{
  "paper_id": "cb2e113c852f944418fd4b2d38433d02",
  "paper_title": "CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping",
  "paper_authors": [
    "Lei Zhao",
    "Xingyi Li",
    "Tianchen Deng",
    "Chuan Cao",
    "Han Zhang",
    "Weidong Chen"
  ],
  "publication_date": "",
  "publication_venue": "unknown",
  "abstract": "Maintaining stable and accurate localization during fast motion or on rough terrain remains highly challenging for mobile robots with onboard resources. Currently, multi-sensor fusion methods based on continuous-time representation offer a potential and effective solution to this challenge. Among these, spline-based methods provide an efficient and intuitive approach for continuous-time representation. Previous continuous-time odometry works based on B-splines either treat control points as variables to be estimated or perform estimation in quaternion space, which introduces complexity in deriving analytical Jacobians and often overlooks the fitting error between the spline and the true trajectory over time. To address these issues, we first propose representing the increments of control points on matrix Lie groups as variables to be estimated. Leveraging the feature of the cumulative form of B-splines, we derive a more compact formulation that yields simpler analytical Jacobians without requiring additional boundary condition considerations. Second, we utilize forward propagation information from IMU measurements to estimate fitting errors online and further introduce a hybrid feature-based voxel map management strategy, enhancing system accuracy and robustness. Finally, we propose a re-estimation policy that significantly improves system computational efficiency and robustness. The proposed method is evaluated on multiple challenging public datasets, demonstrating superior performance on most sequences. Detailed ablation studies are conducted to analyze the impact of each module on the overall pose estimation system.",
  "keywords": [
    "Continuous-time Odometry",
    "Mapping",
    "Sensor fusion"
  ],
  "paper_institutions": [],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:41:24.498657Z",
  "template_tag": "deep_read",
  "summary": "# CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping\n\n\n**作者 / Authors:** Lei Zhao, Xingyi Li, Tianchen Deng, Chuan Cao, Han Zhang, Weidong Chen\n\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 未知（论文未明确标注；依据所引 2025 年文献如 RESPLE 2025、M2UD 2025、Diter++ ICRA 2025 推测约为 2025 年）\n\n\n\n**期刊/会议 / Publication Venue:** 未知（论文未明确标注期刊/会议；从 Abstract + Index Terms 与 IEEE 参考文献排版判断为 IEEE 期刊风格稿件）\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A：阅读对齐与输入校验\n\n### 分类判定（classification rationale）\n\n- **paper_archetype: method**。论文核心贡献是提出新算法：以李群上控制点**增量**为估计变量的累积式三次 B 样条连续时间表示（Sec. III-B, Sec. IV，eq.(3)-(6)）、基于 IMU 前向传播的在线拟合误差估计（Sec. IV-B，eq.(12)(13)）、混合特征（平面+体素）概率体素地图管理（Sec. IV-C，Fig.5）以及重估计策略（Sec. IV-C-2，Fig.6，eq.(21)），并在 IEKF 框架内实现（Algorithm 1）。\n- 虽包含系统实现与轮腿机器人实机验证（Sec. V-E），但主体为算法/估计方法创新，而非新的硬件或平台架构，故归为 `method` 而非 `system`。\n\n### 1. 论文元数据（Paper metadata）\n\n- **标题**：CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping\n- **作者**：Lei Zhao, Xingyi Li, Tianchen Deng, Chuan Cao, Han Zhang, Weidong Chen（论文正文未给出作者单位与个人背景信息）\n- **发表载体**：venue 与年份未在文中明确标注；从排版（Abstract + Index Terms、IEEE 参考文献格式）判断为 IEEE 期刊风格稿件；结合所引最新文献（[^27] RESPLE, RA-L 2025；[^29] M2UD, IJRR 2025；[^31] Diter++, ICRA 2025）推测成稿/投稿时间约为 2025 年。\n\n### 2. 研究定位（Research positioning）\n\n- **研究领域**：机器人状态估计 / SLAM，具体为连续时间 LiDAR-惯性里程计（连续时间轨迹估计与建图，STEAM 范式，Sec. II）。\n- **具体任务**：在快速运动与颠簸粗糙地形条件下，基于李群累积式 B 样条的连续时间 LiDAR(-IMU) 紧耦合里程计与概率自适应体素建图，输出高精度、高鲁棒、低算力开销的位姿估计与地图（Abstract, Sec. I）。\n- **目标用户/应用场景**：搭载机载算力的移动机器人、人形/四足/轮腿机器人、无人机等，面向自动驾驶、具身智能、巡检、搜救等场景（Sec. I 第一段；Fig.1, Fig.7, Fig.12）。