{
  "paper_id": "605ced6d6debea6bb23f2692a56b792f",
  "paper_title": "Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping",
  "paper_authors": [
    "Simon Boche",
    "Sebastián Barbas Laina",
    "Stefan Leutenegger"
  ],
  "publication_date": "",
  "publication_venue": "2024 IEEE International Conference on Robotics and Automation (ICRA)",
  "abstract": "Autonomous navigation is one of the key requirements for every potential application of mobile robots in the real-world. Besides high-accuracy state estimation, a suitable and globally consistent representation of the 3D environment is indispensable. We present a fully tightly-coupled LiDAR-Visual-Inertial SLAM system and 3D mapping framework applying local submapping strategies to achieve scalability to large-scale environments. A novel and correspondence-free, inherently probabilistic, formulation of LiDAR residuals is introduced, expressed only in terms of the occupancy fields and its respective gradients. These residuals can be added to a factor graph optimisation problem, either as frame-to-map factors for the live estimates or as map-to-map factors aligning the submaps with respect to one another. Experimental validation demonstrates that the approach achieves state-of-the-art pose accuracy and furthermore produces globally consistent volumetric occupancy submaps which can be directly used in downstream tasks such as navigation or exploration.",
  "keywords": [
    "SLAM",
    "LiDAR-Visual-Inertial",
    "occupancy mapping",
    "submapping",
    "factor graph optimisation",
    "volumetric mapping",
    "autonomous navigation"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:32:05.997690Z",
  "template_tag": "deep_read",
  "summary": "# Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping\n\n\n**作者 / Authors:** Simon Boche, Sebastián Barbas Laina, Stefan Leutenegger\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A：阅读对齐与输入校验\n\n### 1. 论文元数据\n\n- **标题**：Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping（紧耦合激光雷达-视觉-惯性 SLAM 与大规模体积占用建图）\n- **作者**（姓名 / 单位 / 背景）：\n  - Simon Boche（文中仅标注上标 ^1，具体单位名称未在文档中给出）\n  - Sebastián Barbas Laina（上标 ^1）\n  - Stefan Leutenegger（上标 ^1,2,3；从引用文献 [^21][^22] 可知其为 Supereight2 与 OKVIS2 的作者，属 SLAM/建图领域）\n- **发表载体**：文档中未明确注明会议/期刊名称与年份；从内容判断（评测 HILTI 2022 SLAM Challenge、引用截至 2022 年文献、双栏会议排版风格）推断为 2022–2023 年间的机器人领域会议论文，需外部核实。\n\n### 2. 研究定位\n\n- **研究领域**：机器人 SLAM 与三维体积建图（LiDAR-Visual-Inertial 多传感器融合、因子图优化、占用栅格/八叉树建图）。\n- **具体任务**：构建全紧耦合的 LVI-SLAM 与占用建图框架：在 OKVIS2 [^22] 因子图基础上，引入仅依赖占用场值与梯度的无对应（correspondence-free）LiDAR 残差（Eqn. (8)），以 frame-to-map 与 map-to-map 两类因子加入优化；配合基于 Supereight2 [^21] 的局部子图策略（Sec. V-B），保证大规模环境下定位精度与地图全局一致性（Sec. I、Sec. III-A、Sec. IV、Sec. VI）。\n- **目标用户/应用场景**：移动机器人自主导航与探索；需要显式表达观测自由空间、可直接用于路径规划等下游任务的全球一致三维地图（Abstract、Sec. I、Sec. VII-C）。\n\n### 3. 输入材料清单\n\n- **PDF**：有（当前文档含摘要、Sec. I–VIII、参考文献及 Fig. 1–5、Table I–II）。\n- **附录/补充材料**：无。\n- **代码链接**：文中未提供（仅引用开源依赖 Ceres Solver [^25]，Sec. VII-A）。\n- **数据集链接**：未给出直接下载链接，但实验基于公开的 HILTI 2022 SLAM Challenge / Hilti-Oxford 数据集（Sec. VII-B，引用 [^8]），另含一段 Leica BLK2Fly 无人机自采室外数据（Sec. VII-C2）。\n\n### 4. 缺失材料与风险\n\n- **缺失项**：作者单位全称、发表 venue 与年份、代码仓库、补充材料、完整实现细节（视觉前端参数、在线标定流程仅概述）。\n- **可能影响**：\n  - 复现风险较高：文中自述性能对标定参数敏感，且做了 IMU-相机外参在线标定（Sec. VII-B），缺少代码与详细配置难以复现 Table I 的得分。\n  - venue 缺失影响引用规范与版本判断（可能存在 arXiv 版与会议版差异）。\n\n### 5. 阅读路线\n\n- **Step 1**：读 Abstract + Sec. I + Fig. 1/Fig. 2，把握“紧耦合 LVI-SLAM + 子图占用建图”的总体框架与三大贡献。\n- **Step 2**：读 Sec. III（问题陈述与记号）与 Sec. IV（系统总览），明确坐标系定义、状态向量与数据流。\n- **Step 3**：精读 Sec. V（占用建图与子图生成策略，含逆传感器模型 Fig. 3）与 Sec. VI（因子图结构 Fig. 4、LiDAR 残差推导 Eqn. (8)–(14) 及解析 Jacobian），理解无对应残差如何替代 ICP 数据关联。\n- **Step 4**：读 Sec. VII 实验：Table I（HILTI22 各序列得分与 SOTA 对比）、Table II（耗时与精度权衡）、Fig. 5，核对“state-of-the-art 定位 + 全球一致建图”的声明。\n- **Step 5**：读 Sec. II（相关工作）与 Sec. VIII（结论与未来工作），定位本文相对 Voxgraph [^6]、Wang et al. [^7][^20]、Wildcat [^5] 的差异（紧耦合 vs 松耦合、占用场 vs ESDF）。\n- **Step 6**：进入后续模块做深入审查，重点关注退化场景（如 exp07 长走廊，平均 ATE 约 7 cm，Sec. VII-B）与假设有效性。\n\n### 分类依据（archetype rationale）\n\n- 论文核心贡献是一个完整可部署的紧耦合 LVI-SLAM + 体积建图系统/工程框架（OKVIS2 扩展 + Supereight2 适配 + 子图策略 + 运动补偿），并在真实基准上完成系统级验证（Sec. IV、Sec. VII）。\n- 虽包含新残差公式（Eqn. (8)）等方法性创新，但其服务于整体系统；按单一最佳标签原则选 `system`。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B：第一遍通读概览\n\n### 1. 论文类型与分类\n\n- **类型**：系统论文（system archetype），提出一个完整可部署的紧耦合 LiDAR-Visual-Inertial SLAM + 3D 体积占用建图框架。\n- **子类定位**：基于因子图优化的多传感器融合 SLAM（OKVIS2 扩展）+ 八叉树多分辨率占用建图（Supereight2 适配）+ 局部子图（submapping）策略。\n- **分类依据**：核心贡献是整体系统架构（Sec. IV 系统总览、Fig. 2），新残差公式（Eqn. (8)）服务于系统目标；并在真实基准上完成系统级验证（Sec. VII，HILTI 2022 基准 + Leica BLK2Fly 无人机实测数据）。\n\n### 2. 研究背景与上下文\n\n- **领域痛点**：自主导航不仅需要高精度状态估计，还需要全局一致、显式表达观测自由空间的三维环境表示（Abstract、Sec. I）。\n- **现有不足**：主流 LVI-SLAM 系统（LOAM 系 [^9]、LVI-SAM [^3]、VILENS [^1]、FAST-LIO2 [^12]、Wildcat [^5]）多用几何特征、点云或面元表示世界，适合定位与表面重建，但无法直接用于路径规划等下游任务（Sec. I、Sec. II）。\n- **已有耦合方案的局限**：Voxgraph [^6]、Wang et al. [^20][^7] 等将 SLAM 与体积建图解耦，子图全局对齐在松耦合后端优化中完成，地图一致性反馈不直接进入估计器（Sec. I、Sec. II 末段）。\n- **本文切入点**：将占用建图与 LVI 状态估计统一为单一紧耦合因子图优化问题，LiDAR 约束以 frame-to-map 与 map-to-map 两类因子直接进入估计器（Sec. III-A、Sec. IV）。\n\n### 3. 直觉正确性检查（关键假设及合理性）\n\n- **假设 1：占用场值与梯度可外推点到表面距离**。残差定义 d = L/|∇L|（Eqn. (9)）假设表面附近 log-odds 沿射线近似线性（与逆传感器模型 Fig. 3 一致），log-odds 过零点即表面。**合理**：与 point-to-plane ICP 的几何直觉等价，作者也自述此类比（Sec. VI-B4）。\n- **假设 2：无对应残差可省去 ICP 数据关联与法向量计算**。占用值与梯度可直接从八叉树查询；离群点大概率落在自由/未观测空间，梯度为零或无效而被隐式抑制（Sec. VI-B4）。**合理**，且是效率提升的关键来源。\n- **假设 3：局部子图内漂移有限，子图间用 map-to-map 因子维持全局一致**。子图锚定于关键帧 IMU 位姿（Sec. V-B），思想承袭 Atlas [^17]/Voxgraph [^6]。**合理**，符合子图 SLAM 的成熟经验。\n- **潜在疑点**：\n  - 退化场景：exp07 长走廊缺乏视觉与几何特征，得分仅 0/13.33，平均 ATE 约 7 cm（Sec. VII-B、Table I），说明假设在特征贫乏环境会失效。\n  - 不确定性模型较简化：σ_map = L_min/(3|∇L|)（Eqn. (10)），作者在结论中承认需要更真实的 LiDAR 传感器模型（Sec. VIII）。\n  - 性能对标定参数敏感，需在线标定 IMU-相机外参（Sec. VII-B 自述），复现存在风险。\n\n### 4. 核心贡献\n\n1) **全紧耦合统一框架**：将 LVI-SLAM（OKVIS2 因子图）与占用建图（Supereight2 子图）融合为单一优化问题，保证地图始终全局一致（Sec. IV、Fig. 2）。\n2) **新颖的无对应（correspondence-free）LiDAR 残差**：仅依赖占用场值与梯度（Eqn. (8)–(11)），并推导解析 Jacobian（Eqn. (12)–(13)），免去 ICP 数据关联（Sec. VI-B4）。\n3) **两类因子用法**：live frame-to-map 因子约束实时状态，map-to-map 因子对齐子图（Fig. 4、Sec. VI-A）。\n4) **基于观测比例的子图生成策略**：以新观测落入已观测空间的比例低于阈值 λ_overlap 触发新子图（Sec. V-B）。\n5) **系统级验证**：HILTI 2022 上以统一参数取得 SOTA 级定位精度（最终 427.65 分，排名 7/53，Table I），并给出耗时-精度权衡分析（Table II）。\n\n### 5. 清晰度评估\n\n- **结构**：标准会议论文八节结构（引言→相关工作→预备→系统总览→建图→估计器→实验→结论），逻辑递进清晰。\n- **图表**：Fig. 1 定性建图结果、Fig. 2 系统框图、Fig. 3 逆传感器模型、Fig. 4 因子图结构均较直观；Fig. 4 图例依赖颜色区分，文本提取中信息缺失，需对照原文阅读。\n- **公式**：Eqn. (1)–(14) 推导完整，含解析 Jacobian 与总优化目标；文本提取存在少量符号噪声（如 ⊟、上下标），不影响理解主线。\n- **可读性**：对熟悉因子图 SLAM 的读者友好；实现细节（CPU、Ceres、残差数量、子图尺寸/分辨率）在 Sec. VII-A 给出，但视觉前端参数与标定流程仅概述，完整复现需回查 OKVIS2 [^22] 与 Supereight2 [^21]。\n\n### 6. 继续或停止建议\n\n- **建议：继续深入阅读**（进入 Module C/D/E 做精读与审查）。\n- **理由**：① 论文与紧耦合 SLAM+建图主题高度相关，方法新颖点明确（占用场无对应残差）；② 实验含 SOTA 对比（Wildcat、VILENS、HKU/Fast-LIVO）与消融式计时分析，证据链较完整；③ 存在值得深挖的审查点：退化场景（exp07）表现、简化不确定性模型的有效边界、标定敏感性对可复现性的影响（Sec. VII-B、Sec. VIII）。\n\n### 7. 结构大纲图\n\nmarkmap\n\n# 论文总览：紧耦合 LVI-SLAM 与大规模体积占用建图\n\n## I. 引言\n\n### 动机：定位 + 全局一致可导航地图\n\n### 现有表示不足（点云/特征/面元）\n\n## II. 相关工作\n\n### LiDAR SLAM：LOAM / LIO-SAM / FAST-LIO2\n\n### LVI-SLAM：LVI-SAM / VILENS / MSCKF 系\n\n### 子图建图：Atlas / Voxgraph / Wang et al. / Wildcat\n\n## III. 预备知识\n\n### 问题陈述\n\n### 记号（SE(3)、坐标系定义）\n\n## IV. 系统总览\n\n### 输入：IMU + 双目相机 + LiDAR\n\n### 运动补偿\n\n### 两类紧耦合因子（frame-to-map / map-to-map）\n\n## V. 占用建图与子图\n\n### 逐射线积分 + log-odds 贝叶斯更新（Fig. 3）\n\n### 子图生成策略（λ_overlap 阈值）\n\n## VI. LVI 估计器\n\n### 因子图结构（Fig. 4）\n\n### 视觉 / IMU / 相对位姿残差\n\n### 无对应 LiDAR 残差（Eqn. 8–13，解析 Jacobian）\n\n### 总优化目标（Eqn. 14）\n\n## VII. 实验\n\n### 实现细节（Ceres、参数、硬件）\n\n### HILTI 2022 基准（Table I，SOTA 对比）\n\n### 建图定性结果（Fig. 1、Fig. 5）\n\n### 耗时与精度权衡（Table II）\n\n## VIII. 