - 定义：将状态分解为采样部分和解析部分，用粒子表示轨迹、用解析方法更新地图的滤波方法。\n    - 直觉：用很多“假设轨迹”投票。\n    - 角色：FastSLAM 的基础，相关工作中用于处理位姿不确定性。\n    - 前置知识：粒子滤波、贝叶斯滤波。\n\n37. **FastSLAM**\n    - 定义：基于 Rao-Blackwellized 粒子滤波的 SLAM 算法。\n    - 直觉：每个粒子有自己的地图和轨迹。\n    - 角色：相关工作中被提及，存在粒子退化问题。\n    - 前置知识：SLAM、粒子滤波。\n\n38. **EKF-SLAM**\n    - 定义：使用扩展卡尔曼滤波估计位姿和路标位置的 SLAM 算法。\n    - 直觉：用高斯分布近似不确定性。\n    - 角色：相关工作中被提及，受非线性模型限制。\n    - 前置知识：卡尔曼滤波、非线性系统。\n\n39. **Gaussian process occupancy map / 高斯过程占据地图**\n    - 定义：用高斯过程回归建模占据概率的连续地图表示。\n    - 直觉：用平滑函数填充栅格之间的空间。\n    - 角色：相关工作中处理空间相关性的方法。\n    - 前置知识：高斯过程、回归。\n\n40. **Deep learning-based ISM / 基于深度学习的 ISM**\n    - 定义：用神经网络从数据中学习传感器测量到占据概率映射的 ISM。\n    - 直觉：让网络“学会”如何更新地图。\n    - 角色：相关工作中被讨论，通常假设位姿已知。\n    - 前置知识：深度学习、传感器模型。\n\n### 概念依赖图（文本形式）\n\n```text\nLiDAR测量 ──> 逆传感器模型(ISM) ──> 占据栅格更新(log-odds) ──> 占用栅格地图\n                                                                        │\n位姿不确定性 ──> 位置不确定性 ──> 波束方向距离误差 ──> 峰值偏移/障碍物增厚 ──┘\n                                                                        │\n高斯噪声 ──> 噪声平均后的log-odds曲线 ──> 泰勒展开 ──> 无偏峰值条件        │\n                                                                        │\n无偏峰值条件 ──> 非对称高斯钟形ISM参数(σ_l, σ_r, λ, η) <──────────────────┘\n                                                                        │\n参考地图 ──> MSD/MAD 计算 <── 占据栅格集合(概率>0.65)                    │\n                                                                        │\nMSD/MAD ──> 地图误差量化 ──> 对比五种基线ISM与提出的ISM ──> 实验验证\n```\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## 1. 关键事实核查\n\n### 主张 1：现有几何 ISM 在 LiDAR 位姿不确定下会产生系统误差（峰值偏移）与随机误差（障碍物增厚）\n\n- 来源 A：Section III 开头及 Fig. 1(f)–(j) 的说明，明确显示 Octomap、Gaussian Bell、Cartographer、K-NN、Supereight2 五种 ISM 在 σ_sensor=5 cm、1000 次观测下均出现峰值偏移和宽度增加。\n- 来源 B：Section VII 结论，总结 'Existing geometric ISMs suffer from two types of map errors: the obstacle peak shift (systematic error) and the obstacle thickening (random error) under the LiDAR position uncertainty.'\n- 交叉验证：Table I 和 Table II 中五个基线 ISM 的 MSD 均明显大于 proposed ISM，与上述定性结论一致。\n\n### 主张 2：无偏峰条件为 σ_r^2 = 4(λ-0.5)λ(1-λ)/(λ-η) · σ_ℓ^2\n\n- 来源 A：Section IV-A 公式 (25) 令 c=0 得到该关系。\n- 来源 B：公式 (26) 直接给出该式，并说明当满足该条件时 Δ=0 为二重根，系统误差为零。\n- 交叉验证：Section IV-C 中 Fig. 4 使用 σ_ℓ=5 cm、σ_r=1.743 cm、λ=0.941、η=0.136，验证了峰值位于 100 cm 处。\n\n### 主张 3：参数对 (λ, η) = (0.941, 0.136) 在 1-D 仿真中同时满足零 MSD 和较低 MAD\n\n- 来源 A：Section IV-B 文字说明 'Among these candidates, (0.941, 0.136) is chosen because it simultaneously shows a relatively low MAD in Fig. 3(b) and avoids extreme log-odds values'。\n- 来源 B：Fig. 3(a) 的 MSD 等高线图中 cyan 曲线对应零 MSD，Fig. 3(b) 的 MAD 等高线图显示该点 MAD 较低。