\n\n### 3. 输入材料清单（Input material checklist）\n\n- **PDF**：有（已提供全文 Markdown，含正文、公式、图表、Algorithm 1 与 51 条参考文献）。\n- **附录/补充材料**：正文提及补充视频（Sec. V-B，Diter++ 'Park-in-day-cam-free' 序列完整运行结果），但未随文档提供。\n- **代码链接**：论文声明“完整代码将开源”（Sec. I 贡献列表最后一条），当前未提供具体链接。\n- **数据集链接**：使用四个公开数据集 M2UD [^29]、MARS-LVIG [^28]、Diter++ [^31]、MCD [^30]（Table I, Fig.7），文档未附直接下载链接。\n\n### 4. 缺失材料与风险（Missing materials and risks）\n\n- **缺失项**：作者单位与背景；明确的发表 venue 与日期；开源代码链接；数据集直接链接；补充视频；部分实现超参数细节（如体素最大细分深度、点数阈值 $N_{thre}$ 的具体取值）。\n- **可能影响**：① 复现依赖未来开源代码，当前只能依据 Algorithm 1 与公式推导理解实现；② MCD 数据集上部分基线结果引自 [^26][^27] 且无 MAX 指标，仅比较 RMSE，需注意对比口径；③ 重估计最大次数等关键参数需依赖 Table IV 的讨论设定，缺少材料会降低参数调优与复现的确定性。\n\n### 5. 阅读路线（Reading route，3-6 步）\n\n- **Step 1**：读摘要、Sec. I 引言与贡献列表、Fig.1，明确问题（快速运动/粗糙地形下的高效连续时间里程计）与五项贡献。\n- **Step 2**：读 Sec. II 相关工作与 Sec. III 预备知识，梳理“离散时间→连续时间”范式演进，掌握累积式 B 样条公式（eq.(1)(2)）与 IMU/LiDAR 测量模型。\n- **Step 3**：精读 Sec. IV 状态估计：混合系统运动学模型（eq.(7)）、IMU 观测与解析 Jacobian（eq.(8)-(11)）、拟合误差在线估计（eq.(12)(13)，Fig.4）、概率点-面/点-体素观测与 3σ 过滤（eq.(14)-(20)，Fig.5）、重估计策略复杂度分析（eq.(21)，Fig.6）与 Algorithm 1。\n- **Step 4**：读 Sec. V 实验：Table I 数据集设置、Table II 与 CLIC/F-LIO2/R-LIO/F-LIVO2 的 APE 对比、Table III 消融、Table IV 重估计次数讨论（Fig.10-11）、轮腿实机实验（Table V, Fig.12-13）。\n- **Step 5**：回到 Sec. II 与引言，将本文与 CLIC（优化框架）、RESPLE（IEKF+四元数）在轨迹表示形式、Jacobian 推导复杂度、拟合误差处理三方面做定位对比。\n- **Step 6**：读结论（Sec. V-F）明确局限（高动态遮挡环境、传感器严重退化场景下重估计策略可能失效），形成后续验证与延伸研究问题清单。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B：第一遍通读概览\n\n### 1. 论文类型与类别\n\n- **类型判定**：`method`（方法类论文）。核心贡献为提出一套新的连续时间 LiDAR-惯性里程计算法：以李群上控制点**增量**为估计变量的累积式三次 B 样条连续时间表示（Sec. III-B、Sec. IV，eq.(3)-(6)）、基于 IMU 前向传播的在线拟合误差估计（Sec. IV-B，eq.(12)(13)）、混合特征（平面+体素）概率体素地图管理（Sec. IV-C-1，Fig.5）以及重估计策略（Sec. IV-C-2，Fig.6，eq.(21)），整体在 IEKF 框架内实现（Sec. IV-D，Algorithm 1）。\n- **子领域**：机器人状态估计 / SLAM，具体为连续时间轨迹估计与建图（STEAM 范式，Sec. II）。\n- 虽包含轮腿机器人实机验证（Sec. V-E），但主体为算法/估计方法创新，而非新硬件或平台架构。\n\n### 2. 研究背景与上下文\n\n- **应用背景**：移动机器人、人形/四足/轮腿机器人、无人机等需在复杂地形引起的颠簸与快速运动下，依靠机载算力维持稳定可靠的位姿估计，面向自动驾驶、具身智能、巡检、搜救等场景（Sec. I 第一段，Fig.1）。\n- **技术演进脉络**：\n  - 离散时间方法（FAST-LIO [^11]、LeGO-LOAM [^12]、FAST-LIVO2 [^13]）需额外时间同步与点云运动补偿，在密集异步多传感器融合场景下存在局限（Sec. I 第一、二段）。\n  - 连续时间方法以连续函数表示轨迹，可在任意时刻查询状态，实现无损、密集、异步的多传感器融合；分为分段线性、高斯过程（GP）与 B 样条三类（Sec. I 第二段、Sec. II）。\n- **现有缺口（研究动机）**：\n  - 优化框架的 B 样条方法（CLIC [^14]、[^26]）直接以控制点为估计变量，Jacobian 推导复杂且需额外边界条件处理；\n  - 滤波框架 RESPLE [^27] 采用四元数表示，推导复杂且缺乏直观性；\n  - **所有现有 B 样条连续时间方法均未考虑样条与真实轨迹之间的拟合误差**（Sec. I 第三段；Sec. IV-B \"Fitting error\" 段落，Fig.4）。\n\n### 3. 直觉正确性检查（关键假设及合理性）\n\n- **假设1：以控制点增量（李群上的小量）为估计变量可简化 Jacobian**。合理：增量是小量，状态变量保持在欧氏空间较小范围内；由 eq.(3)-(6) 与 eq.(9)-(11) 可见 Jacobian 形式统一，无需分别处理 j=0 与 j=N-1 的边界情形（Sec. IV 开头论述）。\n- **假设2：拟合误差可建模为零均值高斯 δ_T ~ N(0, Σ_T)，并可用 IMU 前向传播在线估计**（eq.(12)(13)）。基本合理：样条表示误差通常较小；用历史最优位姿与 IMU 前向传播位姿之差统计协方差是可行的在线手段。但该假设依赖 IMU 质量——'aggressive04' 序列中 IMU 突变导致 CT-VLIO 反而劣于 CT-VLO（Sec. V-B-2），说明存在失效边界。\n- **假设3：混合特征（平面+体素）体素地图可提升精度与鲁棒性**。有条件合理：平面特征精度高但可能缺失，体素特征（对三个特征值/特征向量做不确定性建模）在非平面结构处提供补充约束（Sec. IV-C-1，Fig.5）；但消融显示体素特征占比过高时稳定性反而下降（Table III 与 Fig.9），即该假设成立依赖特征比例适中。\n- **假设4：重估计策略将 m 维问题分解为 k 个 m/k 维子问题可同时提升效率与鲁棒性**。合理：由 eq.(21) 复杂度分析，Kalman 增益与协方差更新开销随观测维度下降；Table III、Table IV 显示该策略显著影响成功率与单帧耗时。\n- **总体判断**：核心假设在论文实验范围内自洽并获消融支持；但高斯拟合误差假设、IMU 质量依赖、以及重估计策略在传感器严重退化环境下的有效性均被作者承认为局限（Sec. V-F）。\n\n### 4. 核心贡献（3-5 条）\n\n1. **更紧凑的李群累积式 B 样条表示**：以控制点增量（而非控制点本身）为估计变量，得到形式统一的解析 Jacobian，消除边界条件处理，并嵌入 IEKF 多传感器融合里程计框架（Sec. I 贡献列表；Sec. IV，eq.(3)-(11)）。\n2. **在线拟合误差估计**：首次在此类连续时间里程计中利用 IMU 前向传播与历史最优位姿之差在线估计旋转/平移拟合误差协方差 Σ_R、Σ_p，并纳入观测噪声（Sec. IV-B，eq.(12)(13)，Fig.4）。\n3. **混合特征概率体素地图**：点-平面与点-体素两类观测方程结合不确定性传播与 3σ 特征过滤，提升配准精度与鲁棒性（Sec. IV-C-1，Fig.5，eq.(14)-(20)）。\n4. **重估计策略**：将 m 维估计问题分解为 k 个 m/k 维子问题，通过短区间多次\"采样-估计\"循环显著提升计算效率与鲁棒性（Sec. IV-C-2，Fig.6，eq.(21)，Algorithm 1）。