结论与未来工作\n\n### 更真实的传感器不确定性模型\n\n### 视觉前端跟踪失败鲁棒性\n\n### 扩展至完整探索框架\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本文要解决的核心问题是：**如何在移动机器人自主导航中，同时实现高精度、实时的状态估计（定位）与全球一致、可直接用于下游任务（如路径规划/探索）的大规模三维体积占用建图**——即构建一个全紧耦合的 LiDAR-Visual-Inertial SLAM 与占用建图统一框架（Abstract、Sec. I、Sec. III-A）。\n\n### 2. 痛点与现有方法的不足\n\n- **地图表示不适合下游任务**：现有 SOTA LVI-SLAM 系统多以特征点、点云或 surfel 表示三维世界（如 [^1]–[^5]），适合状态估计与表面重建，但无法显式表达观测到的自由空间，不能直接用于路径规划等下游任务（Sec. I）。\n- **SLAM 与建图松耦合/解耦**：多数体积建图方法（Voxgraph [^6]、Wang et al. [^20][^7]）将子图全局对齐放在独立的后端位姿图中松耦合求解，估计器与地图之间缺乏直接反馈，难以始终保证地图一致性（Sec. I、Sec. II）。\n- **位姿漂移导致大场景地图退化**：VI-SLAM 局部一致但漂移随时间累积，直接构建全局地图会降低地图精度与一致性，需要子图（submapping）策略来隔离局部漂移（Sec. I、Sec. III-A）。\n- **传统 LiDAR 配准代价高**：ICP 类方法需要昂贵的数据关联与法向量计算步骤（Sec. VI-B4）。\n\n### 3. 形式化目标 / 优化目标\n\n- **状态向量**（Sec. VI-A）：x = [_W r_S^T, q_WS^T, _W v^T, b_g^T, b_a^T]^T，即 IMU 在世界系下的位置、姿态、速度与陀螺仪/加速度计偏置。\n- **总体最小化目标**（Eqn. (14)，Sec. VI-B5）：c(x) = ½·Σ ρ(视觉重投影误差 e_r) + ½·Σ(IMU 预积分误差 e_s) + ½·Σ(相对位姿误差 e_p) + ½·Σ(frame-to-map LiDAR 残差 e₁^{C,k}²) + ½·Σ(map-to-map LiDAR 残差 e₁^{a,b}²)，即在 OKVIS2 因子图基础上新增两类 LiDAR 因子。\n- **新型无对应 LiDAR 残差**（Eqn. (8)）：e₁^{a,b}(_{S^a}p) = L(_{S^a}p) / sqrt(L_min²/9 + σ_z²·|∇L(_{S^a}p)|²)，仅依赖占用场对数值 L 与其梯度 ∇L；由传感器模型（Fig. 3）外推点到最近表面距离 d = L/|∇L|、地图不确定度 σ_map = L_min/(3|∇L|)（Eqn. (9)–(10)），总不确定度 σ = sqrt(σ_map² + σ_z²)（Eqn. (11)），并推导解析 Jacobian（Eqn. (12)–(13)），从而省去 ICP 的数据关联步骤。\n- **子图生成策略**（Sec. V-B）：逐帧评估新观测落入已观测空间的比例，低于阈值 λ_overlap（实验取 0.4，Sec. VII-A）时在下一个视觉关键帧处生成新子图，子图锚定于该关键帧的 IMU 位姿 T_{WS^k}。\n\n### 4. 成功判据（指标与期望性质）\n\n- **定位精度（定量）**：HILTI 2022 SLAM Challenge 的 ATE 评分——每个真值控制点按误差打 0–10 分（<1 cm 得 10 分，>10 cm 得 0 分），总分 S_j = (1/(10N)·Σs_i)×100，满分 100 对应全程误差 <1 cm（Sec. VII-B，Eqn. (15)）。本文最终得分 427.65（当时排行榜 7/53），最终估计平均 ATE 约 1–3 cm；仅 exp07 长走廊（缺乏视觉/几何特征）退化至约 7 cm（Sec. VII-B、Table I）。\n- **相对基线提升**：相比 OKVIS2 纯 VI 基线（含回环，136.41 分），加入 LiDAR 因子后因果与最终估计得分均显著提升（Table I）。\n- **地图质量（定性）**：所有子图叠加后全球一致、无可辨不一致性，占用场可直接用于导航（Fig. 1、Sec. VII-C1）；对多种 LiDAR 传感器类型通用（含 Leica BLK2Fly 单束双轴旋转 LiDAR 的室外数据，Fig. 5、Sec. VII-C2）。\n- **实时性/计算性能**：每帧优化与建图积分耗时（Table II）：LVI Setup 1 优化约 98.9 ms（≈10 Hz）、积分约 98.4 ms；降采样 Setup 2 优化约 79.3 ms（≈15 Hz）、积分约 38.2 ms（≈25 Hz），且定位精度仅轻微下降（因果 ATE 2.5 cm → 3.8 cm）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2：相关工作定位分析\n\n### 1. 最强基线与对比轴\n\n#### （1）OKVIS2 [^22] —— 同源直接基线（VI-SLAM）\n\n- **Method -> core idea -> limitation**：OKVIS2 是基于因子图优化的可扩展视觉惯性 SLAM，含回环检测与位姿图优化（Sec. III-A、Sec. VI-A）-> 核心思想是视觉重投影误差（Eqn. (5)）+ IMU 预积分误差（Eqn. (6)）+ 相对位姿误差（Eqn. (7)）的紧耦合优化 -> 局限：不含 LiDAR，在弱纹理、弱光照或几何退化场景下精度骤降（Table I：OKVIS2 含回环 VI 版总分仅 136.41，exp03/exp09/exp11/exp15 均为 0 分）。\n- **对比轴**：在同一因子图上\"加入/不加入 LiDAR 占用残差\"的定位精度增益。Table I 显示本文（非因果）总分 427.65 vs OKVIS2 VI+L 136.41，直接证明新 LiDAR 因子的贡献（Sec. VII-B）。\n\n#### （2）Wildcat [^5] —— 基准上最强外部 SOTA\n\n- **Method -> core idea -> limitation**：连续时间滑动窗口优化的 LiDAR-惯性里程计 -> 通过局部 surfel 子图 + 位姿图优化对齐子图，取得 HILTI 2022 挑战赛当时冠军级鲁棒性与精度（Sec. II）-> 局限：surfel 属表面表示，缺乏显式观测自由空间，不能直接用于路径规划等下游任务；且不使用视觉传感器（Sec. I、Sec. II）。\n- **对比轴**：HILTI 2022 各序列得分与总分（Table I：Wildcat 总分约 563.81 vs 本文 427.65，本文最终排名第 7/53，Sec. VII-B）；以及地图可用性的定性对比（Sec. VII-C，本文地图含自由空间切片可直接用于导航）。\n\n### 2. 最接近的方法与关键差异\n\n#### （1）Voxgraph [^6]（最接近的 correspondence-free 子图对齐思想来源）\n\n- **Method -> core idea -> limitation**：VIO 位姿驱动 TSDF 子图集成，子图完成后提取 ESDF，在后端位姿图中用基于 ESDF 值的 correspondence-free 误差项对齐子图，按固定频率新建子图（Sec. II）-> 核心思想是用无对应误差项实现子图间全局一致 -> 局限：与状态估计器解耦（松耦合后端）、需额外付出 ESDF 提取开销、无 LiDAR 紧耦合。\n- **关键差异**：本文直接以占用场值 L(·) 与梯度 ∇L(·) 构造残差（Eqn. (8)–(9)），\"无需提取 ESDF 的昂贵步骤\"（Sec. II 末段）；且子图对齐因子（map-to-map）与实时因子（frame-to-map）一并进入 LVI 因子图，对估计器提供直接反馈而非事后重排（Sec. I、Sec. VI-A、Fig. 4）。\n\n#### （2）Wang et al. [^20] 及其后续 [^7]（最接近的占用子图工程路线）\n\n- **Method -> core idea -> limitation**：均基于 Supereight2 [^21] 自适应分辨率占用建图；[^20] 按行驶距离生成子图、依赖视觉惯性估计器更新来重排子图；[^7] 改为按点云重叠度评估生成子图、用 ICP 对齐（Sec. II）-> 核心思想是大规模弹性占用子图重建 -> 局限：子图全局对齐与估计器解耦、依赖 ICP 数据关联；[^20] 需将 LiDAR 点云投影为距离图像。\n- **关键差异**：① 子图生成准则改为逐帧评估\"已观测空间测量占比\"低于阈值 λ_overlap（实验取 0.4，Sec. V-B、Sec. VII-A）；② 为动态 LiDAR 增加逐射线（per-ray）积分接口，避免稀疏距离图投影（Sec. V-A）；③ frame-to-map 与 map-to-map 两类占用残差紧耦合进统一优化问题（Eqn. (14)），而非松耦合重排（Sec. VI、Fig. 2）。\n\n#### （3）VILENS [^1]（最接近的多传感器紧耦合优化框架）\n\n- **Method -> core idea -> limitation**：视觉+惯性+腿式里程计+LiDAR 线/面残差的因子图优化，使用局部点云子图并向图中加入 ICP 里程计因子（Sec. II）-> 局限：点云子图无自由空间表达，ICP 需要昂贵数据关联与法向量计算。\n- **关键差异**：本文残差无对应、直接从占用场查询值与梯度（Sec. VI-B4），且离群点因落在自由/未观测空间（梯度为零或无效）而被隐式抑制（Sec. VI-B4）。\n\n### 3. 正交方向\n\n- **滤波式紧耦合 LVI**：MSCKF 谱系（LIC-Fusion [^15]、LIC-Fusion 2.0 [^16]，Sec. II）——估计范式（滤波 vs 因子图优化）与本文正交，本文不与其直接比较。\n- **直接法/原始点云 LiDAR 里程计**：FAST-LIO [^11]、FAST-LIO2 [^12]（直接操作原始点云提速）、BALM [^13]（LiDAR 滑动窗口 BA）——聚焦里程计速度与精度，不处理大规模全局一致建图，其直接法思想可与本文子图策略互补（Sec. II）。\n- **特征式 LiDAR(-VI) SLAM 谱系**：LOAM [^9]（边缘/平面特征匹配的开山之作）、LIO-SAM [^10]（紧耦合位姿图）、LVI-SAM [^3]（VI 与 LI 子系统互补）——属几何特征路线；本文以占用场残差替代特征/ICP 关联，是表示层面的替代而非同一组件的竞争（Sec. II）。\n- **子图思想的源头**：Atlas 框架 [^17]（早期可扩展建图）——本文继承其分治思想，但贡献在于紧耦合因子化方式（Sec. II）。\n- **地图外观/语义增强**：R3LIVE [^2]（RGB 着色）、[^7] 的语义弹性重建——语义与外观层与本文的几何一致性机制正交，可叠加。\n\n### 4. 一句话定位\n\n本文将 Voxgraph [^6] 与 Wang et al. [^20][^7] 的\"体积子图全局对齐\"思想从松耦合后端推进为全紧耦合：在 OKVIS2 [^22] 因子图中引入仅依赖占用场值与梯度的无对应 LiDAR 残差（frame-to-map + map-to-map，Eqn. (8)、(14)），在取得 SOTA 级定位精度（Table I，总分 427.65）的同时，产出含显式自由空间、可直接服务导航与探索的大规模全局一致占用地图（Sec. I、Sec. VII-C）。\n\n### 补充：对比要点速览表\n\n| 方法 | 传感器 | 地图表示 | 子图对齐方式 | 与估计器关系 | 关键局限 |\n|---|---|---|---|---|---|\n| OKVIS2 [^22] | V+I | 特征/路标 | 回环位姿图 | — | 无 LiDAR，退化场景失效（Table I） |\n| Wildcat [^5] | L+I | surfel 子图 | 位姿图优化 | 松耦合对齐 | 无自由空间、无视觉（Sec. II） |\n| VILENS [^1] | V+I+L+腿 | 点云子图 | ICP 里程计因子 | 部分紧耦合 | ICP 关联开销、无自由空间（Sec. II） |\n| Voxgraph [^6] | V+I | TSDF/ESDF 子图 | ESDF correspondence-free | 松耦合后端 | 需提取 ESDF、固定频率建图（Sec. II） |\n| Wang et al. [^20]/[^7] | V+I+L | 占用子图 | 估计器更新 / ICP | 松耦合 | 解耦、ICP、距离图投影（Sec. II、V-A） |\n| **本文** | **L+V+I** | **占用场子图（Supereight2）** | **占用残差（frame-to-map + map-to-map）** | **全紧耦合（统一因子图）** | 标定敏感、exp07 长走廊退化（Sec. VII-B） |\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题（方法机制解析）\n\n### 1. 核心机制概述（浅层理解）\n\n论文将「SLAM 定位」与「体积占用建图」统一为一个**全紧耦合（fully tightly-coupled）的因子图优化问题**（Sec. IV, Fig. 2），而非像多数现有方法那样把子图全局对齐解耦为松耦合的后端位姿图优化（Sec. I, Sec. II 末段）。\n\n机制由三大支柱构成：\n\n- **估计器基座**：以 OKVIS2 [^22] 的视觉-惯性 SLAM 因子图（视觉重投影误差 + IMU 预积分误差 + 位姿图相对位姿误差）为起点（Sec. III-A, Sec. VI-A）。\n- **建图基座**：采用 Supereight2 [^21] 的八叉树多分辨率占用建图，并为其新增面向动态 LiDAR 传感器的逐射线（per-ray）积分接口（Sec. V-A）。\n- **核心创新——无对应（correspondence-free）LiDAR 残差**：残差仅由占用场值 L(·) 与其梯度 ∇L(·) 表达（Eqn. (8)），可直接从子图查询，省去 ICP 式数据关联与法向量计算；以 frame-to-map 与 map-to-map 两种因子形式注入因子图（Sec. VI-B4, Fig. 4）。\n\n**设计动机推理链**：占用场显式表达观测自由空间 → 可直接服务导航/探索等下游任务（Sec. I, Abstract）；子图化限制局部漂移 → 保证地图局部精度与一致性（Sec. V-B）；LiDAR 因子紧耦合进估计器 → 同时提升定位精度并保证子图间全局一致（Sec. III-A, Sec. VI-A）。\n\n### 2. 分步机制拆解（中层分析）\n\n**Step 1 传感器输入与运动补偿（Sec. IV, Fig. 2）**\n输入为 IMU 测量、立体相机帧以及可能无序（unordered）的 LiDAR 点云。利用状态估计并将 IMU 测量积分到每个激光点的各自时间戳，对点云做运动补偿，消除传感器动态移动导致的畸变。\n\n**Step 2 占用场更新（Sec. V-A, Fig. 3）**\n补偿后的点云变换到地图系 F_M，逐射线按逆传感器模型在 log-odds 空间做贝叶斯加性更新（Eqn. (5)–(7)），并沿用 Supereight2 的钳位权重（clamped weights）、上传播与树剪枝策略，保持八叉树一致性并使分辨率尽量粗。\n\n**Step 3 子图生成策略（Sec. V-B）**\n逐帧评估「落入已观测空间的测量数 / 总测量数」比率；当比率低于阈值 λ_overlap（实验取 0.4，Sec. VII-A）时，在下一个视觉关键帧处生成新子图。每个子图锚定于该关键帧时刻的 IMU 系 F_S，并与其关键帧位姿 T_WS^k 一同存储。该策略由传感器信息驱动，区别于 Voxgraph [^6] 的固定频率建图（Sec. II）。\n\n### Step 4 两类 LiDAR 因子注入因子图（Sec. VI-A, Fig. 4）\n\n- **frame-to-map 因子**：对实时优化窗口中的每个状态，相对「最后完成的子图」锚关键帧构建残差（每个 live 状态 100 条，Sec. VII-A）。\n- **map-to-map 因子**：子图完成后，检测几何重叠最大的先前子图，从两锚帧间聚合点云中随机采样 1000 点构建残差；每个子图连接前一子图，重叠超阈值时还可选连接更旧子图（Fig. 4 右）。\n\n**Step 5 联合优化（Sec. VI-B5, Eqn. (14)）**\n所有因子在 Ceres [^25] 中以解析 Jacobian 求解非线性最小二乘；状态向量保持 OKVIS2 原样（Eqn. (4)：位置、四元数姿态、速度、陀螺/加计偏置），LiDAR 残差只依赖位姿状态、不依赖速度与偏置（Sec. VI-B4）。\n\n### 3. 关键公式与模块角色（深层分析）\n\n### (a) 占用更新（建图模块，Sec. V-A）\n\n- log-odds 定义（Eqn. (5)）：l^k(_M p) = log( P_occ(_M p | z_r) / (1 − P_occ(_M p | z_r)) )，沿射线为分段线性函数（Fig. 3，表面前方在 3σ 处钳位于 L_min，线性增长至半表面厚度 τ(z_r)）。\n- 钳位权重的贝叶斯更新（Eqn. (6)）：L̄^k = (L̄^(k−1)·w^(k−1) + l^k) / (w^(k−1)+1)，w_k = min{w_(k−1)+1, w_max}；累积 log-odds 以 L̄^k·w_k 保存（Eqn. (7)）。