\n- 不确定性：该参数对基于 σ_sensor=20 cm、z*=100 cm 的 1-D 仿真得到，论文在后续室内外实验中直接使用而未重新调参（Section IV-B）。\n\n### 主张 4：室内数据集上 proposed ISM 的 MSD=7.5 cm、MAD=10.4 cm，优于五个基线\n\n- 来源 A：Table I 中 Proposed 行。\n- 来源 B：Section V-A 文字 'Table I demonstrates that the proposed ISM has the best performance on both MAD and MSD compared to other existing ISMs when σ_sensor reaches 20 cm'。\n- 交叉验证：Abstract 中 'our ISM achieves the lowest systematic error of 7.5 and 5.1 cm for the indoor and outdoor datasets'。\n\n### 主张 5：室外 KITTI 数据集上 proposed ISM 的 MSD=5.1 cm、MAD=25.3 cm\n\n- 来源 A：Table II 中 Proposed 行。\n- 来源 B：Section V-A 文字 'Fig. 6(g), created by the proposed ISM, shows an invisible peak probability shift of less than one pixel'。\n- 交叉验证：Abstract 中 '5.1 cm for the outdoor datasets with LiDAR pose uncertainties of 40 cm'。\n\n### 主张 6：proposed ISM 的运行时低于 20 ms/scan，可满足 50 Hz 实时建图\n\n- 来源 A：Table III 中 Proposed ISM 室内 12.803 ms、室外 13.840 ms。\n- 来源 B：Section V-C 文字 'its runtime per scan is well below 20 ms on both datasets ... for a LiDAR sensor with a scan period of 20 ms (50 Hz), the proposed ISM is sufficiently efficient'。\n- 交叉验证：Section V-C 实验环境为 Intel Core i5-13500H、16 GB RAM、MATLAB R2024a。\n\n### 主张 7：2-D 实验中 MSD 非零的原因是大数极限不满足和 Taylor 截断误差\n\n- 来源 A：Section VI-A 第一点 'limited number of measurements caused by the datasets that cannot satisfy the large-N limit for (17)'。\n- 来源 B：Section VI-A 第二点 'the truncation error caused by the high-order terms is not negligible when σ_sensor gets relatively high values'。\n- 交叉验证：Fig. 7–9 显示 σ_sensor 小于 10 cm 时 MSD 通常小于半个像元，可忽略。\n\n## 2. 冲突或不确定性说明\n\n- 出版日期与出版 venue 未在文档中明确给出；参考文献 [^33] 和 [^39] 标注访问日期为 Aug 2025，但这不是正式发表日期。\n- 作者单位信息未在文档中提供。\n- 论文仅建模 LiDAR 位置（平移）不确定性，未建模姿态（旋转）不确定性（Section I、VII）。\n- 1-D 理论零系统误差与 2-D 实验非零 MSD 存在差异，作者归因于有限测量数和高阶截断（Section VI-A）。\n- 参数 (0.941, 0.136) 的选取依赖 1-D 仿真和特定 σ_sensor、z*，其泛化性需进一步验证（Section IV-B）。\n- 实验仅覆盖室内和小规模室外场景，未在完整 HD 地图规模上验证（Section I、VII）。\n- 数据集链接未在正文中直接给出，但参考文献 [^39]（UPenn）和 [^40]（KITTI）提供了来源。\n\n## 3. 参考文献列表\n\n[^1]: A. Elfes, 'Using occupancy grids for mobile robot perception and navigation,' Computer, vol. 22, no. 6, pp. 46–57, Jun. 1989.\n[^2]: B. Ristic and J. L. Palmer, 'Autonomous exploration and mapping with RFS occupancy-grid SLAM,' Entropy, vol. 20, no. 6, p. 456, Jun. 2018.\n[^3]: X. Kang, S. Yin, and Y. Fen, '3D reconstruction & assessment framework based on affordable 2D LiDAR,' 2018, arXiv:1803.09167.\n[^4]: D. De Gregorio and L. Di Stefano, 'SkiMap: An efficient mapping framework for robot navigation,' in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2017, pp. 2569–2576.