\n5. **系统化实验验证**：在 M2UD、MARS-LVIG、Diter++、MCD 四个公开数据集及轮腿机器人实机上完成对比与消融实验，并承诺完整开源代码（Sec. V，Table II-V，Fig.7-13）。\n\n### 5. 清晰度评估\n\n- **结构**：遵循\"引言→相关工作→预备知识→状态估计→实验→结论\"的标准结构，逻辑清晰；Sec. IV 推导链条完整（混合系统运动学模型 eq.(7) → IMU 观测 eq.(8)-(11) → 拟合误差 eq.(12)(13) → LiDAR 观测 eq.(14)-(20) → 重估计 eq.(21) → 状态更新 eq.(22) → Algorithm 1）。\n- **图表**：Fig.2（系统框图）、Fig.3（控制点影响区间）、Fig.4（拟合误差示意）、Fig.5（体素分解）、Fig.6（三种预测-估计策略对比）有效辅助理解方法；Fig.7-13 与 Table I-V 充分支撑实验结论。\n- **公式**：主要公式推导自洽，但存在少量排版/符号瑕疵：eq.(2) 附近混合矩阵记号与换行错乱、eq.(10) 中 \"∂h_ω/∂d_{D,j}\" 下标疑为笔误、Sec. V-D 中 \"Figure.IV\" 指代混乱（应为 Fig.10/11 相关讨论）。读者需具备李群、IEKF 与 B 样条基础。\n- **可读性**：对熟悉 FAST-LIO/VoxelMap/连续时间估计的读者友好；Sec. IV 的 Jacobian 推导与混合系统状态跳变模型（eq.(7) 及 A_r、A_p 定义）对新手有一定门槛。\n- **缺失信息**：venue 与年份未标注、作者单位缺失、部分超参数（体素最大细分深度、点数阈值 N_thre 具体取值）未给出，影响复现确定性。\n\n### 6. 继续或停止建议\n\n- **建议：继续深入阅读（值得进行第二、三遍精读）**。\n- **理由**：\n  1. 方法创新点明确且相互支撑（增量表示 + 拟合误差建模 + 混合特征地图 + 重估计策略），对连续时间 SLAM / LiDAR-惯性里程计研究者有直接参考价值；\n  2. 实验覆盖四种平台与传感器配置（Table I），含充分消融（Table III、Table IV），证据链较完整；\n  3. 承诺开源代码，具备复现与后续研究价值。\n- **例外**：若读者仅关心应用效果而非方法细节，读 Abstract、Sec. I 贡献列表、Table II 与 Sec. V-F 结论后即可停止。\n\n### 7. 结构大纲图\n\nmarkmap\n\n# CT-VoxelMap 概览\n\n## I. 引言\n\n### 应用背景：快速运动/粗糙地形下的机载位姿估计\n\n### 离散时间 vs 连续时间范式\n\n### 现有 B 样条方法的两大缺口\n\n### 五项贡献\n\n## II. 相关工作\n\n### 离散时间 LIO（LOAM / FAST-LIO 系）\n\n### 连续时间表示（分段线性 / GP / B 样条）\n\n## III. 预备知识\n\n### 坐标系与 IMU/LiDAR 测量模型\n\n### 累积式三次 B 样条（eq.1-2）\n\n## IV. 状态估计\n\n### 混合系统运动学模型（eq.7）\n\n### IMU 观测与解析 Jacobian（eq.8-11）\n\n### 拟合误差在线估计（eq.12-13, Fig.4）\n\n### 概率点-面/点-体素观测与 3σ 过滤（eq.14-20, Fig.5）\n\n### 重估计策略与复杂度分析（eq.21, Fig.6）\n\n### 状态更新与 Algorithm 1\n\n## V. 实验\n\n### 数据集与设置（Table I, Fig.7）\n\n### 性能对比（Table II, Fig.8）\n\n### 消融研究（Table III, Fig.9）\n\n### 重估计次数讨论（Table IV, Fig.10-11）\n\n### 轮腿实机验证（Table V, Fig.12-13）\n\n## VI. 结论与局限\n\n### 高动态遮挡环境待扩展\n\n### 传感器严重退化下重估计策略可能失效\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面向搭载机载算力的移动/腿式/飞行机器人，解决**快速运动与颠簸粗糙地形条件下，如何以低计算开销实现稳定、精确的连续时间 LiDAR-惯性里程计与建图**的问题——具体做法是以矩阵李群上累积式三次 B 样条的**控制点增量**为估计变量，在 IEKF 框架内融合 IMU 观测、在线拟合误差估计与概率自适应混合特征体素地图，输出高精度、高鲁棒、高效率的位姿估计（Abstract；Sec. I 第一段与 Motivation and Contribution 列表；Fig.1）。\n\n### 2. 痛点与现有不足\n\n- **离散时间范式在多传感器异步融合上的局限**：FAST-LIO [^11]、LeGO-LOAM [^12]、FAST-LIVO2 [^13] 等固定速率离散时间方法需要额外的传感器时间同步与 LiDAR 点云去畸变（运动补偿）预处理，难以无损、密集地融合异步、多速率的密集传感器测量（Sec. I 第一、二段）。\n- **现有 B 样条连续时间方法的 Jacobian 复杂性与边界条件负担**：优化框架方法（CLIC [^14]、[^26]）直接以控制点为估计变量，Jacobian 推导复杂且需额外考虑边界条件；RESPLE [^27] 虽将连续时间估计扩展到滤波框架以提升效率，但采用四元数表示，Jacobian 推导复杂且缺乏直观性（Sec. I 第三段；Sec. II 末段）。\n- **样条拟合误差被普遍忽视**：现有连续时间里程计工作 [^17][^25][^26][^27] 均未考虑 B 样条与真实轨迹之间的拟合误差（fitting error），缺乏不确定性刻画；由于实际不使用高阶样条，离散位姿并不严格落在连续轨迹上，该误差会传播进观测并影响估计精度（Sec. I；Sec. IV-B 'Fitting error' 段；Fig.4）。\n- **IEKF 预测间隔的两难**：预测间隔过短时单帧内多次预测导致控制点不确定性快速累积、少量迭代难以收敛；间隔过长时恒速运动假设失效、初值质量差，二者均损害计算效率与鲁棒性（Sec. IV-C-2；Fig.6）。\n\n### 3. 形式化目标 / 优化目标\n\n- **状态定义**（Sec. IV，eq.(7)）：状态向量 $\\chi \\doteq [\\chi_{C_r}, \\chi_{C_p}, \\chi_I]^T$，其中 $\\chi_{C_r}=[d_{R,j}^T]$、$\\chi_{C_p}=[d_{p,j}^T]$（$j=0,...,N-1$）为旋转/平移控制点**增量**（定义见 eq.(3)(5)），$\\chi_I=[b_w^T, b_a^T, {}^Gg^T]$ 为陀螺仪偏置、加速度计偏置与重力向量；输入 $u \\doteq [\\omega_m^T, a_m^T]^T$，过程噪声 w。\n- **混合系统运动学模型**（Sec. IV-A）：段内连续演化 $\\dot{\\chi}(t)=0 \\boxplus w$，$t \\in [t_k, t_{k+1})$；新控制点加入时状态跳变 $\\chi_{t^+}=A\\chi_{t^-}$，$A=\\mathrm{diag}(A_r, A_p, I_3, I_3, I_3)$，新控制点采用恒速初始化策略（$d_{R,N-1}^{t_k^+} \\simeq d_{R,N-2}^{t_k^-}$，$d_{p,N-1}^{t_k^+}=d_{p,N-2}^{-}$）。\n- **MAP 迭代估计**（Sec. IV-B/IV-D，eq.(8)(22)，Algorithm 1）：在 IEKF 框架内融合 IMU 观测 $h_B(\\chi,n)$（eq.(8)，覆盖受影响区间 $[t_{s,k-N+2}, t_{e,k+1}]$，并利用 IMU 前向传播在线估计拟合误差 $\\delta_R \\sim \\mathcal{N}(0,\\Sigma_R)$、$\\delta_p \\sim \\mathcal{N}(0,\\Sigma_p)$，eq.(12)(13)）与带不确定性的 LiDAR 点-面/点-体素观测 $h_L(\\chi,n)$（eq.(14)(17)，含 3σ 特征过滤 eq.