\n\n**(b) 无对应 LiDAR 残差（核心创新，Sec. VI-B4）**\n核心假设：每个测量点应位于 3D 地图的某个表面上；在传感器模型的线性段内（Fig. 3），点到最近表面的距离 d 可由占用值与梯度外推：\n\n- d = L/|∇L|，σ_map = L_min/(3|∇L|)（Eqn. (9)），其中 L_min 为饱和最小 log-odds 配置参数。\n- 总不确定度 σ = sqrt(σ_map² + σ_z²)（Eqn. (10)），σ_z 为传感器测距不确定度。\n- 加权残差（Eqn. (8)）：e_1^{a,b}(_S^a p) = d/σ = L(_S^a p) / sqrt( L_min²/9 + σ_z²·|∇L(_S^a p)|² )，其中 _S^a p = T_{S^a S^b}·_S^b p，T_{S^a S^b} = T_{WS^a}^{−1}·T_{WS^b}。\n\n**推理链**：文中自述该优化本质类似 point-to-plane ICP，但 (i) 昂贵的数据关联与法向量计算被占用场值/梯度的直接查询取代；(ii) 外点被隐式抑制——外点大概率落在自由或未观测空间，其梯度为零或无效，残差自然失效（Sec. VI-B4 末段）。\n\n**(c) 解析 Jacobian（Sec. VI-B4, Eqn. (11)–(13)）**\n对位姿采用流形扰动 δχ_T = [δr, δα]（Eqn. (11)：r = r̄ + δr，C = Exp(δα)·C̄）；由于 LiDAR 残差只依赖位姿，用链式法则分解（Eqn. (12)）：∂e/∂χ_{T_WS^m} = (∂e/∂_S^a p)·(∂_S^a p/∂χ_{T_WS^m})，m ∈ {a, b}；具体各项见 Eqn. (13)（含旋转矩阵 C_{S^a W} 与反对称矩阵 [·]^× 项）。解析 Jacobian 配合 Ceres 提升优化效率（Sec. VII-A）。\n\n**(d) 总体目标函数（Sec. VI-B5, Eqn. (14)）**\nc(x) = ½Σρ(e_r^T W_r e_r)【视觉重投影】+ ½Σ e_s^T W_s e_s【IMU 预积分】+ ½Σ e_p^T W_p e_p【位姿图相对位姿】+ ½Σ e_1^{C,k}²【frame-to-map】+ ½Σ e_1^{a,b}²【map-to-map】。\n集合含义：K 为含可见路标的最近帧与关键帧集，P 为位姿图帧集，L_k 为帧 k 关联的 LiDAR 测量集，M 为历史子图集，A_b 为与子图 b 经 map-to-map 残差相连的子图集，C 为最后完成子图帧。\n\n## (e) 模块角色对照表\n\n| 模块 | 角色 | 关键公式/定位 |\n|---|---|---|\n| OKVIS2 因子图 | VI 定位基座 + 实时窗口 + 关键帧位姿图 | Eqn. (4), Sec. VI-A, Fig. 4 |\n| Supereight2 占用建图 | 提供可高效查询的占用场值与梯度 | Eqn. (5)–(7), Fig. 3 |\n| 子图策略 | 限制局部漂移、触发 map-to-map 因子 | Sec. V-B, λ_overlap=0.4 |\n| 无对应 LiDAR 残差 | 紧耦合桥梁（frame-to-map / map-to-map） | Eqn. (8)–(13) |\n| Ceres 优化 | 联合求解全部因子 | Eqn. (14), Sec. VII-A |\n\n### 4. 系统流程图\n\nmermaid\nflowchart TD\n  A[\"输入: IMU + 立体相机 + LiDAR 点云\"] --> B[\"运动补偿<br/>状态估计 + IMU 积分至各点时间戳\"]\n  B --> C[\"变换至地图系, 逐射线更新活动子图占用场<br/>Eqn.(5)-(7), Fig.3\"]\n  C --> D{\"已观测比例 < lambda_overlap=0.4 ?\"}\n  D -- \"低于阈值\" --> E[\"生成新子图, 锚定关键帧 IMU 系<br/>Sec. V-B\"]\n  E --> F[\"检测最大重叠旧子图<br/>聚合点云随机采样 1000 点\"]\n  F --> G[\"map-to-map 因子<br/>Eqn.(8)\"]\n  D -- \"否则\" --> H[\"继续更新当前活动子图\"]\n  B --> I[\"实时窗口每状态 frame-to-map 因子 (100 条)<br/>Eqn.(8)\"]\n  H --> I\n  G --> J[\"OKVIS2 因子图: 视觉 + IMU + 位姿图 + LiDAR 因子<br/>Fig.4\"]\n  I --> J\n  J --> K[\"Ceres 联合非线性最小二乘<br/>解析 Jacobian Eqn.(12)-(13), 总代价 Eqn.(14)\"]\n  K --> L[\"输出: SOTA 轨迹精度 + 全局一致占用子图<br/>Table I, Fig.1, Fig.5\"]\n  L -. \"状态反馈用于后续测量积分\" .-> C\n``n\n\n### 5. 机制小结与设计权衡\n\n- **紧耦合 vs 松耦合**：与 Voxgraph [^6]、Wang et al. [^20][^7] 将子图对齐解耦到后端不同，本文 LiDAR 因子直接进入估计器，子图对齐结果即时反馈给状态估计（Sec. II 末段：\"the global alignment of submaps is not decoupled from the estimator but provides direct feedback\"）。\n- **占用场 vs ESDF**：与 Voxgraph 基于 ESDF 的无对应残差相比，本文直接使用现成占用信息，免去昂贵的 ESDF 提取步骤（Sec. II）。\n- **精度-耗时权衡**：Setup 1（100/1000 残差）→ Setup 2（50/500 残差 + 点云 3 倍降采样）使优化从约 10 Hz 提至近 15 Hz、地图积分从 10 Hz 到 25 Hz，仅带来轻微精度下降（Exp15 causal ATE 2.5 cm → 3.8 cm，Table II）。\n- **已知局限**：残差依赖占用场线性段假设与固定的 L_min/σ_z 不确定度模型；exp07 长走廊缺乏视觉/几何特征时平均 ATE 约 7 cm（Sec. VII-B）；作者将更真实的 LiDAR 不确定度模型与更优降采样策略列为未来工作（Sec. VIII）。\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4：数据集、基准与实现/评测设置\n\n### 1. 数据集 / 基准清单（浅层理解）\n\n| 名称 | 规模 | 场景 | 传感器配置 | 真值 | 用途 |\n|---|---|---|---|---|---|\n| HILTI 2022 SLAM Challenge（Hilti-Oxford 数据集）[^8] | 挑战赛 8 条序列 + 赛后追加 3 条（Exp04–06），共 11 条 | 建筑工地（Exp01–03 与 Exp04–06）、办公楼长走廊（Exp07）、牛津 Sheldonian 剧院内外（Exp09/11/15/21）；难度分 easy/medium/hard（依据光照等环境挑战与剧烈运动划分） | 手持设备：Alphasense 五目相机模块 + IMU + 32 线 Hesai PandarXT-32 LiDAR | 稀疏毫米级精度真值控制点 | 定位精度定量评测（Table I）+ 建图质量定性展示（Fig. 1，Exp21） |\n| Leica BLK2Fly 无人机自采数据集 | 1 段室外序列 | 办公楼周边室外环境 | 五目相机 + 五个 IMU（仅使用其中 1 个）+ 单光束双轴旋转（spinning）LiDAR | 无（仅定性） | 建图质量与传感器通用性定性验证（Sec. VII-C2、Fig. 5） |\n\n- 无训练数据需求：本文为优化式 SLAM/建图系统，不含学习组件，因此不存在训练/验证/测试划分；全部 HILTI 序列以同一组参数直接评测（Sec. VII-B：\"identical parameters\"）。\n\n### 2. 预处理与划分 / 覆盖设置（中层）\n\n### 传感器标定（Sec. VII-B）\n\n- 使用 Kalibr [^26] 对多相机系统与 IMU-相机外参进行离线标定；\n- 由于发现各序列得分对标定参数高度敏感，额外启用了 IMU-相机外参的在线标定（online calibration）。这是复现 Table I 得分的关键前提，也是文中明示的敏感点。\n\n### LiDAR 预处理（Sec. IV、Sec. V-A）\n\n- 对可能无序的点云逐点做运动补偿（motion compensation）：利用状态估计与 IMU 积分至每个测量点的独立时间戳；\n- 不做 range image 投影，直接以 ray-based 接口逐射线融入占用场（区别于 Wang et al. [^20] 的投影做法）。\n\n## 子图划分 / 覆盖策略（Sec. V-B、Sec. VII-A）\n\n- 逐帧统计\"落入已观测空间的测量数占总测量数的比例\"，低于阈值 λ_overlap = 0.4 时，在下一个视觉关键帧处生成新子图；\n- 每个子图锚定于对应关键帧时刻的 IMU 坐标系 F_S，并与其关键帧位姿 T_WS^k 一并存储；\n- 子图最大尺寸 15.36 m，最细分辨率 3 cm。\n\n## 评测划分\n\n- 同时上报因果（causal，实时）与非因果（non-causal，含最终 Bundle Adjustment）两种估计结果（Table I）；\n- exp04–06 因不计入挑战赛总分而在 Table I 中灰显。\n\n### 3. 实现 / 推理 / 评测环境（中层→深层）\n\n## 硬件与软件（Sec. VII-A）\n\n- CPU：Intel i7-11700K @ 3.6 GHz，64 GB RAM；无 GPU 依赖；\n- 优化库：Google Ceres Solver [^25]，LiDAR 残差采用解析 Jacobian（Eqn. (12)–(13)）。\n\n## 关键运行参数（Sec. VII-A）\n\n- 每个实时状态添加 100 个 frame-to-map 残差；\n- 子图完成后添加 1000 个 map-to-map 残差（从两帧间聚合点云中随机采样）；\n- λ_overlap = 0.4。\n\n## 计时消融设置（Sec. VII-D、Table II，Exp15）\n\n- Setup 1：原始配置（100/1000 残差）；\n- Setup 2：残差减半（50/500）且输入点云按 3 倍降采样；\n- 结果：优化速率约 10 Hz → 近 15 Hz，建图积分 10 Hz → 25 Hz；因果 ATE 由 2.5 cm 轻微退化至 3.8 cm（VI-only 基线为 23.5 cm）。\n\n## 评测指标（Sec. VII-B）\n\n- 基于 ATE 的官方评分：估计轨迹先经 SE(3) Umeyama 对齐，再对每个毫米级真值控制点按误差打 0–10 分（误差 <1 cm 得 10 分，>10 cm 得 0 分），总分 S_j = (1/(10N)·Σs_i)×100；满分 100 对应全程误差低于 1 cm。\n\n### 4. 这些选择为何重要、验证了什么（深层）\n\n1. **为何选 HILTI 2022**：毫米级稀疏真值 + 官方自动评测系统，是少数能严格支撑\"state-of-the-art 定位精度\"声明的公开基准（Sec. VII-B）；排行榜可直接与同传感器配置的 Wildcat [^5]、VILENS [^1]、HKU（基于 FAST-LIVO [^24]）对比。本文最终分 427.65，位列 53 支队伍第 7；最终估计对应平均 ATE 约 1–3 cm。\n2. **场景多样性的作用**：工地（结构重复）、剧院（大空间、含回环机会）、长走廊（视觉与几何特征双匮乏的退化场景）覆盖了不同失效模式；exp07 是唯一显著退化序列（平均 ATE ≈ 7 cm，Sec. VII-B），诚实暴露了系统在特征稀缺环境下的边界，也说明 LiDAR 因子在无特征走廊中同样受限。\n3. **VI 基线消融的价值**：同一视觉前端、全部 5 目相机的 OKVIS2 VI-only（含回环）总分仅 136.41，加入 LiDAR 因子后升至 427.65（Table I），直接量化了紧耦合 LiDAR 残差（Eqn. (8)）的贡献，支撑\"LiDAR 因子显著提升 OKVIS2 精度\"的核心结论。\n4. **第二数据集（BLK2Fly）的必要性**：使用与 PandarXT-32 完全不同的单光束旋转 LiDAR，验证 ray-based 积分接口对传感器类型的通用性，以及\"避免稀疏 range image 投影\"这一设计选择的实际收益（Sec. VII-C2、Fig. 5）；因无真值，仅作定性建图一致性验证。\n5. **计时分析验证实时性声明**：Table II 表明系统在桌面 CPU 上即可实时运行，并给出精度-速度可调旋钮（残差数量与点云降采样），可在几乎不损失精度（因果 ATE 2.5→3.8 cm）的前提下换取约 1.5–2.5 倍吞吐提升。\n6. **风险与缺口**：文中自述性能对标定敏感并依赖在线外参标定（Sec. VII-B）；未提供代码与配置（Module A 已确认），Table I 得分的精确复现门槛较高；BLK2Fly 数据无定量指标，\"globally consistent\"的建图主张在定量层面主要依赖 HILTI 序列的定性图示（Fig. 1）。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## Module C5：指标与结果\n\n### 1. 评估指标（定义与说明）\n\n| 指标 | 定义/说明 | 出处 |\n|---|---|---|\n| HILTI22 挑战赛得分 $S_j$ | 基于 Absolute Trajectory Error (ATE)：估计轨迹先与毫米级精度稀疏真值做 SE(3) Umeyama 对齐；每个真值控制点按误差打 0–10 分（误差 <1 cm 得 10 分，>10 cm 得 0 分）；总分 $S_j=\\left(\\frac{1}{10N}\\sum_{i=0}^{N}s_i\\right)\\times 100$，单序列满分 100 对应整条轨迹误差均低于 1 cm | Sec. VII-B |\n| ATE (Causal) [cm] | 因果（在线）估计的平均绝对轨迹误差（厘米），用于耗时-精度权衡分析 | Table II |\n| 地图全局一致性（定性） | 叠加所有子图的占用场水平切片与表面网格（占用场零交叉提取），检查子图间是否存在可辨识的不一致 | Fig. 1, Sec. VII-C |\n| 每帧耗时 (ms) | 优化与地图集成的每帧平均耗时及标准差，评估实时性 | Table II, Sec. VII-D |\n\n### 2. 主要结果（具体数字）\n\n### 定位精度（HILTI 2022 SLAM Challenge，Sec. VII-B、Table I）\n\n- 最终（非因果、含最终 Bundle Adjustment）总分 **427.65**，在挑战赛排行榜 53 个提交中位列第 **7**（截至论文撰写时）。\n- 最终估计的平均 ATE 约 **1 cm（或更低）至 3 cm**；唯一例外是 exp07（长走廊、缺乏特征性视觉与几何特征），平均 ATE 约 **7 cm**。\n- 各序列得分（Ours，非因果）：exp01 62.31、exp02 39.09、exp03 42.35、exp07 13.33、exp09 38.12、exp11 92.00、exp15 64.44、exp21 76.00；exp04/05/06 为赛后新增序列（68.57 / 86.67 / 47.14），不计入总分。\n- 因果（在线）估计各序列：43.08 / 17.27 / 32.35 / 0.00 / 16.25 / 32.00 / 51.11 / 62.00（求和约 254.06）。\n\n### 建图质量（Sec. VII-C，定性）\n\n- Fig. 1（Exp21）：所有子图叠加后，表面网格与重力对齐自由空间切片无可辨识的不一致，占用场可直接用于导航/探索等下游任务。\n- Fig. 5（Leica BLK2Fly 无人机室外数据，单光束双轴旋转 LiDAR）：验证对多种 LiDAR 传感器类型的通用性，避免了向稀疏距离图像投影。\n\n## 计算性能（Sec. VII-D、Table II，Exp15）\n\n- LVI Setup 1（完整配置）：优化 98.9±30.9 ms/帧（约 10 Hz），地图批量集成 98.4±83.0 ms（约 10 Hz），因果 ATE 2.5 cm。\n\n### 3. 与基线/代表性先前工作的对比（Table I）\n\n| 方法 | 传感器 | 总分（8 序列） | 备注 |\n|---|---|---|---|\n| OKVIS2（CLI，含回环） | C+L+I | 16.64 | 本文基线系统的纯 LiDAR 配置，几乎完全失败 |\n| OKVIS2（VI） | C+V+I | 136.41 | 纯视觉-惯性基线 |\n| VILENS [^1] | C+L+I | 325.77 | 特征式（线/面）LVI SLAM |\n| HKU（基于 Fast-LIVO [^24]） | C+L+I | ≈402.94（由各序列求和推算） | — |\n| Wildcat [^5] | C+L+I | ≈563.81（由各序列求和推算） | 挑战赛时冠军，surfel 子图 + 位姿图优化 |\n| Ours（因果） | C+L+I | ≈254.06（推算） | 在线估计 |\n| Ours（最终 BA） | C+L+I | **427.65** | 排名 7/53 |\n\n关键观察：\n\n- 在 OKVIS2 上加入本文 LiDAR 因子后精度显著提升（VI 136.41 → LVI 最终 427.65）；Exp15 上因果 ATE 从 23.5 cm 降至 2.5 cm（约 9.4 倍，Table II），直接验证紧耦合占用场残差的价值。