\n[^5]: E. Bernardi, S. Masi, P. Xu, and P. Bonnifait, 'High integrity lane-level occupancy estimation of road obstacles through LiDAR and HD map data fusion,' in Proc. IEEE Intell. Vehicles Symp. (IV), Oct. 2020, pp. 1873–1878.\n[^6]: C. Yu, V. Cherfaoui, P. Bonnifait, and D.-G. Yang, 'Managing localization uncertainty to handle semantic lane information from geo-referenced maps in evidential occupancy grids,' Sensors, vol. 20, no. 2, p. 352, Jan. 2020.\n[^7]: D. Joubert, W. Brink, and B. Herbst, 'Pose uncertainty in occupancy grids through Monte Carlo integration,' J. Intell. Robotic Syst., vol. 77, no. 1, pp. 5–16, Jan. 2015.\n[^8]: X. Zheng, Y. Li, D. Duan, L. Yang, C. Chen, and X. Cheng, 'Multivehicle multisensor occupancy grid maps (MVMS-OGM) for autonomous driving,' IEEE Internet Things J., vol. 9, no. 22, pp. 22944–22957, Nov. 2022.\n[^9]: E. Ivanjko and I. Petrovic, 'Extended Kalman filter based mobile robot pose tracking using occupancy grid maps,' in Proc. 12th IEEE Medit. Electrotechnical Conf., Mar. 2004, pp. 311–314.\n[^10]: R. Danescu, F. Oniga, and S. Nedevschi, 'Modeling and tracking the driving environment with a particle-based occupancy grid,' IEEE Trans. Intell. Transp. Syst., vol. 12, no. 4, pp. 1331–1342, Dec. 2011.\n[^11]: S. T. O'Callaghan and F. T. Ramos, 'Gaussian process occupancy maps,' Int. J. Robot. Res., vol. 31, no. 1, pp. 42–62, Jan. 2012.\n[^12]: S. Kim and J. Kim, 'Building occupancy maps with a mixture of Gaussian processes,' in Proc. IEEE Int. Conf. Robot. Autom., May 2012, pp. 4756–4761.\n[^13]: M. G. Jadidi, J. V. Miro, and G. Dissanayake, 'Warped Gaussian processes occupancy mapping with uncertain inputs,' IEEE Robot. Autom. Lett., vol. 2, no. 2, pp. 680–687, Apr. 2017.\n[^14]: D. Herrero-Pérez, H. Martínez-Barberá, K. LeBlanc, and A. Saffiotti, 'Fuzzy uncertainty modeling for grid based localization of mobile robots,' Int. J. Approx. Reasoning, vol. 51, no. 8, pp. 912–932, Oct. 2010.\n[^15]: S. Thrun, W. Burgard, and D. Fox, 'Probabilistic robotics,' Commun. ACM, vol. 45, no. 3, pp. 52–57, Mar. 2002.\n[^16]: S. Thrun, Robotic Mapping: A Survey. San Mateo, CA, USA: Morgan Kaufmann, 2003, pp. 1–35.\n[^17]: M. Montemerlo, S. Thrun, D. Koller, and B. Wegbreit, 'FastSLAM: A factored solution to the simultaneous localization and mapping problem,' in Proc. 18th National Conf. Artif. Intell. (AAAI), 2002, pp. 593–598.\n[^18]: K. Murphy and S. Russell, 'Rao-blackwellised particle filtering for dynamic Bayesian networks,' in Sequential Monte Carlo Methods in Practice. New York, NY, USA: Springer, 2001, pp. 499–515.