(20)），按 $\\delta\\chi_{k,i+1}=K_i(z_k-h(\\hat{\\chi}_{k|k,i},0))-(I-K_iH_i)(\\hat{\\chi}_{k|k,i}-\\hat{\\chi}_{k|k-1})$ 迭代，Kalman 增益 $K_i=(H_i^TR_k^{-1}H_i+P_{k|k}^{-1})^{-1}H_i^TR_k^{-1}$，直至 $\\|\\delta\\chi\\| \\le \\epsilon$ 或达到最大迭代次数。\n- **效率目标**（Sec. IV-C-2，eq.(21)）：通过重估计策略将 m 维观测问题分解为 k 个 m/k 维子问题，降低 Kalman 增益计算 $S_K=6n^2m+2nm^2+n^2-4mn+O(m^3)+O(n^3)$ 与协方差更新 $S_P=2n^3+2n^2m-n^2$ 的复杂度。\n\n### 4. 成功判据（指标与期望性质）\n\n- **精度**：绝对位姿误差 APE 的 RMSE 与 MAX（evo 工具 [^51]，每序列运行 3 次取均值）；在 M2UD、MARS-LVIG、Diter++、MCD 四个公开数据集的大多数序列上优于基线 CLIC、F-LIO2、R-LIO、F-LIVO2（Table II；如 Diter++ 'Park-in-day-cam-free' 上 CT-VLO RMSE 0.214 m 为全场最优，M2UD 'aggressive04' 上仅 R-LIO 与本方法能完成序列且本方法 RMSE 0.690 m 更优）。\n- **鲁棒性/完整性**：能否完成挑战性序列（'Park-in-day-cam-free' 全程 2160 s，CLIC 中途失败而本方法完成）；消融实验成功率 S-rate（10 次独立运行，Table III：去掉拟合误差建模后三个数据集全部失败 0/10，MARS-LVIG 上去掉重估计策略亦 0/10，完整方法为 9/10–10/10）。\n- **计算效率**：每帧平均处理时间（ms，Table III/IV）；不启用重估计策略时各数据集耗时均增加（如 M2UD 33.796 ms vs 33.565 ms），MARS-LVIG 上完整方法 Ave-time 约 62.5 ms 且可稳定运行。\n- **实机可迁移性**：轮腿机器人（Livox Mid-360）自采 botanical 数据集上 APE RMSE 优于 F-LIO2（Table V：botanical02 上 0.821 m vs 1.249 m）。\n- **期望性质**：高精度、高鲁棒、低算力开销三者兼得；Jacobian 形式统一紧凑、无需对 $j=0$ 或 $j=N-1$ 边界条件特判；对样条拟合误差具备在线不确定性刻画（Abstract；Sec. I 贡献列表；Sec. V-F 结论）。\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（What related work matters here?）\n\n### 1. 最强基线与比较轴（Strongest baselines and comparison axes）\n\n#### 基线一：RESPLE（R-LIO）[^27] —— 最强直接基线\n\n- **Method**：将连续时间 B 样条估计扩展到滤波（IEKF）框架，采用四元数表示旋转轨迹，实现高效的连续时间递归估计（Sec. I 倒数第二段；Sec. II 末段）。\n- **Core idea**：以滤波范式替代优化范式提升连续时间估计的计算效率。\n- **Limitation**：四元数表示使 Jacobian 推导复杂且缺乏直观性；与 [^17][^25][^26] 一样完全未考虑样条与真实轨迹之间的拟合误差（Sec. I；Sec. IV-B “Fitting error” 段明确指出 [^17][^25][^26][^27] 均未处理该问题）。\n- **比较轴**：同为“IEKF + 连续时间 B 样条”，比较轴为：①轨迹表示形式（四元数 vs 本文的李群控制点增量）；②Jacobian 推导复杂度与边界条件处理；③拟合误差是否建模；④极限工况鲁棒性。实验证据：'aggressive04' 序列仅 R-LIO 与本文方法完成全程且本文 APE 更优（Sec. V-B-2，Table II）；MCD 多数序列 R-LIO 次优、本文最优（Table II）。注意 MCD 上 R-LIO/CLIC 部分结果引自 [^26][^27] 且无 MAX 指标，仅比较 RMSE（Sec. V-B 说明）。\n\n#### 基线二：CLIC [^14]\n\n- **Method**：基于李群累积式 B 样条的连续时间固定滞后平滑 LiDAR-惯性-相机 SLAM，优化框架（Sec. I；Sec. II）。\n- **Core idea**：优化框架下直接以控制点为估计变量，并融合相机测量提升精度。\n- **Limitation**：控制点直接作为变量导致 Jacobian 推导复杂、需额外边界条件考虑（Sec. I 引 [^27] 的评述）；无拟合误差建模；在快速大角度转弯（'AMtown03' 首个急转弯丢失）与长时序大范围场景（'Park-in-day-cam-free' 仅能运行有限时间）中失败（Sec. V-B，Table II，Fig. 8）。\n- **比较轴**：优化框架 vs 滤波框架在效率与鲁棒性上的差异。\n\n#### 基线三：FAST-LIO2（F-LIO2）[^37] 与 FAST-LIVO2（F-LIVO2）[^13]\n\n- **Method**：F-LIO2 为离散时间 IESKF 紧耦合 LIO（ikd-tree + 点面 ICP）；F-LIVO2 为 VoxelMap 的改进版（概率自适应体素地图 + 平面特征），对比实验采用其 LIO 分量（Sec. V-A）。\n- **Core idea**：离散时间固定频率位姿估计，需传感器时间同步与点云运动补偿预处理（Sec. I 第一段）。\n- **Limitation**：异步多传感器融合能力受限；剧烈俯仰变化时姿态跳变、难以保持一致估计（'aggressive04'，Sec. V-B，Fig. 8(b)(c)）。\n- **比较轴**：离散时间范式 vs 连续时间范式（Sec. I 第一段、Sec. II 整节的演进主线）。\n\n### 2. 最接近的方法与关键差异（Closest approaches and key differences）\n\n按“Method -> core idea -> limitation -> 关键差异”组织：\n\n- **RESPLE [^27]（最接近）**\n  - Method/core idea：IEKF + 连续时间 B 样条，估计控制点相关增量（本文明确写道 “Similar to the approach in [^27], we estimate $d_j$ rather than directly estimating...”，Sec. IV 开头）。\n  - Limitation：四元数空间估计，Jacobian 复杂、不直观；无拟合误差处理。\n  - **关键差异**：①本文在矩阵李群 $SO(3)$ 上估计控制点增量，状态变量处于欧氏空间且为小量，Jacobian 形式统一简洁，无需分别讨论 $j=0$ 与 $j=N-1$ 边界条件（eq.(3)-(11)，Sec. IV-A、IV-B-1）；②本文利用 IMU 前向传播在线估计样条拟合误差 $\\delta_T$ 并计入观测噪声（Sec. IV-B “Fitting error”，eq.(12)(13)，Fig. 4）；③额外引入混合特征体素地图与重估计策略。\n\n- **Sommer et al. [^24]**\n  - Method/core idea：李群上累积 B 样条的高效导数计算，是本文表示的理论基础。\n  - Limitation：仍以控制点本身为变量，Jacobian 推导需边界条件讨论。\n  - **关键差异**：本文“Building upon [^24]”提出更紧凑的累积式公式，以增量为变量统一 Jacobian 形式（Sec. I 贡献 2；eq.(3)）。\n\n- **CLINS [^25] 与 Nguyen et al. [^26]**\n  - Method/core idea：优化框架下李群累积 B 样条 LIO；[^26] 用解析 Jacobian 替代 Ceres 自动微分以提效，[^25] 强调无需时间同步/运动补偿的 STEAM 优势。\n  - Limitation：均直接估计控制点、Jacobian 复杂、无拟合误差建模（Sec. I、Sec. II）。