\n- 相比 VILENS（325.77）与 HKU（≈402.94），本文最终估计更高；但 **Wildcat（≈563.81）在多数序列上仍优于本文**（如 exp03 90.59 vs 42.35、exp07 45.00 vs 13.33），本文仅在 exp11（92.00 vs 84.00）与 exp15（64.44 vs 46.67）占优。因此“state-of-the-art 定位精度”的声明应理解为“进入最先进行列（排名 7/53）”，而非全面超越当时冠军 Wildcat；且 VILENS 与 Wildcat 的报告得分同样包含某种形式的离线批/位姿图优化（Sec. VII-B），对比条件需注意。\n\n### 4. 消融、敏感性与权衡分析\n\n## 残差数量与降采样消融（Table II，Exp15）\n\n- Setup 2（live frame-to-map 残差 100→50、map-to-map 1000→500、输入点云 3 倍降采样）：优化耗时 98.9→79.3 ms（约 10 Hz→近 15 Hz），地图集成 98.4→38.2 ms（约 10 Hz→25 Hz）；代价是因果 ATE 从 2.5 cm 轻微退化至 3.8 cm。表明系统存在明确的精度-速度可调权衡，且作者称该加速“仅带来很小的定位精度损失”（Sec. VII-D）。\n\n## 传感器融合消融（Table II）\n\n- VI only：优化 49.0±16.6 ms，因果 ATE 23.5 cm；加入 LiDAR（Setup 1）后 ATE 降至 2.5 cm，优化耗时增至 98.9 ms（约 2 倍），说明精度增益以约一倍计算开销为代价。\n\n## 标定敏感性（Sec. VII-B）\n\n- 作者报告各序列表现对所用标定参数“依赖显著”，故使用 Kalibr [^26] 自行标定多相机与 IMU-相机外参，并对 IMU-相机外参做在线标定。这是复现 Table I 得分的关键前提，也是潜在风险点。\n\n## 关键实现参数（Sec. VII-A）\n\n- 子图生成阈值 λ_overlap = 0.4；每个 live 状态 100 个 frame-to-map 残差；子图完成后添加 1000 个 map-to-map 残差（从两帧间聚合点云随机采样）；子图最大尺寸 15.36 m，最细分辨率 3 cm。所有挑战序列使用相同参数，未逐序列调参。\n\n## 退化场景\n\n- exp07（长走廊，视觉与几何特征均匮乏）为明显退化案例：非因果得分仅 13.33、因果 0.00，平均 ATE 约 7 cm，远差于其他序列（Sec. VII-B）。\n\n## 跨论文差异在指标上的体现\n\n- 相比 Voxgraph [^6]（需先提取 ESDF 再构造 correspondence-free 残差），本文直接查询占用场值与梯度（Eqn. (8)），免去 ESDF 提取开销（Sec. II）；相比 Wang et al. [^7][^20]（SLAM 与建图解耦、ICP 对齐子图），本文将子图对齐紧耦合进估计器。其结果是：无需 ICP 数据关联的残差使优化仍可实时运行（Table II），同时保持子图全局一致（Fig. 1）。\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：后续可探索方向\n\n### 1. 浅层：论文自述的未来工作（Sec. VIII）\n\n论文在结论中明确列出四个后续方向，可作为探索起点：\n\n- 为 LiDAR 传感器构建**更真实的不确定性模型**（当前 Eqn. (10) 仅用 σ = sqrt(σ_map² + σ_z²) 的简化合成）。\n- 对输入 LiDAR 扫描做**基于几何特征的知情式降采样**（informed downsampling），替代当前的随机采样。\n- 提升**视觉前端易失效场景**下的鲁棒性（如弱纹理、光照剧变）。\n- 将系统扩展为**完整的真实世界子图导航探索框架**。\n\n### 2. 中层：理论方向\n\n- **残差模型的理论基础**：Eqn. (8)–(9) 假设占用场在表面附近呈线性、可由 L/|∇L| 外推点到面距离（Sec. VI-B4、Fig. 3）。该假设在多分辨率八叉树（最细 3 cm，Sec. VII-A）与树剪枝（Sec. V-A）下的收敛性、无偏性与一致性尚未证明，值得形式化分析。\n- **与 point-to-plane ICP 的等价性**：文中自述该优化“resembles a point-to-plane ICP”（Sec. VI-B4），可严格证明无对应占用场残差与 ICP 在收敛域、外点鲁棒性（文中称外点落于自由/未观测空间、梯度为零或无效而被隐式抑制）方面的理论关系与差异。\n- **退化场景的可观测性分析**：exp07 长走廊因缺乏视觉与几何特征，平均 ATE 约 7 cm，明显差于其他序列的 1–3 cm（Sec. VII-B）。可建立在线退化检测理论，自适应调整 LiDAR/视觉/惯性因子权重。\n- **不确定性传播**：当前 σ_map = L_min/(3|∇L|)（Eqn. (9)）仅依赖梯度幅值，可推导考虑入射角、光束方向、距离相关噪声的完整协方差模型，并研究其对 Jacobian（Eqn. (12)–(13)）加权的影响。\n\n### 3. 中层：工程方向\n\n- **知情式残差采样**：当前每 live 帧随机采 100 个 frame-to-map 残差、每子图对随机采 1000 个 map-to-map 残差（Sec. VII-A）。可利用曲率、法向分布、占用梯度方向等几何量选择信息量最大的点，提升精度/算力比。\n- **实时性-精度权衡优化**：Table II 显示 Setup 1 优化约 10 Hz、地图积分约 10 Hz；Setup 2（残差减半 + 点云 3 倍降采样）将优化提至约 15 Hz、积分提至 25 Hz，但因果 ATE 从 2.5 cm 恶化到 3.8 cm。可探索 GPU 加速积分、自适应残差数量或异步优化以同时保住速率与精度。\n- **在线标定强化**：文中自述性能对 IMU-相机外参敏感并做了在线标定（Sec. VII-B），可进一步将 LiDAR-IMU 外参与时间偏移纳入状态向量在线估计，提升跨传感器平台可移植性。\n- **视觉前端失效兜底机制**：Table I 中 exp03、exp09（hard）得分偏低，可在视觉跟踪濒临失效时增强 LiDAR 因子权重，或引入扫描上下文类全局描述子辅助重定位与回环。\n- **探索系统集成**：占用子图显式表达自由空间（Abstract、Sec. I），可直接对接路径规划器，实现 Sec. VIII 提出的跨子图真实世界导航与主动探索。\n\n### 4. 中层：数据与评测方向\n\n- **定量建图评测**：当前建图质量仅有定性展示（Fig. 1、Fig. 5，Sec. VII-C），可引入与地面真值点云的重建误差（如 Chamfer/点到面距离）、子图间不一致度、占用场校准度等指标，使“全球一致”这一核心声明可被量化验证。\n- **消融实验**：Table I 仅给出整体 LVI 结果，可分别关闭 frame-to-map 与 map-to-map 因子，量化两类残差各自贡献及 λ_overlap = 0.4（Sec. VII-A）等超参敏感性。\n- **数据集扩展**：目前仅评测 HILTI 2022 手持序列（Sec. VII-B）与一段 Leica BLK2Fly 单线旋转 LiDAR 无人机室外数据（Sec. VII-C2），可扩展至动态环境、长时序/跨季节、雨雾等退化条件，检验子图策略与运动补偿的边界。\n- **与 ESDF 路线的受控对比**：Voxgraph [^6] 需先提取 ESDF，本文直接用占用场值与梯度（Sec. II 末段），可在相同基准上对比精度、耗时与内存，验证“免 ESDF”设计的实际收益。\n\n### 5. 深层：优先级建议\n\n- **最高优先级**：更真实的 LiDAR 不确定性模型 + 退化检测（直接针对 exp07 短板，且为 Sec. VIII 自述方向）。\n- **次优先级**：定量建图评测协议（补齐当前仅定性验证的短板，支撑系统级声明的可复现性）。\n- **长期方向**：完整探索框架（依赖前两项成熟后，将定位-建图闭环推向任务级应用，Sec. VIII）。\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：部署形态与目标场景\n\n- **系统定位**：面向移动机器人自主导航/探索的实时 LVI-SLAM + 体积占用建图框架，同时输出高精度位姿与全球一致、显式表达自由空间的 3D 地图（Abstract、Sec. I、Sec. VIII）。\n- **输入传感器**：IMU + 立体/多相机 + LiDAR。验证平台包括手持设备（Alphasense 五相机 + IMU + 32 线 Hesai PandarXT-32，Sec. VII-B）与 Leica BLK2Fly 无人机（五相机 + 单 IMU + 单线双轴旋转 LiDAR，Sec. VII-C2），说明框架对 LiDAR 类型具有一定通用性。\n- **输出用途**：占用子图可直接用于路径规划、导航、探索等下游任务（Sec. I、Sec. VII-C、Fig. 1、Fig. 5）。\n\n### 2. 中层：部署约束\n\n#### 2.1 硬件与算力\n\n- 实验平台为**桌面级 CPU**：Intel i7-11700K（3.6 GHz）+ 64 GB RAM（Sec. VII-A）。论文未展示嵌入式平台（如 Jetson 级别）的运行结果，机载/小型机器人部署需自行验证算力与内存余量。\n- 内存方面：子图最大尺寸 15.36 m、最细分辨率 3 cm（Sec. VII-A），大规模场景下子图数量与聚合点云的存储随环境规模增长，长时运行需关注内存管理。\n\n#### 2.2 传感器与标定（关键部署门槛）\n\n- **标定敏感性高**：作者明确指出不同序列的表现显著依赖标定参数，需用 Kalibr 做多相机与 IMU-相机外参离线标定，并额外引入 IMU-相机外参**在线标定**才取得 Table I 的成绩（Sec. VII-B）。实际部署必须配备可靠的标定流程与在线标定能力，否则精度会明显退化。\n- **运动补偿**：LiDAR 点云可为无序（unordered），系统利用状态估计与 IMU 积分到每个点的独立时间戳做逐点运动补偿（Sec. IV、Fig. 2），适配动态移动的传感器（手持、无人机）。\n- **传感器无关接口**：为 Supereight2 新增 ray-based 逐射线积分接口，避免稀疏 range image 投影，从而支持 32 线与单线旋转等不同 LiDAR（Sec. V-A、VII-C2）。\n\n#### 2.3 关键配置参数（部署调参清单）\n\n- 子图生成阈值 λ_overlap = 0.4；每个 live 帧 100 个 frame-to-map 残差；每对子图 1000 个 map-to-map 残差；子图最大 15.36 m、最细分辨率 3 cm；占用饱和值 L_min 与传感器噪声 σ_z（Sec. VII-A、Sec. VI-B4、Fig. 3）。跨平台/跨场景迁移时这些参数需重新整定。\n\n### 3. 中层：计算/延迟影响\n\n- **Table II（Exp15 实测）**：\n  - LVI Setup 1（完整配置）：优化 98.9±30.9 ms/帧（≈10 Hz），地图积分 98.4±83.0 ms（≈10 Hz），causal ATE 2.5 cm。\n  - LVI Setup 2（残差减至 50/500 + 点云 3 倍降采样）：优化 79.3±25.0 ms（≈15 Hz），积分 38.2±34.5 ms（≈25 Hz），ATE 仅升至 3.8 cm——**以轻微精度损失换取约 1.5–2.5 倍吞吐**。\n  - VI only 基线：优化 49.0 ms 但 ATE 高达 23.5 cm，说明 LiDAR 因子既是精度关键，也是主要算力开销来源。\n- **效率核心**：correspondence-free 残差直接从占用场查询数值与梯度，省去 ICP 的数据关联与法向量计算（Sec. VI-B4），这是系统能在单 CPU 上实时运行的根本支撑。\n- **部署建议**：资源受限平台可优先采用 Setup 2 类配置（降采样 + 减残差）；对精度敏感的场景（如测绘级建图）保留 Setup 1。\n\n### 4. 深层：鲁棒性与安全性\n\n- **已知退化场景**：exp07 长走廊（视觉与几何特征均匮乏）causal 得分 0.00、最终平均 ATE 约 7 cm，远差于其他序列的 1–3 cm（Sec. VII-B、Table I）。特征退化环境下系统精度显著下降，安全关键应用需配备退化检测与降级策略（如减速、停航）。\n- **视觉前端失效风险**：作者在结论中明确承认系统对视觉前端易跟踪失败的挑战场景鲁棒性不足，列为未来工作（Sec. VIII）——意味着弱纹理、光照剧变场景下 LiDAR 因子能否独立兜底尚未验证。\n- **外点隐式抑制**：LiDAR 外点大概率落在自由/未观测空间，梯度为零或无效而被隐式排除（Sec. VI-B4）；但该机制依赖占用场本身的质量，论文未给出显式鲁棒核或外点率实验。\n- **不确定性模型简化**：逆传感器模型为分段线性近似（Fig. 3），残差总不确定性取 σ = sqrt(σ_map² + σ_z²)（Eqn. (9)–(10)）；作者自述需要更真实的 LiDAR 不确定性模型（Sec. VIII）。过度自信的因子权重可能影响估计一致性与安全裕度。\n- **安全正面因素**：地图显式表达观测自由空间（蓝色切片，Fig. 1、Fig. 5），利于规划器做碰撞检查；但 3 cm 分辨率与 clamped weights 的饱和更新意味着对薄障碍物、动态物体的表达需额外保障。\n\n### 5. 深层：可维护性\n\n- **代码未随文发布**（Module A 校验：文中仅引用开源依赖），复现需自行整合 OKVIS2、Supereight2、Ceres Solver、Kalibr 四个组件（Sec. III-A、V-A、VII-A、VII-B），集成与版本兼容维护成本较高。\n- **模块化程度较好**：系统是在 OKVIS2 因子图上的扩展，LiDAR 因子作为独立残差类型插入（frame-to-map 与 map-to-map 两类，Fig. 4），便于单独替换、升级或移植到其他因子图后端。\n- **调参负担**：标定参数、λ_overlap、残差数量、分辨率等多参数相互耦合，且性能对其中部分（尤其标定）高度敏感（Sec. VII-B），长期部署需要持续的标定维护与参数管理流程。\n- **作者规划的未来维护方向**（Sec. VIII）：更真实的 LiDAR 不确定性模型、基于几何特征的智能降采样、视觉前端失效鲁棒性、扩展为在真实子图间导航的完整探索框架。\n\n### 6. 部署结论\n\n- **适合**：配备 LiDAR + 相机 + IMU、具备桌面级或较强机载算力、需要厘米级定位与可直接规划占用地图的机器人平台（手持扫描、无人机、腿式/轮式机器人）。\n- **谨慎**：特征退化环境（长走廊、隧道）、嵌入式低算力平台、缺乏标定维护能力的长期自主部署。\n- **相对松耦合方案的部署优势**：与 Voxgraph [^6]、Wang et al. [^7] 等将子图对齐解耦为独立后端优化的方法相比，本系统的紧耦合设计使估计器与地图始终保持全局一致、无需独立对齐流程，降低了整体系统复杂度与状态同步风险（Sec. I、Sec. II）。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## Module C8：简明总结\n\n### 1. 总结段落（6–8 句）\n\n本文提出了一个全紧耦合的 LiDAR-Visual-Inertial SLAM 与大规模三维占用建图统一框架（Sec. I、Sec. IV）。系统以 OKVIS2 [^22] 的因子图优化为状态估计基础，并采用针对 LiDAR 适配的 Supereight2 [^21] 八叉树多分辨率占用建图（Sec. III-A、Sec. V）。核心创新是一种无对应（correspondence-free）的 LiDAR 残差公式，仅依赖占用场值 L 与其梯度 $\\nabla L$，从而省去 ICP 式数据关联与法向量计算（Sec. VI-B4、Eqn. (8)）。该残差以 frame-to-map（实时帧对最后完成子图）与 map-to-map（子图锚帧之间）两类因子加入因子图，使估计器与地图的全局一致性始终耦合（Fig. 4、Sec. VI-A）。子图生成依据每帧观测重叠率是否低于阈值 $\\lambda_{\\text{overlap}}=0.4$ 触发（Sec. V-B、Sec. VII-A）。在 HILTI 2022 SLAM Challenge 上，系统以统一参数取得总分 427.65（当时排行榜 53 支队伍中排名第 7），最终估计平均 ATE 约 1–3 cm，达到 state-of-the-art 定位精度（Table I、Sec. VII-B）。同时，系统输出全球一致、显式表达自由空间的占用子图，可直接用于导航与探索等下游任务（Fig. 1、Fig. 5、Sec. VII-C）。