\n[^19]: T. Bailey, J. Nieto, and E. Nebot, 'Consistency of the FastSLAM algorithm,' in Proc. IEEE Int. Conf. Robot. Autom., Feb. 2006, pp. 424–429.\n[^20]: T. Reineking and J. Clemens, 'Dimensions of uncertainty in evidential grid maps,' in Spatial Cognition IX, vol. 8684, 2014, pp. 283–298.\n[^21]: M. Langerwisch and B. Wagner, 'Building variable resolution occupancy maps assuming unknown but bounded sensor errors,' in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst., Nov. 2013, pp. 4687–4693.\n[^22]: S. O'Callaghan, F. T. Ramos, and H. Durrant-Whyte, 'Contextual occupancy maps using Gaussian processes,' in Proc. IEEE Int. Conf. Robot. Autom., May 2009, pp. 1054–1060.\n[^23]: S. T. O'Callaghan, F. T. Ramos, and H. Durrant-Whyte, 'Contextual occupancy maps incorporating sensor and location uncertainty,' in Proc. IEEE Int. Conf. Robot. Autom., May 2010, pp. 3478–3485.\n[^24]: R. Van Kempen, B. Lampe, T. Woopen, and L. Eckstein, 'A simulation-based end-to-end learning framework for evidential occupancy grid mapping,' in Proc. IEEE Intell. Vehicles Symp. (IV), Jul. 2021, pp. 934–939.\n[^25]: S. Wirges, C. Stiller, and F. Hartenbach, 'Evidential occupancy grid map augmentation using deep learning,' in Proc. IEEE Intell. Vehicles Symp. (IV), Jun. 2018, pp. 668–673.\n[^26]: H. Jang, T. Kim, K. Ahn, S. Jeon, and Y. Kang, 'Dynamic occupancy grid map with semantic information using deep learning-based BEVFusion method with camera and LiDAR fusion,' Sensors, vol. 24, no. 9, p. 2828, Apr. 2024.\n[^27]: M. Schreiber, V. Belagiannis, C. Gläser, and K. Dietmayer, 'A multi-task recurrent neural network for end-to-end dynamic occupancy grid mapping,' in Proc. IEEE Intell. Vehicles Symp. (IV), Jun. 2022, pp. 315–322.\n[^28]: G. Grisetti, C. Stachniss, and W. Burgard, 'Improved techniques for grid mapping with rao-blackwellized particle filters,' IEEE Trans. Robot., vol. 23, no. 1, pp. 34–46, Feb. 2007.\n[^29]: T. Yang and V. Aitken, 'Evidential mapping for mobile robots with range sensors,' IEEE Trans. Instrum. Meas., vol. 55, no. 4, pp. 1422–1429, Aug. 2006.\n[^30]: A. Y. Hata, F. T. Ramos, and D. F. Wolf, 'Monte Carlo localization on Gaussian process occupancy maps for urban environments,' IEEE Trans. Intell. Transp. Syst., vol. 19, no. 9, pp. 2893–2902, Sep. 2018.\n[^31]: A. Hornung, K. M. Wurm, M. Bennewitz, C. Stachniss, and W. Burgard, 'OctoMap: An efficient probabilistic 3D mapping framework based on octrees,' Auto. Robots, vol. 34, no. 3, pp. 189–206, Apr. 2013.\n[^32]: J. D. Adarve, M. Perrollaz, A. Makris, and C. Laugier, 'Computing occupancy grids from multiple sensors using linear opinion pools,' in Proc. IEEE Int. Conf. Robot. Autom., May 2012, pp. 4074–4079.