\n  - **关键差异**：本文换用 IEKF 框架 + 增量表示 + 拟合误差在线估计，效率与鲁棒性兼得（Table II、Table III 消融：去掉拟合误差建模后三个数据集成功率均为 0/10）。\n\n- **VoxelMap（Yuan et al. [^38]）**\n  - Method/core idea：概率自适应体素地图，粗到细细分 + 点/特征不确定性建模（“Inspired by [^38]”，Sec. IV-C-1）。\n  - Limitation：仅利用平面特征；当传感器安装或杂乱环境导致稳定平面特征不足时定位精度退化（Sec. IV-C-1 动机段）。\n  - **关键差异**：本文在平面特征之外引入体素特征（点-体素观测方程 eq.(19)，Fig. 5），并将特征值/特征向量作为随机变量做不确定性传播——区别于 NDT 类方法 [^46][^47][^48] 的确定性处理（Sec. IV-C-1 “Point-to-voxel”）；配合 3σ 特征过滤（eq.(20)）。\n\n- **Point-LIO [^49]**\n  - Method/core idea：高频采样-估计思想（“inspired by [^49]”，Sec. IV-C-2）。\n  - **关键差异**：本文将其思想移植到连续时间控制点状态上，提出重估计策略：短预测区间 + 固定数采样，把 m 维观测问题分解为 k 个 m/k 维子问题，降低 Kalman 增益与协方差更新复杂度（eq.(21)，Fig. 6；复杂度分析基于 [^50]）。消融显示 MARS-LVIG 上无该策略成功率 0/10（Table III），且能降低平均每帧耗时。\n\n### 3. 正交方向（Orthogonal directions）\n\n- **回环检测**：LeGO-LOAM [^12] 及 [^25] 中的回环一致性；本文无回环，'AMtown03' 上各方法均有累积误差（Sec. V-B），回环模块可与本文框架正交叠加。\n- **更多传感器模态**：相机（CLIC [^14]、FAST-LIVO2 [^13]）、GNSS（MARS-LVIG [^28]）、轮速计（LIU [^7]）；本文仅用 LiDAR+IMU，向其他模态扩展属正交方向（连续时间表示天然利于异步融合，Sec. I）。\n- **GP 类连续时间表示**：GP-SLAM [^19]、稀疏 GP/李群 GP [^20][^21]、滤波式 GP（CTE-MLO [^39]）与 B 样条属同一问题的不同参数化路线，GP 方法依赖运动先验形式（Sec. II）；与本文为替代性路线而非互斥实现。\n- **原理性不确定性建模**：[^41][^42]（如 Log-LIO2）的不确定性分析理论可与本文的拟合误差/特征不确定性建模互补。\n- **可定位性感知与极端环境配准**：X-ICP [^44] 关注局部可定位性感知的配准，与本文的地图管理与重估计策略正交。\n- **分段线性连续时间轨迹**：CT-ICP [^17]、Traj-LO [^16] 采用线性插值/分段线性表示，表达能力有限、节点处速度/加速度不连续（Sec. II），与样条路线形成谱系上的对照而非直接竞争。\n\n### 4. 一句话定位（One-sentence positioning）\n\n本文定位为：在 IEKF 框架下，以李群控制点增量为估计变量、构建更紧凑的累积式三次 B 样条连续时间 LiDAR-惯性里程计，在现有连续时间工作 [^17][^25][^26][^27] 均未处理样条拟合误差的背景下首次在线估计该误差，并结合受 VoxelMap [^38] 启发的混合特征（平面+体素）概率体素地图与受 Point-LIO [^49] 启发的重估计策略，在快速运动与颠簸粗糙地形上同时超越离散时间 SOTA（FAST-LIO2/FAST-LIVO2）与连续时间同类方法（CLIC/RESPLE）的精度、鲁棒性与计算效率（Sec. I 贡献列表；Sec. II；Table II、Table III、Table IV）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3：论文如何解决问题（方法机制解析）\n\n### 1. 核心机制概述（浅层理解）\n\n论文针对“快速运动/颠簸地形下、机载算力受限的连续时间 LiDAR-惯性里程计”问题（Abstract, Sec. I），提出 CT-VoxelMap。其解法由四个相互配合的机制构成，整体在 IEKF 框架内以 MAP 迭代实现（Sec. IV-D, eq.(22), Algorithm 1，系统总览见 Fig.2）：\n\n- **机制一：李群上控制点增量的累积式三次 B 样条表示**（Sec. III-B, Sec. IV 开头, eq.(3)-(6)）。不同于以往直接把控制点 T_m（优化框架 [^14][^25][^26]）或四元数（滤波框架 RESPLE [^27]）作为估计变量，本文估计控制点**增量** d_j = Log(R_{i+j-1}^{-1}R_{i+j})（旋转）与 d_j = p_{i+j} - p_{i+j-1}（平移）。优势有二（Sec. IV “The advantages of this formulation are twofold” 段）：① 状态变量停留在欧氏空间且为小量，利于估计；② Jacobian 推导边界条件一致，无需单独处理 j=0 与 j=N-1 两种情形，形式更紧凑。\n- **机制二：基于 IMU 前向传播的在线拟合误差估计**（Sec. IV-B “Fitting error” 段, eq.(12)(13), Fig.4）。低阶样条无法保证所有离散时刻位姿精确落在连续轨迹上，此前工作（[^17][^25][^26][^27]）均未处理该表示误差；本文用“最优估计位姿/IMU 前向传播位姿”与“样条插值位姿”之差在线估计 δ_R ~ N(0,Σ_R)、δ_p ~ N(0,Σ_p)，并注入观测噪声以增强鲁棒性。\n- **机制三：混合特征（平面+体素）概率体素地图**（Sec. IV-C-1, Fig.5）。受 VoxelMap [^38] 启发但不止于平面特征：粗到细自适应细分体素，能提取平面则停止细分，否则继续细分至稳定特征或最大深度；叶子节点中无平面特征的体素作为“体素特征”参与配准。点不确定性与位姿不确定性均传播到特征（eq.(14)-(16)），并以 3σ 原则过滤（eq.(20)）。\n- **机制四：重估计策略**（Sec. IV-C-2, Fig.6, eq.(21)）。预测间隔过短会使控制点不确定性快速累积、少量迭代难以收敛；过长则恒速假设失效、初值质量差。本文采用短间隔 + 最大重估计次数上限：区间内点数超过 N_thre 即启动“采样-估计-重采样”，把 m 维问题分解为 k 个 m/k 维子问题，同时提升计算效率与鲁棒性。\n\n### 2. 分步拆解（中层分析）\n\n### Step 1 状态定义与混合系统运动学模型（Sec. IV, Sec. IV-A, eq.(7)）\n\n- 状态 χ = [χ_Cr, χ_Cp, χ_I]^T，其中 χ_Cr = [d_R,j]、χ_Cp = [d_p,j]（j=0,...,N-1），χ_I = [b_w, b_a, ^G g]；输入 u 为 IMU 测量，w 为过程噪声。\n- 均匀 B 样条第 k 段表示 [t_{k,s}, t_{k,e}] 上的轨迹：当新 LiDAR 扫描最大时间戳 t_{L_e} ≤ t_{k,e} 时控制点保持不变；当 t_{L_e} > t_{k,e} 时需扩展新段与新控制点，状态发生跳变。因此建模为混合系统：区间内 χ̇ = 0 ⊟ w（连续演化），跳变时刻 χ_{t+} = A χ_{t-}，A = diag(A_r, A_p, I_3, I_3, I_3)。\n- 新控制点初始化采用恒速策略：由 ω(t_k)=ω(t_{k+1}) 与 v(t_{k+1})=v(t_k) 推得 d_{R,N-1}^{t_k+} ≃ d_{R,N-2}^{t_k-}、d_{p,N-1}^{t_k+} = d_{p,N-2}^{-}，据此给出 A_r、A_p 的具体形式（Sec. IV-A 末尾矩阵）。\n\n### Step 2 IMU 观测构建（Sec. IV-B-1, eq.(8)(9), Fig.3）\n\n- 利用 B 样条局部支撑性：当前段 N 个控制点影响 N 个轨迹段、共涉及 2N-1 个控制点，因此观测在 [t_{s,k-N+2}, t_{e,k+1}] 上综合 IMU 测量与历史估计的偏置、重力信息。