计算上，优化约以 10 Hz 运行，经残差缩减与点云降采样后可提升至约 15 Hz，而精度仅轻微下降（Table II、Sec. VII-D）。\n\n### 2. 五条关键要点\n\n1. **紧耦合统一优化**：与 Voxgraph [^6]、Wang et al. [^20][^7] 等将子图对齐与估计器解耦的松耦合方案不同，本文把 LiDAR 占用残差直接写入 OKVIS2 因子图，估计与建图互为反馈、始终保持一致（Sec. I、Sec. VI-A、Fig. 4）。\n2. **无对应 LiDAR 残差**：由占用值与梯度线性外推点到最近表面距离 $d=L/|\\nabla L|$，并按地图不确定度 $\\sigma_{\\mathrm{map}}=L_{\\min}/(3|\\nabla L|)$ 与传感器量测不确定度 $\\sigma_z$ 联合加权；离群点因落在自由/未观测空间（梯度为零或无效）而被隐式抑制（Eqn. (8)–(10)、Sec. VI-B4）。\n3. **两类因子保证全球一致性**：frame-to-map 因子约束实时状态相对于最后完成子图的位姿，map-to-map 因子在子图完成后对齐最重叠的历史子图，共同消除长期漂移（Sec. IV、Sec. VI-A、Fig. 4）。\n4. **SOTA 定位 + 可直接导航的地图**：HILTI22 上显著优于 VI 基线 OKVIS2（136.41 → 427.65），与 Wildcat [^5] 等最优方法相当，且地图可直接用于路径规划（Table I、Fig. 1）；退化场景 exp07 长走廊（视觉/几何特征匮乏）平均 ATE 约 7 cm，为主要短板（Sec. VII-B）。\n5. **精度-效率可调**：将 live 残差从 100 减至 50、map-to-map 残差从 1000 减至 500 并对输入点云 3 倍降采样后，优化速率约从 10 Hz 提升至 15 Hz、建图积分约从 10 Hz 提升至 25 Hz，因果 ATE 仅从 2.5 cm 升至 3.8 cm（Table II、Sec. VII-D）。\n\n### 3. 核心公式/机制\n\n无对应 LiDAR 残差（Eqn. (8)，配合 Eqn. (9)–(10)）：\n\n$$e_1^{a,b}\\left({}_{S^a}\\mathbf{p}\\right)=\\frac{d}{\\sigma}=\\frac{L\\left({}_{S^a}\\mathbf{p}\\right)}{\\sqrt{\\frac{L_{\\min}^2}{9}+\\sigma_z^2\\left|\\nabla L\\left({}_{S^a}\\mathbf{p}\\right)\\right|^2}}$$\n\n其中 ${}_{S^a}\\mathbf{p}=\\mathbf{T}_{S^aS^b}\\,{}_{S^b}\\mathbf{p}$，$\\mathbf{T}_{S^aS^b}=\\mathbf{T}_{WS^a}^{-1}\\mathbf{T}_{WS^b}$；距离与不确定度由占用场直接外推：\n\n$$d=\\frac{L}{|\\nabla L|},\\qquad \\sigma_{\\mathrm{map}}=\\frac{L_{\\min}}{3|\\nabla L|},\\qquad \\sigma=\\sqrt{\\sigma_{\\mathrm{map}}^2+\\sigma_z^2}$$\n\n**机制解释**：依据逆传感器模型（Fig. 3）在表面附近呈分段线性的假设，任一测量点相对最近表面的有符号距离可由该点的对数几率占用值 L 与梯度 $\\nabla L$ 解析求出，无需 ICP 的最近邻搜索与法向量估计；分母将地图饱和值 $L_{\\min}$ 引出的建图不确定度与传感器量测噪声 $\\sigma_z$ 合成总不确定度，实现概率加权。该残差仅依赖两个关联位姿状态（实时帧或子图锚帧），其解析 Jacobian 由链式法则给出（Eqn. (12)–(13)），可直接嵌入基于 Ceres [^25] 的因子图优化（Sec. VI-B4、Sec. VII-A）。\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（Second-Pass Understanding）\n\n### 1. 论文结构树\n\n``nI. Introduction\n   └─ 动机：LVI-SLAM 定位 + 全球一致占用建图；三大贡献（紧耦合框架 / 无对应 LiDAR 残差 / 定量+定性验证）\nII. Related Work\n   ├─ LiDAR SLAM：LOAM [9]、LIO-SAM [10]、FAST-LIO/2 [11][12]、BALM [13]\n   ├─ LVI-SLAM：LVI-SAM [3]、VILENS [1]、MSCKF 系 [14]-[16]\n   └─ 体积建图子图：OctoMap+ICP [18][19]、Voxgraph(ESDF) [6]、Wang et al.(Supereight2) [20][7]\nIII. Preliminaries\n   ├─ A. Problem Statement：以 OKVIS2 [22] + Supereight2 [21] 为基础，紧耦合 LiDAR 约束\n   └─ B. Notation：坐标系 F_W / F_Ci / F_S / F_L / F_M；T_AB ∈ SE(3)\nIV. System Overview（Fig. 2）：运动补偿 → 占用更新 → 两类 LiDAR 因子\nV. Occupancy Mapping and Submapping\n   ├─ A. 动态 LiDAR 占用建图：逐射线积分、log-odds 更新 Eqn.(1)-(3)、上传播与剪枝\n   └─ B. Submapping Strategy：重叠率 < λ_overlap 触发新子图，锚定于关键帧 IMU 位姿\nVI. LiDAR-Visual-Inertial Estimator\n   ├─ A. Factor Graph：状态向量 Eqn.(4)；两类 LiDAR 因子（Fig. 4）\n   └─ B. Error Residuals\n      ├─ 1) Visual reprojection errors Eqn.(5)\n      ├─ 2) IMU preintegration errors Eqn.(6)\n      ├─ 3) Relative pose errors Eqn.(7)\n      ├─ 4) Submap-based LiDAR errors：核心残差 Eqn.(8)-(11)，解析 Jacobian Eqn.(12)-(13)\n      └─ 5) Optimisation Problem：总目标函数 Eqn.(14)\nVII. Experimental Results\n   ├─ A. Implementation Details\n   ├─ B. HILTI 2022 SLAM Challenge（Table I 定量对比）\n   ├─ C. Mapping（Fig. 1：HILTI Exp21；Fig. 5：BLK2Fly 室外）\n   └─ D. Timings（Table II）\nVIII. Conclusion 与未来工作\n``n\n\n### 2. 方法/系统分解（system archetype）\n\n### 输入（Sec. IV）\n\n- IMU 测量；双目/多相机帧；可能无序（unordered）的 LiDAR 点云。\n\n### 输出\n\n- 实时状态估计 x = [_W r_S^T, q_WS^T, _W v^T, b_g^T, b_a^T]^T（Eqn.(4)，Sec. VI-A）。\n- 全球一致的体积占用子图集合，显式表达自由空间，可直接用于导航/探索（Abstract、Sec. VII-C）。\n\n### 模块划分\n\n1. **运动补偿模块**：利用状态估计与 IMU 积分至每个点的时间戳，校正 LiDAR 动态运动畸变（Sec. IV、Fig. 2）。\n2. **占用建图模块**：改造 Supereight2 [^21]，新增逐射线（per-ray）积分接口；log-odds 占用 l^k 由分段线性逆传感器模型给出（Eqn.(1)、Fig. 3）；采用 clamped weights 的加性贝叶斯更新（Eqn.(2)-(3)）；配合上传播与树剪枝保持八叉树一致并尽量保持粗分辨率（Sec. V-A）。\n3. **子图策略**：逐帧统计落入已观测空间的测量比例，低于 λ_overlap = 0.4 时在下一个视觉关键帧处生成新子图，锚定于该关键帧的 IMU 位姿 T_WS^k（Sec. V-B、Sec. VII-A）。\n4. **LVI 估计器（OKVIS2 因子图扩展）**：\n   - 视觉重投影误差 Eqn.(5)；IMU 预积分误差 Eqn.(6)；相对位姿误差 Eqn.(7)（均为 OKVIS2 原有因子）。\n   - **新增 LiDAR 残差（核心创新，Sec. VI-B4）**：\n     - frame-to-map 因子：当前 live 帧 vs 最后完成子图的关键帧；map-to-map 因子：两个子图锚定帧之间；两者残差形式相同。\n     - 残差 Eqn.(8)：e = L(_S^a p) / sqrt(L_min²/9 + σ_z²·|∇L(_S^a p)|²)，其中 _S^a p = T_S^aS^b · _S^b p。\n     - 几何解释：假设沿梯度线性，点到最近表面距离 d = L/|∇L|，地图不确定度 σ_map = L_min/(3|∇L|)，总不确定度 σ = sqrt(σ_map² + σ_z²)（Eqn.(9)-(11)）。\n     - 优势：无需 ICP 的数据关联与法向量计算，占用值与梯度可直接从占用场查询；离群点大概率落在自由/未观测空间（梯度为零或无效）而被隐式抑制；整体思想类似 point-to-plane ICP（Sec. VI-B4）。\n     - 解析 Jacobian：对 T_WS^a、T_WS^b 用链式法则推导（Eqn.(12)-(13)），在 Ceres 中实现（Sec. VII-A）。\n5. **优化问题**：Eqn.(14) 联合最小化视觉 + IMU + 位姿图 + frame-to-map + map-to-map 五类项，含鲁棒核 ρ；集合 K/P/C(r)/L_k/M/A_b 定义各因子作用范围（Sec. VI-B5）。\n\n**推理/运行流程**\n实时滑动窗口优化（当前关键帧 + 非关键帧，挂接 frame-to-map 因子，每 live 状态 100 条残差）→ 子图完成时检测重叠最大的历史子图 → 聚合两帧间点云随机采样 1000 点构成 map-to-map 因子 → 加入因子图；后期 OKVIS2 关键帧位姿图阶段继续优化（Fig. 4 左右两阶段，Sec. VII-A）。\n\n### 3. 重要图表解读\n\n**Fig. 2（系统高层结构，Sec. IV）**\n展示完整数据流：LiDAR 点云经运动补偿后，一方面变换到地图系更新当前活跃子图的占用场，另一方面构造 live frame-to-map 因子进入实时优化；子图完成后检测重叠最大的历史子图并生成 map-to-map 因子。该图是理解『紧耦合』的关键证据：建图与估计不是解耦的两步后处理，LiDAR-地图约束直接反馈进状态估计器，区别于 Voxgraph [^6]、Wang et al. [^20][^7] 的松耦合后端对齐。\n\n**Fig. 4（因子图结构，Sec. VI-A）**\n左半为实时估计器：关键帧/非关键帧状态由 IMU 误差与视觉重投影误差连接，活跃子图关键帧与最后完成子图关键帧之间为每个实时帧添加 frame-to-map 误差；右半为后期 OKVIS2 位姿图：关键帧间以相对位姿误差连接，并加入 map-to-map 误差；每个子图连接前一子图，几何重叠超阈值时可选连接更早子图。该图解释了两类 LiDAR 因子在图中的挂接位置与稀疏化策略。\n\n## Table I（HILTI22 得分对比，Sec. VII-B）\n\n- 指标：HILTI 挑战赛得分（Eqn.(15)）：SE(3) Umeyama 对齐后按稀疏 GT 控制点计分，误差 <1cm 得 10 分、>10cm 得 0 分，每序列满分 100。\n- 关键读数：OKVIS2-LVI causal 仅 16.64 → 本文 causal 62.00；OKVIS2-VI（含回环）136.41 → 本文非因果（含最终 BA）427.65；对比 Wildcat 84.00（挑战赛时冠军）、VILENS 325.77、HKU(FAST-LIVO 系) 48.00。本文最终 427.65，当时排行榜第 7/53；最终估计对应平均 ATE 约 1–3cm，仅 exp07（长走廊、缺乏视觉与几何特征）约 7cm。\n- 公平性：所有序列用同一套参数；VI 基线使用相同 5 相机与视觉前端参数；但注意 VILENS 与 Wildcat 报告分数同样含离线 batch/位姿图优化（非因果），故表中区分 causal 与 non-causal 两行。\n\n## Table II（耗时与精度权衡，Exp15，Sec. VII-D）\n\n- Setup 1（100 live / 1000 map-to-map 残差）：优化 98.9±30.9 ms（≈10 Hz），地图积分 98.4±83.0 ms（≈10 Hz），causal ATE 2.5 cm。\n- Setup 2（50/500 残差 + 点云 3 倍降采样）：优化 79.3±25.0 ms（≈15 Hz），积分 38.2±34.5 ms（≈25 Hz），ATE 3.8 cm。\n- VI only：优化 49.0 ms，ATE 23.5 cm —— 说明 LiDAR 因子是精度提升的主要来源，且降采样仅带来轻微精度损失。\n\n### 4. 实验与评估细节\n\n- **数据集**：\n  - HILTI 2022 SLAM Challenge / Hilti-Oxford 数据集 [^8]：手持平台（Alphasense 五相机 + IMU + Hesai PandarXT-32 32 线 LiDAR）；8 条官方序列（工地 exp01-03、长走廊 exp07、Sheldonian 剧院 exp09/11/15/21，难度 e/m/h）+ 赛后新增工地序列 exp04-06（不计入总分）；毫米级稀疏 GT 与自动评测系统。\n  - 自采数据：Leica BLK2Fly 无人机（五相机 + 五 IMU 取一 + 单束双轴旋转 LiDAR），室外办公楼周边（Sec. VII-C2、Fig. 5），用于验证对不同 LiDAR 类型的泛化性。\n- **指标**：HILTI 得分（Eqn.(15)，基于 ATE）；另报告 causal ATE（Table II）。\n- **对比目标**：OKVIS2（VI 基线，含回环）、VILENS [^1]、HKU（基于 FAST-LIVO [^24]）、Wildcat [^5]。\n- **公平性处理**：统一参数跨序列；Kalibr [^26] 标定 + IMU-相机外参在线标定（作者自述性能对标定参数敏感，Sec. VII-B）；对比方法同样使用非因果优化，报告时区分 causal/non-causal。\n- **消融**：\n  - LiDAR 因子有无：Table I 中 OKVIS2-LVI vs OKVIS2-VI、本文 vs OKVIS2，验证 LiDAR 残差带来显著精度提升。\n  - 残差数量与降采样：Table II Setup 1 vs Setup 2，量化速度-精度权衡。\n- **建图定性评估**：Fig. 1（Exp21 全部子图叠加，占用场零交叉提取表面 mesh，重力对齐切片显示自由空间，无可辨子图间不一致）；Fig. 5（室外重建 + 轨迹 + 自由空间切片）。\n\n### 5. 