\n[^33]: W. Hess, 'Cartographer-Project/Cartographer,' Aug. 2025. [Online]. Available: <https://github.com/cartographer-project/cartographer>\n[^34]: W. Hess, D. Kohler, H. Rapp, and D. Andor, 'Real-time loop closure in 2D LiDAR SLAM,' in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2016, pp. 1271–1278.\n[^35]: H. Carrillo, P. Dames, V. Kumar, and J. A. Castellanos, 'Autonomous robotic exploration using occupancy grid maps and graph SLAM based on Shannon and Rényi entropy,' in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2015, pp. 487–494.\n[^36]: C. Stachniss, G. Grisetti, and W. Burgard, 'Information gain-based exploration using Rao–Blackwellized particle filters,' in Robotics: Science and Systems I, Jun. 2005.\n[^37]: Y. Miao, A. Hunter, and I. Georgilas, 'An occupancy mapping method based on K-nearest neighbours,' Sensors, vol. 22, no. 1, p. 139, Dec. 2021.\n[^38]: S. Boche, S. B. Laina, and S. Leutenegger, 'Tightly-coupled LiDAR-visual-inertial SLAM and large-scale volumetric occupancy mapping,' in Proc. IEEE Int. Conf. Robot. Autom. (ICRA), May 2024, pp. 18027–18033.\n[^39]: P. O. Geedh, 'Pgeedh/RoboticsSpecialization-UPenn-Estimation-and-Learning,' Aug. 2025. [Online]. Available: <https://github.com/pgeedh/RoboticsSpecialization-UPenn-Estimation-and-Learning>\n[^40]: A. Geiger, P. Lenz, and R. Urtasun, 'Are we ready for autonomous driving? The KITTI vision benchmark suite,' in Proc. IEEE Conf. Comput. Vis. Pattern Recognit., Jun. 2012, pp. 3354–3361.\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## 1. 图表完整索引\n\n重要度评分说明：5 为最高，表示对核心结论起决定性支撑作用；3 为中等，表示辅助性支撑。\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支撑的论断 | 重要度评分 |\n|---|---|---|---|---|---|\n| Fig. 1 | 五种现有 ISM 在 LiDAR 位置不确定性下的峰值概率偏移与障碍物宽度增加（σ_sensor=5 cm, cell size=1 cm, z*=100 cm），含 (a)-(e) ISM 形状和 (f)-(j) 1000 次噪声观测的融合结果 | 仿真图 | Section III，对应公式 (1)-(7) | 现有几何 ISM 在位置不确定性下产生系统误差（峰值偏移）和随机误差（障碍物增厚） | 5 |\n| Fig. 2 | 提出的非对称高斯钟形 ISM（σ_l, σ_r, λ, η 为任意值, z*=100 cm） | 方法示意图 | Section IV，公式 (13) | 提出 ISM 的左右非对称形状，用于平衡 log-odds 更新 | 4 |\n| Fig. 3 | MSD 和 MAD 等高线图，作为 λ 和 η 的函数（σ_sensor=20 cm, z*=100 cm） | 参数分析图 | Section IV-B | 零 MSD 曲线及参数选择 (λ=0.941, η=0.136) | 4 |\n| Fig. 4 | 提出 ISM 在位置不确定性下的峰值概率偏移与障碍物宽度（σ_l=σ_sensor=5 cm, σ_r=1.743 cm, λ=0.941, η=0.136） | 仿真验证图 | Section IV-C | 提出 ISM 的峰值位于真实障碍物位置，系统误差为零 | 5 |\n| Fig. 5 | 基于 UPenn 数据集的 2-D 地图，(a) 参考图，(b)-(f) 五种现有 ISM，(g) 提出 ISM（σ_sensor=20 cm, pixel=10 cm） | 定性结果图 | Section V-A | 提出 ISM 在室内环境下峰值偏移和障碍物增厚最小 | 5 |\n| Fig. 6 | 基于 KITTI Odometry 数据集的 2-D 地图，(a) 参考图，(b)-(f) 五种现有 