\n- 观测方程 h_B 由三部分组成：加速度残差 h_a、角速度残差 h_ω、IMU 状态残差 h_I；重力误差 ^G ĝ ⊟ ^G g 在 S² 流形上计算（eq.(9)）。\n\n### Step 3 拟合误差在线估计（Sec. IV-B “Fitting error”, eq.(12)(13), Fig.4）\n\n- 旋转：δθ_i = ^G_{I_i} R̄ ⊟ R(t_i)，历史区间 [t_{k-N+2}, t_k] 用最优估计位姿、当前区间 [t_k, t_{k+1}] 用 IMU 前向传播位姿；Σ_R = (1/N)Σ δθ_m δθ_m^T。平移同理得 Σ_p（eq.(13)）。\n- 该误差作为 δ_T 进入 LiDAR 观测（eq.(17) 中 (T̂ ⊞ δ_T) 项），等效增大观测不确定度；LiDAR-only（CT-VLO）模式下改用固定超参数（Sec. V-B）。\n\n## Step 4 概率 LiDAR 观测与混合特征配准（Sec. IV-C-1, eq.(14)-(20), Fig.5）\n\n- 点不确定性：^G p_i = ^G R(t)(^I R^L p_i + ^I t_L) + ^G p(t)，其协方差由 LiDAR 测量噪声、平移与旋转不确定性传播得到（eq.(14)）。\n- 体素内点云协方差特征分解 UΛU^T = Σ_V，点不确定性进一步传播到特征值/特征向量/均值（eq.(15)(16)，均值不确定性未计入）。\n- 点到面观测（eq.(17)）：h_L = u_1^T(^G p_i - q)，围绕 χ̂ 线性化得 H_L（eq.(18)），噪声协方差 Σ_{n_i} = J_{n_i} Σ J_{n_i}^T 覆盖 u_1、q、^L p_i、R(t_i)、p(t_i) 五个噪声源。\n- 点到体素观测（eq.(19)）：以 k_i = λ̄_i^{-1/2} 加权三个主方向投影，把体素局部分布的特征值/特征向量作为随机变量处理，区别于 [^46][^47][^48] 的确定性 NDT 类方法。\n- 3σ 过滤（eq.(20)）：点到面在 q 的 3σ 邻域内判定有效性；体素特征要求三个方向同时满足 3σ 原则。\n- 地图管理：粗到细自适应细分（Fig.5），点云稀疏时建粗体素，变密后自适应细化；可提取平面则不再细分。\n\n## Step 5 重估计策略（Sec. IV-C-2, Fig.6, eq.(21)）\n\n- 新扫描到达先做一次状态传播（[t_ps, t_pe]）；区间内点数 > N_thre 时启动固定数量采样，把点云分成 k 段，逐段“采样-估计-重采样”，以先前估计为先验，直至处理完全部点或达到最大重估计次数。\n- 复杂度分析（eq.(21)）：Kalman 增益计算 S_K = 6n²m + 2nm² + n² - 4mn + O(m³) + O(n³)，协方差更新 S_P = 2n³ + 2n²m - n²；残差/Jacobian 计算随点数线性、不受分段影响，故该策略把 m 维问题分解为 k 个 m/k 维子问题，显著降低每帧耗时（Table III 的 Ave-time 对比与 Sec. V-C-3 佐证）。\n\n## Step 6 IEKF 迭代更新（Sec. IV-D, eq.(22), Algorithm 1）\n\n- δχ_{k,i+1} = K_i(z_k - h(χ̂_{k|k,i},0)) - (I - K_i H_i)(χ̂_{k|k,i} - χ̂_{k|k-1})，其中 K_i = (H_i^T R_k^{-1} H_i + P_{k|k}^{-1})^{-1} H_i^T R_k^{-1}，H_i = [H_B^T, H_L^T]^T，R_k = diag(Σ_B, Σ_L)。\n- 终止条件：达到最大迭代次数 N 或 ‖δχ‖ ≤ ε；随后更新协方差 P_{k|k} = (I - K_i H_i)P_{k|k-1}。Algorithm 1 汇总完整流程（含体素地图构建、拟合误差计算与更新、重估计循环）。\n\n### 3. 关键公式与模块角色（深层分析）\n\n- **eq.(1)(2)**：Sommer et al. [^24] 的累积式 B 样条基线表示，R(t) = R_i Π Exp(λ̃_j(u) Log(R_{i+j-1}^{-1}R_{i+j}))；系数 λ̃ 及其导数由混合矩阵 B̃^{(N)} 给出。角色：机制一的出发点。\n- **eq.(3)(4)**：利用 λ̃_0(u)=1 将旋转轨迹改写为 R(t) = R_{i-1} Π_{j=0}^{N-1} Exp(λ̃_j(u) d_j)，并给出角速度递推 ω^{(j+1)} = A_j^T ω^{(j)} + λ̃̇_j(u) d_j。角色：把估计变量从 SO(3) 上的控制点转移到其切空间增量 d_j（区别于 RESPLE [^27] 的四元数空间，形式更直观），保证“小量、欧氏、形式统一”。\n- **eq.(5)(6)**：位置轨迹 p(t) = p_{i-1} + Σ λ̃_j(u) d_j 及速度/加速度表达式。角色：平移部分完全线性，其 Jacobian 仅为 λ̃_j(u)I（eq.(11)），推导极为简洁。\n- **eq.(10)**：∂R(t)/∂d_{R,j} = λ̃_j(u) P_j J_r(λ̃_j(u)d_j)，P_j = P_{j+1}A_{j+1}^T，P_N = I。角色：核心解析 Jacobian；论文明确声明与 [^24][^26] 相比无需对 j=0、j=N-1 单独讨论（Sec. IV-B），这是效率提升的直接来源。\n- **eq.(7) 与 A_r/A_p**：混合系统跳变矩阵。角色：把“控制点扩展”这一离散事件纳入滤波框架，是连续时间表示能嵌入 IEKF 的关键结构。\n- **eq.(12)(13)**：拟合误差统计量。角色：机制二的核心，把“样条 ≠ 真实轨迹”的系统性偏差转化为观测噪声协方差的一部分（进入 eq.(17) 的 δ_T 与 Σ_R/Σ_p）；消融实验显示去掉该模块系统完全无法运行（Table III：wo fit-err 成功率 0/10，三个数据集一致）。\n- **eq.(14)-(16)**：不确定性传播链。角色：机制三的概率基础，使配准权重随几何结构与位姿可信度自适应。\n- **eq.(17)(19)(20)**：两类观测方程与过滤机制。角色：机制三的执行层；体素特征在平面缺失场景（走廊、植被等）提供额外约束。Fig.9 与 Table III 表明体素特征占比过高反而降低稳定性、占比适中时提升精度（MARS-LVIG 上 wo voxel 成功率 10/10 但误差显著增大，w all 误差 2.299 m RMSE）。\n- **eq.(21)**：重估计复杂度分析。角色：机制四的理论依据；Table IV 进一步表明最大重估计次数过小（1-4 次）会丢弃大量点导致系统失败、过大（7-9 次）增加耗时且性能波动，实用折中取 5（Sec. V-D）。\n- **eq.(22)**：IEKF 的 MAP 迭代更新。角色：把 IMU 观测（H_B）与 LiDAR 观测（H_L）融合为最终状态估计，是所有模块的汇合点。\n\n### 4. 流程图（method 型论文必备）\n\nmermaid\nflowchart TD\n  A[\"输入: LiDAR扫描 + IMU测量\"] --> B[\"状态传播(恒速假设)<br/>新段到达时扩展控制点并跳变 eq.(7)\"]\n  B --> C{\"区间内点数 > N_thre ?\"}\n  C -->|是| D[\"固定数量采样: 分割点云为子段\"]\n  C -->|否| E[\"全部点参与本段估计\"]\n  D --> F[\"连续时间插值位姿 R(t), p(t)<br/>eq.(3)(5)\"]\n  E --> F\n  F --> G[\"在线估计B样条拟合误差<br/>eq.(12)(13)\"]\n  G --> H[\"点投影到全局系<br/>构建/更新自适应体素地图 Fig.5\"]\n  H --> I[\"IMU观测: 残差+解析Jacobian<br/>eq.(8)-(11)\"]\n  H --> J[\"LiDAR观测: 点到面/点到体素<br/>eq.(17)(19) + 3σ过滤 eq.(20)\"]\n  I --> K[\"IEKF迭代MAP更新 eq.(22)\"]\n  J --> K\n  K --> L{\"收敛? δχ范数≤ε 或达最大迭代\"}\n  L -->|否| F\n  L -->|是| M{\"本帧点未处理完 且 未达最大重估计次数?\"}\n  M -->|是| D\n  M -->|否| N[\"输出: 状态估计 + 更新后地图\"]\n``n\n\n### 5. 