系统架构图（适配 system archetype）\n\n``n        IMU 测量 ──────────────┐\n        多相机帧 ──────────────┤\n                               ▼\n                  ┌────────────────────────┐\n                  │  OKVIS2 VI 估计器       │◄──────────────────────┐\n                  │ (视觉+IMU+位姿图因子)    │                       │\n                  └────┬───────────────────┘                       │\n                       │ 状态估计                                    │ frame-to-map 因子\n                       ▼                                           │ (每 live 帧 100 条)\n        LiDAR 点云(无序) ──► ┌──────────────┐                       │\n                            │  运动补偿      │                       │\n                            └────┬─────────┘                       │\n                                 ▼                                 │\n                  ┌────────────────────────┐                       │\n                  │ Supereight2 占用建图     │──► 活跃子图更新         │\n                  │ (逐射线 log-odds 积分)   │                       │\n                  └────┬───────────────────┘                       │\n                       │ 已观测比例 < λ_overlap=0.4                  │\n                       ▼                                           │\n                  ┌──────────────┐        ┌──────────────┐          │\n                  │ 新子图生成/锚定 │───────►│  子图完成检测  │          │\n                  └──────────────┘        └──────┬───────┘          │\n                                                 ▼                  │\n                                     检测最大重叠历史子图 → 聚合点云     │\n                                                 │                  │\n                                     map-to-map 因子(1000 采样点) ─────┘\n                                                 │\n                                                 ▼\n                                  全球一致占用子图集合（导航/探索可用）\n``n\n**要点小结**：系统以 OKVIS2 因子图为骨架，核心创新是把 LiDAR-地图约束写成只依赖占用场值 L 与梯度 ∇L 的无对应残差（Eqn.(8)），以 frame-to-map 与 map-to-map 两种方式紧耦合进优化（Fig. 4、Eqn.(14)）；配合 Supereight2 子图策略（Sec. V-B）实现大规模可扩展性；实验（Table I/II）证明其达到 SOTA 定位精度（最终 427.65 分，平均 ATE 1–3cm）且子图全球一致、可直接服务下游导航任务。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E：第三遍精读——深度审查\n\n### 1. 可复现性重构（Reconstructability）\n\n**系统流水线伪代码**（依据 Sec. IV、Fig. 2、Sec. V–VI 重构）：\n\n``n输入: IMU 流, 立体相机帧, 可为无序的 LiDAR 点云\n初始化: OKVIS2 因子图 + 空活动子图（锚定于 IMU 系 F_S）\n\nfor 每帧数据:\n\n1. 状态估计: OKVIS2 滑窗优化\n     - 视觉重投影误差 (Eqn. 5)\n     - IMU 预积分误差 (Eqn. 6)\n     - 相对位姿误差 (Eqn. 7)\n2. 运动补偿: 用状态估计 + IMU 积分至各点时间戳，补偿 LiDAR 动态运动\n3. 地图更新: 变换到地图系 F_M 后按射线逐条更新活动子图 log-odds\n   (Eqn. 1–3, 逆传感器模型 Fig. 3, clamped 权重, 上传播/剪枝同 [^21])\n4. 子图创建判据: 逐帧计算 已观测空间测量数/总测量数\n   if ratio < λ_overlap (=0.4): 在下一个视觉关键帧处生成新子图 (Sec. V-B)\n5. 实时因子: 对滑窗内每个状态, 向\"最后完成的子图\"添加\n   100 个 frame-to-map 残差 (Eqn. 8)\n6. 子图完成时: 检测几何重叠最大的历史子图, 从两帧间聚合点云\n   随机采样 1000 个 map-to-map 残差加入因子图 (Fig. 4 右)\n7. Ceres 联合最小化 (Eqn. 14), 使用解析 Jacobian (Eqn. 12–13)\n\n``n\n**核心残差重构**（Eqn. 8–10, Sec. VI-B4）：\n\n- 距离外推：d = L/|∇L|（假设表面附近占用场沿梯度线性变化）\n- 地图不确定度：σ_map = L_min/(3|∇L|)\n- 加权残差：e = d/σ = L / sqrt(L_min²/9 + σ_z²·|∇L|²)，σ = sqrt(σ_map² + σ_z²)\n- 位姿扰动采用左扰动 δC = Exp(δα)·C̄（Eqn. 11），链式法则得解析 Jacobian（Eqn. 12–13）\n\n**复现缺口**：\n\n- 视觉前端参数（特征数、关键帧策略细节）未披露（Sec. VII-A 仅给 LiDAR 侧参数）\n- L_min、σ_z 具体数值未给出\n- LiDAR 因子是否使用鲁棒核 ρ 未说明（Eqn. 14 中视觉项有 ρ，LiDAR 项写作平方和）\n- \"最重叠子图\"判定阈值与在线 IMU-相机外参标定流程仅概述（Sec. VII-B）\n- 无代码发布，且自述性能对标定敏感 → 精确复现 Table I 得分风险较高\n\n### 2. 关键假设（Assumptions）\n\n- **占用场局部线性**：残差推导假设查询点附近 log-odds 场沿梯度方向线性变化（Eqn. 9, Sec. VI-B4），从而 d = L/|∇L| 成立；在薄结构、边缘处梯度噪声大时失效。\n- **测量点应位于表面**：每个 LiDAR 点被假设落在 3D 地图某表面上（Sec. VI-B4 开头），动态物体或穿透性噪声违反该假设。\n- **离群点落于自由/未观测空间**：隐式外点抑制依赖\"外点大概率处于梯度为零或无效区域\"（Sec. VI-B4 末段），若外点恰落在错误表面附近则无法剔除。\n- **高斯传感器噪声 + 全局固定饱和值**：σ_z 视为传感器高斯不确定度，L_min 为全局配置参数（Eqn. 8–10），未建模随距离/入射角变化的真实噪声（作者于 Sec. VIII 自认）。\n- **子图内局部漂移可忽略**：子图策略前提是局部漂移足够小以保持子图内部准确一致（Sec. I），依赖 VI 里程计短时精度。\n- **标定质量充分**：性能对 IMU-相机外参显著敏感，需 Kalibr 离线标定并辅以在线标定（Sec. VII-B）。\n\n### 3. 失效模式与盲区（Failure Modes / Blind Spots）\n\n- **几何+视觉双重退化环境**：exp07 长走廊缺乏视觉与几何特征，得分仅 0–13.33，平均 ATE 约 7 cm（Sec. VII-B），说明 LiDAR 占用残差在走廊/隧道等自相似几何中无法挽救估计，且无显式退化检测/降权机制。\n- **对标定敏感**：不同标定参数下各序列表现差异显著，被迫引入在线外参标定（Sec. VII-B）；标定误差会直接传播到地图全局一致性。\n- **计算瓶颈与精度-速度权衡**：Setup 1 优化约 98.9 ms/帧（≈10 Hz），降采样后提速至 ≈15 Hz、地图集成 25 Hz，但因果 ATE 从 2.5 cm 恶化到 3.8 cm（Table II）；对高分辨率/高频率 LiDAR 实时性存疑。\n- **建图质量仅定性评估**：Sec. VII-C 仅有可视化（Fig. 1、Fig. 5），无地图精度/一致性定量指标；动态物体与长期变化环境未讨论。\n\n### 4. 优势与不足（Strengths & Weaknesses）\n\n**优势**：\n\n1. **真正紧耦合**：子图对齐残差直接进入状态估计器因子图（Fig. 4），与 Voxgraph [^6]、Wang et al. [^7][^20] 的松耦合后端位姿图优化有本质区别，地图与估计始终一致（Sec. II、VI）。\n2. **无对应（correspondence-free）LiDAR 残差**：直接查询占用值与梯度（Eqn. 8），省去 ICP 数据关联与法向量计算，并隐式抑制外点（Sec. VI-B4）。\n3. **解析 Jacobian + Ceres 实现**（Eqn. 12–13, Sec. VII-A），工程可落地、可微调。\n4. **定位达 SOTA 水平**：HILTI22 总分 427.65（53 队第 7），显著优于 VI 基线 OKVIS2 的 136.41（Table I）；最终估计平均 ATE 约 1–3 cm。\n5. **传感器通用性**：无需距离图像投影，逐射线积分，适配 32 线 PandarXT-32 与单束双轴旋转 BLK2Fly（Sec. V-A、VII-C2）。\n6. **地图可直接用于下游导航**：显式表达观测自由空间（Fig. 1、Fig. 5）。\n\n**不足**：\n\n1. **绝对精度仍落后 Wildcat**（522.24 vs 427.65，Table I），多数序列单项得分低于 Wildcat。\n2. **退化场景鲁棒性不足**（exp07），缺少退化感知的因子加权或剔除机制。\n3. **残差采样策略粗糙**：固定 100/1000 个残差 + 均匀随机采样（Sec. VII-A），未利用几何信息（作者自认，Sec. VIII）。\n4. **不确定性模型过于简化**：固定 L_min、单一 σ_z（Eqn. 8–10）。\n5. **无开源代码**且对标定敏感，第三方复现门槛高。\n6. **建图评估不定量**，\"全球一致\"声明缺乏数值支撑。\n\n### 5. 下一步研究方向（Next-Step Research）\n\n- **更真实的 LiDAR 不确定性模型**：建模随距离、入射角、反射率变化的 σ_z，替代固定参数（Sec. VIII 明确列出）。\n- **信息驱动的扫描降采样**：利用几何特征（曲率、边缘/平面性）选择残差点，替代均匀随机采样，兼顾精度与实时性（Sec. VIII）。\n- **视觉前端失效鲁棒性**：在光照剧变/纹理缺失场景引入 LiDAR 先验辅助重初始化或退化感知加权，提升挑战场景稳健性（Sec. VIII）。\n- **扩展为完整探索框架**：基于子图的真实世界自主导航与探索闭环（Sec. VIII）；可进一步引入子图检索式回环、动态物体处理与建图质量的定量基准。\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 30 条）\n\n### 1. SLAM（Simultaneous Localisation and Mapping，同步定位与建图）\n\n- 定义：机器人在未知环境中同时估计自身状态（位姿）并增量构建环境地图的问题。\n- 直觉：类似“蒙眼走迷宫时边记路边画地图”——定位与建图互为依赖。\n- 论文角色：全文核心任务；本文提出紧耦合 LVI-SLAM 与占用建图的统一框架（Sec. I、Sec. IV）。\n- 前置知识：状态估计、概率机器人学基础。\n\n## 2. Tightly-Coupled（紧耦合）\n\n- 定义：多传感器融合方式，将各传感器的原始测量或其误差残差直接放入同一优化/滤波问题中联合估计。\n- 直觉：所有传感器证据在同一“法庭”（目标函数）中同时被权衡，而非各自先出结论再合并。\n- 论文角色：本文核心卖点——LiDAR 残差直接进入 OKVIS2 因子图，与视觉、IMU 因子联合优化（Abstract、Sec. VI-A）；与松耦合方法（如 Voxgraph 将子图对齐解耦到后端）形成对比（Sec. I、Sec. II）。\n- 前置知识：非线性最小二乘、因子图优化。\n\n## 3. Loosely-Coupled（松耦合）\n\n- 定义：各模块先独立求解中间结果（如位姿、配准变换），再作为约束输入另一优化问题的融合方式。\n- 直觉：先各自“打草稿”，再交换结论；信息在传递中会有损失。\n- 论文角色：作为对比对象——多数已有 SLAM+建图方法将子图全局对齐解耦为松耦合优化（Sec. I）。\n- 前置知识：模块化系统设计。\n\n## 4. LiDAR（Light Detection and Ranging，激光雷达）\n\n- 定义：通过发射激光并测量返回时间/相位获取周围环境距离测量的传感器，输出点云。\n- 直觉：蝙蝠回声定位的光学版本，直接给出“多远”的几何信息。\n- 论文角色：第三类传感器输入；其点云既用于建图（Sec. V）也用于构造无对应残差（Sec. VI-B4）。\n- 前置知识：点云、测距原理。\n\n## 5. IMU（Inertial Measurement Unit，惯性测量单元）\n\n- 定义：包含陀螺仪与加速度计的传感器，高频输出角速度与比力测量。\n- 直觉：内耳的前庭系统——短时精确但长时漂移。\n- 论文角色：提供高频运动先验，用于运动补偿（Sec. IV）与 IMU 预积分因子（Sec. VI-B2）；子图锚定于 IMU 坐标系（Sec. V-B）。\n- 前置知识：惯性导航、偏置（bias）概念。\n\n## 6. Factor Graph（因子图）\n\n- 定义：二分图，节点为待估计变量（位姿、速度、偏置等），边（因子）为测量残差约束；SLAM 常表述为在其上的最大后验/非线性最小二乘优化。\n- 直觉：把“所有测量如何互相牵制”画成一张网，求解让全网张力最小的变量取值。\n- 论文角色：估计器的骨架——在 OKVIS2 因子图上新增 frame-to-map 与 map-to-map 两类 LiDAR 因子（Fig. 4、Sec. VI-A）。\n- 前置知识：概率图模型、非线性优化。\n\n## 7. Occupancy Mapping / Occupancy Field（占用建图/占用场）\n\n- 定义：将三维空间离散化为体素，每个体素存储其被占据概率（常以 log-odds 存储）的概率地图表示。\n- 直觉：给空间每个小格子打分：“这里多半是墙/多半是空的/没看过”。\n- 论文角色：本文的地图表示；占用值 L 与梯度 ∇L 直接用于构造 LiDAR 残差（Eqn. (8)），并显式表达自由空间以支持导航（Sec. I、Sec. V-A）。\n- 前置知识：概率论、体素化。\n\n## 8. Log-odds（对数几率）\n\n- 定义：概率 p 的变换 log(p/(1-p))，将占用概率映射到实数轴，便于加法式贝叶斯更新。\n- 直觉：把“证据累加”变成简单加法：正数越大概率越大，负数越小概率越小。\n- 论文角色：占用更新的数学载体（Eqn. (1)–(3)）；残差公式中 L_min 为饱和最小 log-odds 值（Sec. VI-B4）。\n- 前置知识：贝叶斯更新、对数运算。\n\n## 9. Inverse Sensor Model（逆传感器模型）\n\n- 定义：给定一次距离测量，推断沿射线各点占用概率变化的模型；本文采用分段线性函数（Fig. 3）。\n- 直觉：“激光打到 5 m 处，则沿途是空的、端点是墙”这一规则的数学化。\n- 论文角色：决定占用场沿射线的更新形状（Fig. 3），其线性假设也被残差中“由 L 与 ∇L 外推距离 d”所复用（Sec. VI-B4）。\n- 前置知识：射线投射（ray casting）、测量不确定性。\n\n## 10. Submap / Submapping（子图/子图策略）\n\n- 定义：将全局地图划分为多个局部地图，各自在局部漂移受限下保持精确一致，再通过子图间约束维持全局一致性。\n- 直觉：把长卷轴地图拆成一页页册子，每页内部工整，页与页之间再对齐装订。\n- 论文角色：实现大规模可扩展性的关键机制；子图创建由测量重叠率阈值 λ_overlap 触发（Sec. V-B），子图对齐通过 map-to-map 因子紧耦合进估计器（Sec. VI-A）。\n- 前置知识：位姿漂移概念、Atlas 框架思想（文献 [^17]）。\n\n## 11. Frame-to-Map Factor（帧到地图因子）\n\n- 定义：将当前实时帧的 LiDAR 点云与最近完成的子图对齐所构造的残差因子，约束实时状态估计。\n- 直觉：让“此刻的扫描”贴到“已有的地图”上，实时校正位姿。\n- 论文角色：两类新 LiDAR 因子之一；每个实时状态添加 100 个此类残差（Sec. VI-A、Sec. VII-A），显著提升因果（causal）精度（Table I、Table II）。\n- 前置知识：点云配准、残差加权。\n\n## 12. Map-to-Map Factor（地图到地图因子）\n\n- 定义：两个已完成子图之间基于聚合点云构造的对齐残差因子，用于消除子图间漂移、维持全局一致性。\n- 直觉：两页地图在重叠处“对齐花纹”，把累积漂移拉回来。\n- 论文角色：第二类 LiDAR 因子；子图完成后与最重叠的历史子图建立 1000 个残差（Sec. IV、Sec. VII-A），是全局一致性的来源（Fig. 1）。\n- 前置知识：点云配准、回环概念。\n\n## 13. Correspondence-Free Residual（无对应残差）\n\n- 定义：不需要显式点-点/点-面数据关联的残差形式；本文直接由占用场值 L 与梯度 ∇L 外推点到最近表面的距离 d = L/|∇L|（Eqn. (9)）。\n- 直觉：ICP 要“找配对”，此方法像查一张连续的“距离地形图”，任意点一查即知离表面多远。