ISM，(g) 提出 ISM（σ_sensor=40 cm, pixel=10 cm） | 定性结果图 | Section V-A | 提出 ISM 在室外环境下峰值偏移不可见，泛化性良好 | 4 |\n| Fig. 7 | 室内数据集上不同 ISM 的 MSD/MAD 随位置不确定性变化（pixel=10 cm） | 定量对比图 | Section V-B | 位置不确定性大于 5 cm 时提出 ISM 的 MSD 和 MAD 均最优 | 5 |\n| Fig. 8 | 室内数据集上不同 ISM 的 MSD/MAD 随位置不确定性变化（pixel=5 cm） | 定量对比图 | Section V-B | 更小栅格尺寸下提出 ISM 仍保持最优 | 4 |\n| Fig. 9 | 室外数据集上不同 ISM 的 MSD/MAD 随位置不确定性变化（pixel=10 cm） | 定量对比图 | Section V-B | 位置不确定性大于 10 cm 时提出 ISM 系统误差最低，随机误差中等 | 4 |\n| Table I | 室内数据集地图误差定量评估（MSD 和 MAD，单位 cm） | 结果表 | Section V-A | 提出 ISM 的 MSD=7.5 cm, MAD=10.4 cm，均为最优 | 5 |\n| Table II | 室外数据集地图误差定量评估（MSD 和 MAD，单位 cm） | 结果表 | Section V-A | 提出 ISM 的 MSD=5.1 cm 最低，MAD=25.3 cm 略高于最优 | 5 |\n| Table III | 各 ISM 运行时对比（ms/scan，室内和室外） | 性能表 | Section V-C | 提出 ISM 每扫描 12.8/13.8 ms，低于 20 ms，可实时 | 3 |\n\n## 2. 优先深度阅读（Top-priority deep reads）\n\n1. **Fig. 1 + Section III 公式 (1)-(7)**：重点观察 (f)-(j) 中红色噪声观测与蓝色融合概率，注意峰值偏移方向（远离传感器）和宽度增加。理解 Octomap/Cartographer 的阶跃型、Gaussian Bell 的对称钟形、K-NN 的分段、Supereight2 的分段线性如何导致 log-odds 更新不平衡。这是问题定义和动机的核心证据。\n\n2. **Fig. 4 + Section IV-C 公式 (13)-(26)**：验证无偏峰条件。重点检查 σ_r 由 (26) 计算为 1.743 cm，λ=0.941, η=0.136，融合后峰值恰好在 100 cm。理解 c=0 的双根条件如何保证零系统误差。\n\n3. **Fig. 3 + Section IV-B**：理解 MSD/MAD 等高线图，零 MSD 曲线 (31) 的由来，以及为何选择 (0.941,0.136) 兼顾低 MAD 和避免极端 log-odds。这是参数选择的关键依据。\n\n4. **Fig. 7 + Table I + Section V-A/B**：对比六条曲线，注意提出 ISM 在不确定性大于 5 cm 时 MSD/MAD 最低；Table I 中具体数值 7.5/10.4 cm 对比其他 ISM 的 12.8-31.1 cm，证明室内优势。\n\n5. **Fig. 9 + Table II + Section V-A/B**：检查室外泛化，提出 ISM 的 MSD 最低（5.1 cm），MAD 中等（25.3 cm），说明主要优势在系统误差；同时注意 Section VI-A 对 1-D 与 2-D 差异的解释。\n\n## 3. 图表关系 / 实验设置图\n\n```text\n实验流程：\n[数据集: UPenn 室内 / KITTI 室外]\n   -> [LiDAR 扫描 + 位姿]\n   -> [添加高斯位置噪声 σ_sensor]\n   -> [ISM 更新 (log-odds + 概率截断)]\n   -> [占用栅格地图]\n   -> [MSD/MAD 评估]\n\n图表关系：\n- 1-D 仿真: Fig.1 (现有 ISM 误差) -> Fig.3 (参数选择) -> Fig.4 (提出 ISM 无偏)\n- 2-D 室内: Fig.5 (定性) + Table I (定量) + Fig.7/8 (不确定性扫描)\n- 2-D 室外: Fig.6 (定性) + Table II (定量) + Fig.9 (不确定性扫描)\n- 运行时: Table III\n```\n\n## 4. 图表到结论的映射\n\n| 结论 | 支撑图表 | 关键数值/位置 |\n|---|---|---|\n| 现有 ISM 在位置不确定性下产生系统误差和随机误差 | Fig.1, Section III | 峰值偏移和宽度增加，σ_sensor=5 cm, 1000 次观测 |\n| 提出非对称高斯钟形 ISM 可最小化系统误差 | Fig.2, Fig.4, 公式 (13)-(26) | 峰值在 100 cm，σ_r=1.743 cm |\n| 参数选择 (λ=0.941, η=0.136) 基于零 MSD 曲线 | Fig.3, 公式 (31) | MSD=0 等高线，MAD 较低 |\n| 室内数据集上提出 ISM 的 MSD/MAD 均最优 | Fig.5, Table I, Fig.7, Fig.8 | MSD=7.5 cm, MAD=10.4 cm (σ_sensor=20 cm) |\n| 室外数据集上提出 ISM 系统误差最低 | Fig.6, Table II, Fig.9 | MSD=5.1 cm (σ_sensor=40 cm), MAD=25.3 cm |\n| 提出 ISM 满足实时性 | Table III | 12.8/13.8 ms per scan，低于 20 ms |\n| 局限性：未建模方向不确定性，未做大规模 HD 地图 | 文本 Section I, VII | 无图表支撑，基于论述 |"
}