机制间逻辑关系小结\n\n- 机制一（增量 B 样条）解决“估计变量参数化与 Jacobian 复杂度”问题，是效率提升的理论基础（Sec. I 贡献 2）。\n- 机制二（拟合误差）解决“低阶样条表示能力不足”问题，是鲁棒性的前提——没有它系统直接失效（Table III）。\n- 机制三（混合特征体素地图）解决“平面特征不足时约束退化”问题，是精度提升的来源（Sec. IV-C-1，MARS-LVIG 消融）。\n- 机制四（重估计策略）解决“预测区间长度与不确定性累积的两难”问题，同时改善效率与鲁棒性（Sec. IV-C-2，Table III/IV）。\n- 四者统一在 IEKF 的 MAP 迭代框架（eq.(22), Algorithm 1）中，共同实现 Abstract 所声称的“高精度、高鲁棒、低算力开销”目标。\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. 数据集与基准清单（Dataset / benchmark list）\n\n### 公开数据集（Table I, Fig. 7, Sec. V）\n\n| 数据集 | 采集平台与传感器 | 场景与规模特点 | 本文使用的序列（Table II） |\n|---|---|---|---|\n| M2UD [^29] | 全地形车；Velodyne VLP-16 + Xsens MTi 300 | 城市、广场、停车场、校园、非平整地形；含楼梯、森林、操场等崎岖地形与低速运动 | plaza03、aggressive04、aggressive05、campus06 |\n| MARS-LVIG [^28] | 四旋翼无人机；Livox AVIA + 内置 IMU | 机场、海岛、山谷；大尺度、高速（8–12 m/s）下视飞行 | HKisland02、HKairport02、AMtown03 |\n| Diter++ [^31] | 四足机器人；Ouster OS1 64/128 + 内置 IMU | 森林、公园；大尺度、粗糙地形、显著振动与不规则地面 | Park-in-day-cam-free（2160 s 长序列）、Forest-new |\n| MCD [^30] | 地面移动机器人；Livox Mid-70 + VN100 | 大尺度城市校园；较高速运动、LiDAR 视场角受限 | ntu-day-01/02/10、ntu-night-04/08/13 |\n\n### 自采实机数据集（Sec. V-E, Table V, Fig. 12-13）\n\n- 轮腿机器人平台 + Livox Mid-360，校园内植物园、河边、花园等颠簸地形；3 条序列 botanical01–03，用于实机部署验证。\n\n### 对比基线（Sec. V-A）\n\n- **FAST-LIO2（F-LIO2）**[^37]：广泛采用的 LiDAR-惯性里程计框架（离散时间滤波类代表）。\n- **FAST-LIVO2（F-LIVO2）**[^13]：VoxelMap 改进版，取其 LIO 分量参与比较（概率体素地图类代表）。\n- **CLIC**[^14]：基于优化框架的连续时间里程计（连续时间优化类代表）。\n- **RESPLE（R-LIO）**[^27]：基于 IEKF 的连续时间方法（连续时间滤波类代表）。\n\n### 2. 预处理与划分/覆盖设置\n\n- **轨迹评估口径**：将轨迹估计在 LiDAR 帧结束时间戳处插值（利用连续时间表示可直接查询任意时刻位姿），使用 evo 工具 [^51] 计算 APE 的 RMSE 与 MAX（Sec. V-A）。\n- **重复运行策略**：主对比实验中每条序列运行 3 次并取 RMSE/MAX 平均以抑制随机误差（Sec. V-A）；消融实验每条序列独立运行 10 次，报告最优 APE（Max/Mean/RMSE）、每帧平均耗时（ms）与成功率 S-rate = SC/TC（Sec. V-C, Table III）。\n- **序列裁剪**：M2UD 'plaza03' 因所有方法在 1350 s 进入电梯后均失败，统一固定评估时间范围为 [^0] [^1350]（Sec. V-B-2）。\n- **对比口径限制**：MCD 上基线（CLIC/F-LIO2/R-LIO）结果引自 [^26][^27]，不含 MAX 指标，故该数据集仅比较 RMSE 以保证公平（Sec. V-B, Table II 注）。\n- **运行模式划分**：CT-VLO（仅 LiDAR 模式，拟合误差协方差由固定超参数设定）与 CT-VLIO（LiDAR-IMU 融合模式，拟合误差协方差按 eq.(12) 在线估计）（Sec. V-B）。\n- **逐数据集参数调整**：因平台与 LiDAR 类型不同，B 样条节点频率分别设为 MCD 80 Hz、M2UD 与 MARS-LVIG 50 Hz、Diter++ 35 Hz（Sec. V-A）；消融中重估计最大次数统一设为 5（Sec. V-C），讨论节在 1–12 范围内扫描并给出实用默认值 5（Sec. V-D, Table IV, Fig. 10-11）。\n- **消融配置**：wo fit-err / wo re / wo voxel / wo re&voxel / w all 五种配置，分别在 MCD: ntu-day01（Mid-70）、M2UD: aggressive04（Velodyne-16）、MARS-LVIG: AMtown03（Avia）三种 LiDAR 上进行，并采用 CT-VLO 以排除 IMU 测量影响（Sec. V-C）。\n\n### 3. 训练/推理/评估环境\n\n- 本方法为无学习过程的滤波式（IEKF）里程计，**无训练阶段**；所有算法在同一硬件平台评估：CPU i5-12400F、RAM 16GB（Sec. V-A）。\n- **在线推理效率指标**：消融实验报告每帧平均处理时间（ms，Table III），如 MARS-LVIG 上完整方法约 62.5 ms/帧；重估计次数讨论中报告耗时随次数的变化（Table IV：次数从 5 增至 12 时耗时由约 62.5 ms 升至约 75 ms 后饱和）。\n- **评估工具与指标**：evo [^51]；APE 的 RMSE/MAX（单位：米）。\n- **补充材料**：'Park-in-day-cam-free' 序列完整运行结果以补充视频呈现（Sec. V-B-4）；完整代码承诺开源但当前未提供链接（Sec. I 贡献列表）。\n\n### 4. 选择理由与验证内容（Why these choices matter）\n\n- **平台多样性**：四个公开数据集加轮腿实机覆盖全地形车、无人机、四足、地面机器人与轮腿机器人（Fig. 1, Fig. 7, Fig. 12），运动模式从低速崎岖（M2UD aggressive04 上下楼梯、大俯仰）、高速飞行（MARS-LVIG 8–12 m/s）到振动剧烈的粗糙地形（Diter++），直接验证论文核心主张——快速运动与颠簸地形下连续时间轨迹表示的必要性与鲁棒性（Abstract, Sec. I）。\n- **传感器多样性**：涵盖旋转式机械雷达（VLP-16、OS1 64/128）与非重复扫描固态雷达（Livox AVIA、Mid-70、Mid-360），验证算法对不同扫描模式与受限视场传感器的适应性（Table I, Sec. V-E）。\n- **退化场景覆盖**：HKairport02 起降阶段 LiDAR 严重退化、AMtown03 快速大角转弯退化、ntu-night13 存在 IMU-LiDAR 时间延迟等，用于检验 IMU 融合、拟合误差建模与重估计策略在退化条件下的价值与边界（Sec. V-B）。\n- **基线代表性**：同时对比离散时间滤波（F-LIO2）、概率体素地图（F-LIVO2）、连续时间优化（CLIC）与连续时间滤波（RESPLE），可分别验证李群控制点增量 B 样条表示、混合特征体素地图与重估计策略相对各技术范式的增益（Sec. V-A, Table II）。\n- **消融与讨论设计**：10 次重复 + 成功率指标量化鲁棒性（Table III：如 MARS-LVIG 上去掉重估计策略成功率降为 0/10）；重估计次数扫描（Table IV, Fig. 10-11）验证效率-鲁棒性权衡并支撑默认参数选择；轮腿实机实验（Table V：botanical 序列上 CT-VLIO 优于 F-LIO2）验证机载部署可行性。