\n- 论文角色：本文核心方法创新（Abstract、贡献点 2）；省去 ICP 的昂贵数据关联与法向量计算（Sec. VI-B4）。\n- 前置知识：梯度、距离场概念、ICP 流程。\n\n## 14. ICP（Iterative Closest Point，迭代最近点）\n\n- 定义：通过迭代寻找最近点对应并求解刚体变换使两点云对齐的经典配准算法；点到面（point-to-plane）变体最小化点到目标表面平面的距离。\n- 直觉：反复“就近配对→算变换→再配对”直到收敛。\n- 论文角色：本文方法的对照物——作者指出其残差优化“类似 point-to-plane ICP 但免去数据关联与法向计算”（Sec. VI-B4）；相关工作 [^7][^18] 用 ICP 对齐子图。\n- 前置知识：刚体变换、最近邻搜索。\n\n## 15. OKVIS2\n\n- 定义：Leutenegger 提出的基于关键帧、含回环检测的优化式视觉-惯性 SLAM 系统（文献 [^22]），本文估计器的基座。\n- 直觉：本文的“发动机”——提供视觉重投影、IMU 预积分、位姿图等既有因子。\n- 论文角色：状态向量、视觉/IMU/相对位姿因子均沿用 OKVIS2（Sec. III-A、Sec. VI-B1–3）；实验中作为 VI 基线（Table I）。\n- 前置知识：VI-SLAM、关键帧滑窗优化。\n\n## 16. Supereight2\n\n- 定义：基于八叉树的自适应分辨率体积建图框架，显式表达自由空间（文献 [^21]），本文建图模块的基础。\n- 直觉：本文的“画布”——近处精细、远处粗糙的多分辨率占用地图。\n- 论文角色：作者为其新增逐射线积分接口以适配动态 LiDAR（Sec. V-A）；子图最大尺寸 15.36 m、最细分辨率 3 cm（Sec. VII-A）。\n- 前置知识：八叉树、多分辨率表示。\n\n## 17. Octree（八叉树）\n\n- 定义：递归将三维空间每节点分为八个子节点的树结构，用于稀疏多分辨率体素存储。\n- 直觉：空间版的四叉树——哪里有内容才细分，节省内存。\n- 论文角色：占用地图的底层数据结构；配合上传播（up-propagation）与剪枝（pruning）保持树一致性与尽量粗的分辨率（Sec. V-A）。\n- 前置知识：树结构、空间索引。\n\n## 18. TSDF / ESDF（截断符号距离函数/欧氏符号距离函数）\n\n- 定义：TSDF 在表面附近截断存储到表面的带符号距离；ESDF 在全空间存储到最近表面的欧氏距离，其梯度指向表面。\n- 直觉：距离场像“等高线地形图”，零等高线即表面。\n- 论文角色：对比方法 Voxgraph（文献 [^6]）基于 TSDF/ESDF 构造无对应残差；本文直接用占用场替代，免去提取 ESDF 的开销（Sec. II）。\n- 前置知识：符号距离、体素场。\n\n## 19. IMU Preintegration（IMU 预积分）\n\n- 定义：将两时刻间的 IMU 测量积分为一个相对运动约束（Forster et al.，文献 [^23]），可对偏置做一阶修正。\n- 直觉：把一段高频惯性读数“打包”成一个因子，避免每次位姿变化都重新积分。\n- 论文角色：OKVIS2 的 IMU 误差因子基础（Eqn. (5)、Sec. VI-B2）。\n- 前置知识：流形上的积分、偏置线性化。\n\n## 20. Visual Reprojection Error（视觉重投影误差）\n\n- 定义：将三维路标点按当前位姿估计投影回图像平面，与观测像素坐标之差（Eqn. (4)）。\n- 直觉：“按我猜的相机位置，这个点应该出现在这里——实际却在那里”，差值即误差。\n- 论文角色：OKVIS2 视觉因子（Sec. VI-B1），与 LiDAR 因子共同构成总代价（Eqn. (14)）。\n- 前置知识：针孔相机模型、三角化。\n\n## 21. Relative Pose Error（相对位姿误差）\n\n- 定义：约束两时刻间相对位姿的残差，用于 OKVIS2 后端位姿图（Eqn. (6)）。\n- 直觉：不关心绝对位置，只约束“从 A 到 B 走了多远、转了多少”。\n- 论文角色：构成因子图右侧位姿图部分（Fig. 4），支撑回环后的全局优化。\n- 前置知识：SE(3) 位姿、回环检测。\n\n## 22. Bundle Adjustment（BA，捆绑调整）\n\n- 定义：联合优化相机位姿与路标点以最小化重投影误差的经典方法；此处也指最终包含全部约束的批量优化。\n- 直觉：把所有照片和所有点一起“对焦”，全局微调。\n- 论文角色：非因果（non-causal）最终估计包含最终 BA（Sec. VII-B、Table I）。\n- 前置知识：非线性最小二乘、稀疏求解。\n\n## 23. Motion Compensation（运动补偿）\n\n- 定义：利用状态估计与 IMU 积分将扫描内不同时刻的 LiDAR 点变换到统一时刻，消除传感器运动导致的点云畸变。\n- 直觉：扫描仪“边转边拍”，需把每束光“倒放”回同一瞬间。\n- 论文角色：LiDAR 点云进入建图与 frame-to-map 因子构造前的必要步骤（Sec. IV、Fig. 2）。\n- 前置知识：连续时间位姿插值、传感器时间戳。\n\n## 24. Keyframe（关键帧）\n\n- 定义：从图像帧序列中按一定准则挑选的、用于优化的代表性帧。\n- 直觉：不是每张照片都存档，只留信息量大的“代表作”。\n- 论文角色：子图锚定于关键帧位姿 T_WS^k（Sec. V-B）；因子图中区分关键帧与非关键帧状态（Fig. 4）。\n- 前置知识：视觉前端、视差准则。\n\n## 25. ATE（Absolute Trajectory Error，绝对轨迹误差）\n\n- 定义：估计轨迹与真值轨迹对齐后对应点位置误差的度量；HILTI 基准据此给出 0–100 分制评分（Eqn. (15)）。\n- 直觉：走完一圈后“你实际站的位置 vs 地图上你该在的位置”的平均偏差。\n- 论文角色：主要定量指标（Sec. VII-B、Table I、Table II）；最终得分 427.65，对应平均 ATE 约 1–3 cm（exp07 长走廊约 7 cm）。\n- 前置知识：Umeyama 对齐、轨迹评估。\n\n## 26. SE(3) / SO(3) 与流形扰动\n\n- 定义：SE(3) 为三维刚体变换群，SO(3) 为旋转群；优化中用切空间扰动 δχ_T = [δr, δα] 参数化位姿误差（Eqn. (10)）。\n- 直觉：旋转不能简单加减，需在“弯曲空间”的切平面上做线性化。\n- 论文角色：记号体系（Sec. III-B）与解析 Jacobian 推导（Eqn. (10)–(13)）的数学基础。\n- 前置知识：李群李代数、四元数。\n\n## 27. Analytic Jacobian（解析雅可比）\n\n- 定义：残差对状态变量导数的闭式表达式，而非数值微分；本文经链式法则推导（Eqn. (12)–(13)）。\n- 直觉：给出“误差随状态变化的精确斜率公式”，比数值试探更快更稳。\n- 论文角色：在 Ceres 中实现解析雅可比以提升优化效率（Sec. VII-A）。\n- 前置知识：多元微积分、链式法则。\n\n## 28. HILTI 2022 SLAM Challenge / Hilti-Oxford Dataset\n\n- 定义：基于手持多传感器设备（Alphasense 五相机、IMU、Hesai PandarXT-32 LiDAR）采集的毫米级精度 SLAM 基准（文献 [^8]），含 11 条不同难度序列（工地/长走廊/剧院）。\n- 直觉：建筑工地+剧院场景的“期末考试”，自动评分系统按 ATE 打分。\n- 论文角色：主要定量评测平台（Sec. VII-B、Table I）；Fig. 1 展示 Exp21 的建图结果。\n- 前置知识：基准评测、真值获取。\n\n## 29. Free Space Representation（自由空间显式表达）\n\n- 定义：地图不仅记录表面/占据，还显式标记“确定无障碍”的区域。\n- 直觉：导航需要知道“哪里能走”，而不只是“哪里有墙”。\n- 论文角色：本文选择占用地图而非特征/点云/面元表示的根本动机（Sec. I、Sec. II）；Fig. 1/Fig. 5 蓝色切片即提取的自由空间。\n- 前置知识：路径规划对地图的需求。\n\n## 30. Kalibr / Ceres Solver\n\n- 定义：Kalibr 为多传感器标定工具箱（文献 [^26]）；Ceres 为谷歌非线性最小二乘优化库（文献 [^25]）。\n- 直觉：一个是“量尺”（标定外参），一个是“求解器引擎”。\n- 论文角色：Kalibr 用于相机-IMU 外参标定并辅以在线标定（Sec. VII-B）；Ceres 承载全部因子优化并使用解析雅可比（Sec. VII-A）。\n- 前置知识：相机-IMU 标定、稀疏非线性优化。\n\n### 二、概念依赖图（Concept Dependency Map，纯文本）\n\n【数学基础层】\n\n- SE(3)/SO(3) 与流形扰动、李群/四元数 → 刚体变换记号 T_AB（Sec. III-B）\n- 雅可比/链式法则 → 解析雅可比（Eqn. (12)–(13)）\n- 贝叶斯更新/对数几率 → Log-odds 占用更新（Eqn. (1)–(3)）\n\n【传感器与数据层】\n\n- LiDAR / IMU / 立体相机 → 点云 + 运动补偿（Sec. IV）\n- IMU 预积分 → IMU 因子（Eqn. (5)）\n- 相机投影模型 → 视觉重投影误差（Eqn. (4)）\n\n【地图表示层】\n\n- 八叉树 → Supereight2 自适应分辨率建图\n- 逆传感器模型（Fig. 3）→ 占用场（log-odds）\n- 占用场值 L 与梯度 ∇L → 距离外推 d = L/|∇L|（Eqn. (9)）\n- 自由空间显式表达 → 可直接用于导航（Sec. I）\n\n【核心方法层】\n\n- 因子图 → OKVIS2（视觉 + IMU + 位姿图因子）\n- 子图策略（λ_overlap 触发，Sec. V-B）\n  - → Frame-to-Map 因子（实时状态 vs 最近完成子图）\n  - → Map-to-Map 因子（子图锚帧之间）\n- 无对应残差（占用值 + 梯度，Eqn. (8)）→ 支撑上述两类因子（对比：ICP 需数据关联；Voxgraph 需 ESDF）\n\n【评测层】\n\n- ATE / Umeyama 对齐 → HILTI 2022 评分（Eqn. (15)）\n- Ceres 解析雅可比 → 实时性（Table II：优化约 10→15 Hz）\n\n依赖主线总结：概率占用建图（log-odds + 逆传感器模型）提供可高效查询的场值与梯度 → 免数据关联的无对应 LiDAR 残差 → 以 frame-to-map / map-to-map 两类因子紧耦合进 OKVIS2 因子图 → 子图策略保证大规模全局一致性 → 在 HILTI22 上达到 SOTA 定位精度并输出可直接用于导航的一致占用地图。\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. 关键事实性声明核验（每条给出至少两个文内定位，外部可核实项标注状态）\n\n### 声明 1：系统 = OKVIS2 因子图扩展 + Supereight2 占用建图适配\n\n- 来源 1：Sec. III-A：明确以 OKVIS2 [^22] 为估计起点、以 Supereight2 [^21] 的适配为建图基础。\n- 来源 2：Sec. IV 与 Fig. 2（系统总览）；Sec. V-A（为 Supereight2 新增 per-ray 积分接口）；Sec. VI 与 Fig. 4（在 OKVIS2 因子图上新增两类 LiDAR 因子）。\n- 外部核实：OKVIS2（arXiv:2202.09199, Leutenegger 2022）与 Supereight2（Funk et al., IEEE RA-L 6(2), 2021）均为真实文献，作者关联一致。✓\n\n### 声明 2：HILTI 2022 SLAM Challenge 评测设置\n\n- 内容：Alphasense 五相机 + IMU + Hesai PandarXT-32；11 条序列（Exp01–03 工地、Exp07 办公楼长走廊、Exp09/11/15/21 Sheldonian Theatre、后补 Exp04–06）；毫米级稀疏 GT；0–10 分控制点评分，总分公式 Eqn. (15)。\n- 来源 1：Sec. VII-B 正文。\n- 来源 2：Table I（序列列与 e/m/h 难度标注）+ 参考文献 [^8]。\n- 外部核实：Hilti-Oxford 数据集论文（Zhang et al., RA-L 8(1), pp.408–415）确认传感器配置与评分机制。✓（注意：RA-L 第 8 卷第 1 期对应 2023 年，文中 [^8] 标 2022，疑为小误差）\n\n## 声明 3：最终得分 427.65、排名 7/53\n\n- 来源 1：Sec. VII-B 文字（a final score of 427.65 achieves rank 7 out of 53 submissions）。\n- 来源 2：Table I 非因果行（含最终 BA）在 8 个计分序列求和：62.31+39.09+42.35+13.33+38.12+92.00+64.44+76.00 = 427.64，与 427.65 仅差舍入 0.01，内部自洽 ✓。\n- 口径提醒：因果行 8 序列求和为 254.06，不等于 427.65；427.65 为非因果口径。\n- 外部核实：排名属时效性数据，需访问 HILTI 官方 leaderboard 核实。△\n\n## 声明 4：加入 LiDAR 因子显著提升 OKVIS2 精度\n\n- 来源 1：Sec. VII-B 文字（adding LiDAR factors increases the accuracy of OKVIS2 significantly）。\n- 来源 2：Table I：含回环的 VI 基线 8 序列总分 272.82 vs 本文非因果 427.64（约 +57%）；Table II：Exp15 causal ATE 由 23.5 cm（VI only）降至 2.5 cm（LVI Setup 1）。✓\n\n## 声明 5：无对应（correspondence-free）LiDAR 残差 Eqn. (8) 推导自洽\n\n- 来源 1：Sec. VI-B4，Eqn. (8)–(10)：d = L/|∇L|，σ_map = L_min/(3|∇L|)，σ = √(σ_map² + σ_z²)；解析 Jacobian Eqn. (11)–(13)。\n- 来源 2：Fig. 3 逆传感器模型（L_min 在 3σ 处饱和），与 σ_map 表达式中 L_min/3 的 3σ 语义对应；Sec. VI-B4 末段自述与 point-to-plane ICP 的等价性及免数据关联优势。\n- 外部核实：该思路与 Voxgraph [^6] 的 ESDF-based correspondence-free 残差同源（文中亦自述），差异在于直接使用 occupancy 场、免 ESDF 提取。✓\n\n## 声明 6：exp07 长走廊退化、平均 ATE ≈ 7 cm\n\n- 来源 1：Sec. VII-B 文字（mean ATE of approximately 7 cm）。\n- 来源 2：Table I exp07 非因果得分 13.33；按评分规则（<1 cm→10 分、>10 cm→0 分）插值约对应 7–8 cm ATE，与文字一致；且 causal 得分为 0.00（>10 cm），进一步印证退化。✓\n\n## 声明 7：实现与计算参数\n\n- 来源 1：Sec. VII-A：i7-11700K / 64 GB RAM、Ceres [^25] + 解析 Jacobian、λ_overlap = 0.4、每 live 状态 100 个 frame-to-map 残差、每子图对 1000 个 map-to-map 残差、子图最大 15.36 m、最细分辨率 3 cm。\n- 来源 2：Sec. V-B（λ_overlap 触发新子图机制）；Sec. VI-A 与 Fig. 4（两类残差进入因子图）；15.36 m = 512 × 3 cm，与八叉树多分辨率结构自洽。✓\n\n## 声明 8：计时与精度权衡\n\n- 来源 1：Sec. VII-D 文字：优化约 10 Hz→近 15 Hz；建图积分 10 Hz→25 Hz；精度仅轻微下降。\n- 来源 2：Table II：优化 98.9±30.9 ms→79.3±25.0 ms；Batch Integration 98.4±83.0→38.2±34.5 ms；Exp15 causal ATE 2.5→3.8 cm。✓\n\n## 声明 9：Leica BLK2Fly 室外验证\n\n- 来源 1：Sec. VII-C2：五相机、五 IMU（仅用其一）、单束双轴旋转 LiDAR。\n- 来源 2：Fig. 5（室外重建、自由空间切片、估计轨迹）。\n- 外部核实：BLK2Fly 为 Leica 真实产品，描述相符；但该自采数据未提供下载链接，无法独立复核。△\n\n## 声明 10：参考文献真实性抽查\n\n- [^22] OKVIS2 arXiv:2202.09199 ✓；[^5] Wildcat arXiv:2205.12595 ✓；[^21] Supereight2 RA-L 2021 ✓；[^19] OctoMap（Autonomous Robots 2013）✓；[^25] Ceres Solver GitHub ✓；[^26] Kalibr 引 Maye et al. IV 2013 ✓（Kalibr 官方引用之一）。\n- 小误差：[^23] Forster 预积分正式卷期为 T-RO 33(1), 2017（文中标 2016）；[^8] RA-L 8(1) 对应 2023（文中标 2022）；[^9] LOAM 的卷期格式（vol.2, no.9, pp.1–9）不符合 RSS 惯例，但作品指向正确。\n\n### 2. 冲突与不确定性说明\n\n1. **venue 与年份缺失**：文档未注明发表载体与年份；双栏会议排版、引用截至 2022，推断为 2022–2023 会议论文；外部信息指向 ICRA 2023，需核实（注意 arXiv 版与会议版可能存在差异）。\n2. **作者单位缺失**：仅上标 1,2,3，无单位名称；据作者履历推测涉及 TUM / Imperial College London / SLAMcore，须以正式出版版本核实。\n3. **state-of-the-art 声明与 Table I 的张力**：按 8 序列求和，VILENS 591.54、Wildcat 563.81 均高于本文 427.65（排名 7/53）。作者以「Wildcat 为当时挑战赛冠军」及「VILENS/Wildcat 使用了离线批或位姿图优化」作限定。更稳妥的表述是：在紧耦合在线框架内达到与 SOTA 同一量级的精度，而非绝对第一。\n4. **得分口径易混淆**：427.65 = 非因果（含最终 BA）8 序列之和；因果口径为 254.06。引用时必须注明口径。\n5. **Table I 勾选标记歧义**：OKVIS2 两行的传感器/评估列勾选与表头（C/L/V）对齐存在排版歧义；结合正文推断第一行为 LVI 因果评估（8 序列和仅 33.28）、第二行为 VI 基线。\n6. **复现风险**：文中自述性能对 IMU-相机外参标定敏感并采用在线标定（Sec. VII-B）；未提供代码与完整配置，Table I 得分难以精确复现。\n7. **基线成熟度**：Table I 中 HKU 行基于 [^24] Fast-LIVO（2022，当时为预印本/未正式发表），对比结论受其版本影响。\n8. **排名时效性**：7/53 为撰写时排行榜状态，非最终排名。\n9. **退化场景残留**：exp07（长走廊、缺乏视觉与几何特征）causal 得分 0.00、非因果仅 13.33，说明特征匮乏环境下系统仍受限（Sec. VII-B），与结论中的乐观表述需并读。\n\n### 3. 参考文献列表（文内编号 → 简要条目）\n\n- [^1] Wisth, Camurri, Fallon. VILENS. IEEE T-RO 39(1), 2022.\n- [^2] Lin, Zhang. R3LIVE. ICRA 2022.\n- [^3] Shan, Englot, Ratti, Rus. LVI-SAM. ICRA 2021.\n- [^4] Dellenbach et al. CT-ICP. ICRA 2022.\n- [^5] Ramezani et al. Wildcat: Online Continuous-Time 3D LiDAR-Inertial SLAM. arXiv:2205.12595, 2022.\n- [^6] Reijgwart et al. Voxgraph. IEEE RA-L 5(1), 2019.\n- [^7] Wang et al. Strategies for Large Scale Elastic and Semantic LiDAR Reconstruction. Robotics and Autonomous Systems 155, 2022.\n- [^8] Zhang et al. Hilti-Oxford Dataset. IEEE RA-L 8(1), pp.408–415（文中标 2022，卷期对应 2023）.\n- [^9] Zhang, Singh. LOAM. RSS 2014.\n- [^10] Shan et al. LIO-SAM. IROS 2020.\n- [^11] Xu, Zhang. FAST-LIO. IEEE RA-L 6(2), 2021.\n- [^12] Xu et al. FAST-LIO2. IEEE T-RO 38(4), 2022.\n- [^13] Liu, Zhang. BALM. IEEE RA-L 6(2), 2021.\n- [^14] Mourikis, Roumeliotis. MSCKF. ICRA 2007.\n- [^15] Zuo et al. LIC-Fusion. IROS 2019.\n- [^16] Zuo et al. LIC-Fusion 2.0. IROS 2020.\n- [^17] Bosse et al. Atlas Framework for Scalable Mapping. ICRA 2003.\n- [^18] Ho et al. Virtual Occupancy Grid Map. IROS 2018.\n- [^19] Hornung et al. OctoMap. Autonomous Robots 34, 2013.\n- [^20] Wang et al. Elastic and Efficient LiDAR Reconstruction for Large-Scale Exploration Tasks. ICRA 2021.\n- [^21] Funk et al. Supereight2（Multi-resolution 3D Mapping with Explicit Free Space Representation）. IEEE RA-L 6(2), 2021.\n- [^22] Leutenegger. OKVIS2: Realtime Scalable Visual-Inertial SLAM with Loop Closure. arXiv:2202.09199, 2022.\n- [^23] Forster, Carlone, Dellaert, Scaramuzza. On-Manifold Preintegration. IEEE T-RO 33(1)（正式年份 2017，文中标 2016）.\n- [^24] Zheng et al. Fast-LIVO. 2022（预印本）.\n- [^25] Agarwal, Mierle, Ceres Team. Ceres Solver. GitHub, 2022.\n- [^26] Maye, Furgale, Siegwart. Self-Supervised Calibration for Robotic Systems. IEEE IV 2013（Kalibr 工具箱引用之一）。\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#### 图（Figures）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 关键数值/得分 |\n|---|---|---|---|---|---|\n| Fig. 1 | Exp21（HILTI SLAM Challenge）所有子图叠加的占用场水平切片与 3D 重建：棕色为从占用场零交叉提取的表面网格，蓝色为重力对齐切片的自由空间，绿色为估计轨迹 | 定性结果可视化 | Sec. I（第 1 页）；Sec. VII-C1 引用 | 系统产生全球一致、可直接用于导航/探索的占用子图，子图间无不一致 | 定性，无量化得分 |\n| Fig. 2 | 紧耦合 LVI-SLAM 与子图建图框架高层结构：LiDAR 点云经运动补偿后用于构建 live frame-to-map 因子并更新活动子图；子图完成后检测最大重叠旧子图并加入 map-to-map 因子 | 系统架构/数据流图 | Sec. IV | 建图模块与估计器通过两类 LiDAR 因子实现紧耦合 | 定性 |\n| Fig. 3 | Supereight2 逆传感器模型（以 1m、5m 两个测量为例）：沿射线的 log-odds 占用概率为分段线性函数，表面前方在 3σ 处截断于最小值 L_min，线性增长至半表面厚度 τ(z_r) | 模型示意图 | Sec. V-A；Eqn. (8)–(10) 的推导基础 | 残差中的距离 d 与地图不确定度 σ_map 可由占用值 L 与梯度 ∇L 解析导出 | 参数：L_min、τ(z_r)、σ_z |\n| Fig. 4 | LVI 估计器优化因子图：左为实时估计器（关键帧/非关键帧状态由 IMU 误差与视觉重投影误差连接，含活动子图关键帧、最后完成子图关键帧及 live frame-to-map 因子）；右为 OKVIS2 后端位姿图，附加 map-to-map LiDAR 因子（每个子图连前一子图，几何重叠超阈值时再连更旧子图） | 因子图/方法结构图 | Sec. VI-A | 两类无对应（correspondence-free）LiDAR 残差被加入 OKVIS2 因子图，实现紧耦合 | 定性 |\n| Fig. 5 | 室外实例（Leica BLK2Fly 无人机，单波束双轴旋转 LiDAR）：重建（棕色）、自由空间水平切片（蓝色）、估计轨迹（绿色） | 定性结果可视化 | Sec. VII-C2 | 方法可泛化到不同 LiDAR 传感器类型（逐射线积分，避免稀疏距离图像投影） | 定性 |\n\n#### 表（Tables）\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 关键数值/得分 |\n|---|---|---|---|---|---|\n| Table I | HILTI22 SLAM Challenge 各序列评测得分（C/L/V 传感器组合；e/m/h 难度分级；粗体最佳、下划线次佳；exp04–06 灰显不计入最终总分） | 定量基准对比 | Sec. VII-B | 加入 LiDAR 因子显著提升 OKVIS2；本方法达到 state-of-the-art 定位精度 | Ours 最终（非因果）总分 427.65（排行榜第 7/53）；最终各序列：exp01 62.31、exp02 39.09、exp03 42.35、exp04 68.57、exp05 86.67、exp06 47.14、exp07 13.33、exp09 38.12、exp11 92.00、exp15 64.44、exp21 76.00；因果各序列：43.08/17.27/32.35/57.14/61.67/17.14/0.00/16.25/32.00/51.11/62.00；对比：Wildcat 563.81（8 序列）、VILENS 591.54、OKVIS2-LVI 基线 410.91、OKVIS2-CLI 88.04、HKU（基于 Fast-LIVO [^24]）402.94 |\n| Table II | Exp15 上优化与地图集成的每帧平均耗时（ms）及标准差 | 计算性能/配置消融 | Sec. VII-D | 系统可实时运行；降采样可在精度轻微损失下显著提速 | VI only：优化 49.0±16.6 ms，ATE 23.5 cm；LVI Setup 1：优化 98.9±30.9 ms、集成 98.4±83.0 ms、ATE 2.5 cm；LVI Setup 2（残差 50/500、点云 3 倍降采样）：优化 79.3±25.0 ms、集成 38.2±34.5 ms、ATE 3.8 cm；优化频率约 10 Hz→近 15 Hz，集成 10 Hz→25 Hz |\n\n### 2. 优先深度解读（Top-priority deep reads）\n\n1. **Fig. 4（因子图）**：全文方法核心。需对照 Sec. VI-A 文字与 Eqn. (14) 逐项核对：左图实时窗口内每个状态均连 live frame-to-map 因子（指向最后完成子图关键帧 C）；右图后端位姿图中每个子图连前一子图、重叠超阈值时再连更旧子图。注意图例区分活动/非活动误差项、估计变量/固定参数，这是理解“紧耦合”含义的关键证据。\n2. **Fig. 3（逆传感器模型）+ Eqn. (8)–(10)**：新残差公式的物理基础。d = L/|∇L| 与 σ_map = L_min/(3|∇L|) 直接由该分段线性模型外推；总不确定度 σ = √(σ_map² + σ_z²)。需审视线性假设与 L_min 截断对残差加权的影响，以及离群点落入自由/未观测空间（梯度为零或无效）被隐式剔除的机制（Sec. VI-B4）。\n3. **Table I（主基准）**：支撑“state-of-the-art 定位”的核心证据。注意三点：(a) 最终总分 427.65 只计 8 个原始序列（exp04–06 灰显），与表中 11 序列之和（约 630.02）区分；(b) 对比方法 VILENS、Wildcat 报告的也是离线 batch/位姿图优化结果，与本文非因果估计可比；(c) exp07 长走廊仅 13.33 分（平均 ATE 约 7 cm），暴露视觉/几何特征缺失场景的退化风险（Sec. VII-B）。\n4. **Table II（耗时-精度权衡）**：支撑实时性声明。Setup 1→2 将残差从 100/1000 减至 50/500 并对点云 3 倍降采样，优化 98.9→79.3 ms、集成 98.4→38.2 ms，ATE 仅从 2.5 cm 升至 3.8 cm；VI-only 基线 ATE 23.5 cm 同时量化了 LiDAR 因子的增益。\n5. **Fig. 2（系统架构）**：理解数据流与模块边界的入口。运动补偿依赖状态估计与 IMU 积分至每个点的时间戳；子图创建由重叠率阈值 λ_overlap = 0.4 触发（Sec. V-B、VII-A），子图最大尺寸 15.36 m、最细分辨率 3 cm。\n\n### 3. 图表关系 / 实验设置图\n\n- 传感器输入（IMU + 立体相机 + 无序 LiDAR 点云）\n  - ↓\n- **Fig. 2 系统架构**\n  - 运动补偿（状态估计 + IMU 积分至各点时间戳）\n  - **Fig. 3 逆传感器模型** → 占用场更新（Supereight2，log-odds，Eqn. (1)–(3)）\n    - ↓\n  - 子图策略（λ_overlap = 0.4 触发新子图，锚定关键帧位姿 T_WS^k）\n  - ↓\n- **Fig. 4 因子图**（OKVIS2 扩展 + Ceres 解析 Jacobian，Eqn. (11)–(13)）\n  - live frame-to-map 因子（当前帧 ↔ 最后完成子图，每帧 100 个残差）\n  - map-to-map 因子（子图锚帧 ↔ 重叠旧子图，每对 1000 个残差）\n  - ↓\n- 实验验证\n  - Table I：HILTI22 基准（11 序列；Kalibr 标定 + IMU-相机外参在线标定）\n  - Fig. 1：Exp21 子图叠加 → 全球一致性（定性）\n  - Fig. 5：BLK2Fly 室外数据 → 传感器泛化性（定性）\n  - Table II：Exp15 耗时 → 实时性（定量）\n\n关系要点：\n\n- Fig. 3 是 Fig. 4 中 LiDAR 因子的数学来源：占用值与梯度查询替代 ICP 数据关联。\n- Fig. 2 与 Fig. 4 是同一系统的两个视图（数据流视图 vs 优化结构视图）。\n- Fig. 1 / Fig. 5 验证建图支路输出；Table I / Table II 验证定位支路性能。\n\n### 4. 图表 → 结论映射\n\n| 论文结论（Abstract / Sec. VIII） | 支撑图表 | 证据强度与备注 |\n|---|---|---|\n| 紧耦合 LVI-SLAM 达到 state-of-the-art 定位精度 | Table I（最终 427.65，第 7/53）；Table II（ATE 2.5 cm vs VI-only 23.5 cm） | 强；但 exp07 退化（13.33 分，ATE≈7 cm），且对比方法同为离线优化结果 |\n| LiDAR 因子显著提升 OKVIS2 | Table I（OKVIS2-LVI 410.91 vs OKVIS2-CLI 88.04；Ours 427.65） | 强；同视觉前端同参数，控制变量较干净 |\n| 产生全球一致的占用子图，可直接用于导航/探索 | Fig. 1（Exp21 子图叠加无可见不一致）；Fig. 5（室外重建） | 定性为主，无地图精度量化指标 |\n| 无对应残差公式有效（免 ICP 数据关联与法向量计算） | Fig. 3 + Eqn. (8)–(13)（方法层）；Table I（精度间接验证） | 推导完整；但缺少与 ICP 残差的独立消融对比 |\n| 系统可实时运行且可通过降采样加速 | Table II（优化≈10→15 Hz，集成≈10→25 Hz，精度 2.5→3.8 cm） | 较强；仅 Exp15 单序列，硬件为 i7-11700K |\n| 对不同 LiDAR 传感器通用 | Fig. 5（单波束双轴旋转 LiDAR）；Sec. V-A（逐射线积分接口） | 定性；仅一个室外自采序列佐证 |\n\n### 5. 阅读提示与风险标注\n\n- Table I 中 HKU 行基于 [^24]（Fast-LIVO），且 VILENS、Wildcat、HKU 均缺 exp04–06 数据；跨方法总分比较实际仅覆盖 8 个原始序列。\n- Fig. 4 图例中“活动/非活动误差项”的区分对应实时窗口与后端位姿图两个优化阶段，读图时需结合 Eqn. (14) 中集合 K、P、M、A_b 的定义。\n- 文中未提供地图精度的定量指标（如重建误差），Fig. 1 / Fig. 5 的一致性声明仅靠目视判断，第三遍审查时应列为潜在弱点。\n- Fig. 3 的分段线性模型中 L_min 为配置参数，其取值同时影响建图饱和值与残差权重（Eqn. (8)–(10)），参数敏感性未单独消融。"
}