\n\n### 风险与局限提示\n\n- MCD 基线无 MAX 指标且部分结果引自文献，对比口径不完全一致（Sec. V-B）；\n- 除 Park-in-day-cam-free（2160 s）外，论文未给出各序列轨迹长度/时长的精确统计；\n- 体素最大细分深度、点数阈值 $N_{thre}$ 等超参数具体取值未披露，精确复现依赖未来开源代码（Sec. IV-C-1, Algorithm 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（Metrics and Results）\n\n### 1. 评估指标定义（Metrics）\n\n- **APE-RMSE / APE-MAX（单位：米）**（Sec. V-A）：将估计轨迹在每帧 LiDAR 结束时间戳处插值后，使用 evo 工具 [^51] 计算绝对位姿误差（Absolute Position Error, APE）的均方根误差（RMSE）与最大值（MAX）。RMSE 刻画全程整体精度，MAX 刻画最坏时刻的瞬时偏差。\n- **多次运行取平均**（Sec. V-A）：每条序列每个方法运行 3 次，对 RMSE 与 MAX 取平均以抑制随机误差。\n- **消融指标**（Sec. V-C, Table III）：Max/Mean/RMSE（m）、平均每帧处理时间 Ave-time（ms）、成功率 S-rate = SC/TC（成功次数/总次数）；每个配置独立运行 10 次，APE 指标取 10 次中的最佳结果。\n- **重估计次数敏感性指标**（Sec. V-D, Table IV）：在 'AMtown03' 序列上改变最大重估计次数（1–12），记录 Max/Mean/RMSE 与 Ave-time。\n- **实验设置**（Sec. V-A, Table I）：硬件统一为 i5-12400F CPU + 16GB RAM；B 样条节点频率按数据集调整：MCD 80Hz、M2UD/MARS-LVIG 50Hz、Diter++ 35Hz。CT-VLO 为纯 LiDAR 模式，CT-VLIO 为 LiDAR-IMU 融合模式。\n\n### 2. 主要结果（Main results，具体数字）\n\n### 公开数据集 APE（MAX/RMSE, m），Table II：\n\n- **Diter++ 'Park-in-day-cam-free'（2160 s 长航时序列）**：CT-VLO 0.581/0.214、CT-VLIO 0.573/0.252，为全场最佳；F-LIO2 0.939/0.348、R-LIO 0.825/0.416、F-LIVO2 3.194/1.011，CLIC 失败（×）。RMSE 相对最强基线 R-LIO 降低约 48%（Sec. V-B-4）。\n- **M2UD 'aggressive04'（全地形车上下楼梯、大幅俯仰）**：仅 R-LIO（2.507/0.882）与本方法（CT-VLO 2.107/0.690、CT-VLIO 2.118/0.715）完成全程，本方法更优；CLIC、F-LIO2、F-LIVO2 均失败。此序列中 CT-VLO 优于 CT-VLIO，因粗糙地形下 IMU 测量突变且未做专门处理，融合反而劣化（Sec. V-B-2）。\n- **MARS-LVIG 'AMtown03'（8–12 m/s 高速大转弯 + LiDAR 退化）**：CT-VLIO 3.183/2.033、CT-VLO 3.971/2.299 最佳；F-LIVO2 5.490/2.685、F-LIO2 6.191/3.216、R-LIO 20.640/12.630，CLIC 失败。\n- **MARS-LVIG 'HKairport02'（起降阶段 LiDAR 严重退化）**：CT-VLIO 4.509/2.702 显著最优（F-LIVO2 8.390/3.284、F-LIO2 8.987/2.931、CT-VLO 15.294/3.220），表明 IMU 融合在退化场景提升鲁棒性。\n- **MCD 'ntu-night-13'**：CT-VLO 0.855/0.381 最佳；但 CT-VLIO 2.452/1.229 劣化——因 IMU 与 LiDAR 存在时间延迟，连续时间方法对时间戳敏感（Sec. V-B-1）。\n- **M2UD 'plaza03'**：所有方法在 1350 s 进入电梯后均失败，评估区间固定为 [^0] [^1350]；CT-VLIO 1.435/0.619、CT-VLO 2.419/0.644、R-LIO 1.733/0.308*（*为有限次成功运行中的最佳值），CLIC 与 F-LIVO2 无法完成。\n- **Diter++ 'Forest-new'**：各方法均表现良好；R-LIO 0.371/0.127 略优，CT-VLIO 0.466/0.103 与 F-LIO2 0.438/0.103 的 RMSE 持平。\n- **轮腿实机（自采 botanical 数据集，Livox Mid-360，Table V，APE-RMSE m）**：botanical01：CT-VLIO 1.711 < CT-VLO 1.723 < F-LIO2 1.853；botanical02：CT-VLIO 0.821 < CT-VLO 0.877 < F-LIO2 1.249；botanical03：CT-VLO 2.008 ≈ CT-VLIO 2.025 < F-LIO2 2.093。三个场景本方法均优于 F-LIO2（Sec. V-E）。\n\n### 3. 与基线/代表性先前工作的对比（Comparison）\n\n- **基线选择**（Sec. V-A）：F-LIO2（离散时间 LiDAR-惯性，IESKF + 点面 ICP）、F-LIVO2（VoxelMap 改进版，取其 LIO 分量）、CLIC（连续时间、优化框架）、R-LIO/RESPLE（连续时间、IEKF + 四元数表示）。前两者代表离散时间 SOTA，后两者为连续时间直接竞争者。\n- **精度结论**：在 4 个数据集 15 条序列中，本方法在大多数序列取得最佳 APE（Sec. V-B）。相对连续时间同类：CLIC 在 aggressive04、aggressive05、campus06、plaza03、AMtown03、Park-in-day-cam-free 共 6 条序列失败；R-LIO 虽能完成 aggressive04 但 RMSE 落后（0.882 vs 0.690）。相对离散时间方法：F-LIO2/F-LIVO2 在剧烈俯仰变化时出现姿态突跳（Fig. 8 分析）。\n- **完成性（鲁棒性）对比**：'aggressive04' 仅 R-LIO 与本方法完成；'Park-in-day-cam-free' 中 CLIC 仅能运行有限时段，CT-VLO 完成全程且 APE 最佳（完整结果见补充视频，Sec. V-B-4）。\n- **对比口径注意**：MCD 数据集上 CLIC/F-LIO2/R-LIO 的结果引自 [^26][^27] 且无 MAX 指标，故 MCD 仅比较 RMSE（Sec. V-B）；R-LIO 在 plaza03 的结果为有限次成功运行的最佳值（Table II 注 *），存在幸存者偏差风险。\n- **定性建图对比**（Fig. 8）：'aggressive04' 上 CLIC 过第一个楼梯后振荡并最终失效，F-LIO2/F-LIVO2 在剧烈俯仰时姿态跳变，RESPLE 与本方法全程稳定；'AMtown03' 上本方法累积误差最小、建图最清晰（所有方法均无回环模块）。\n\n### 4. 消融、敏感性与综合分析（Ablations & Sensitivity）\n\n## 模块消融（Table III，CT-VLO 模式，10 次独立运行，重估计最大次数设为 5）：\n\n- **拟合误差建模（wo fit-err）**：三个数据集上移除后成功率均为 0/10，系统完全无法运行——表明 B 样条表示误差的在线估计是系统可运行的先决条件（Sec. V-C-1；eq.(15) 将该误差传播进观测噪声）。\n- **重估计策略（wo re）**：MCD 上成功率 6/10（配合体素时 4/10）→ 完整方法 9/10；MARS-LVIG 上无重估计时 0/10（完全失败），启用后 10/10；且移除后平均每帧耗时增加（M2UD：33.796 ms vs 33.565 ms；MARS-LVIG：62.2079 ms 仅在无体素时可运行），证明其同时提升鲁棒性与计算效率。\n- **体素特征（wo voxel）**：MCD 上引入体素特征使成功率 10/10→9/10、RMSE 0.906→0.994，即体素残差占比过高时反而劣化（Fig. 9 统计总残差与体素残差数量关系）；M2UD 上单独使用体素略降稳定性，但与重估计联合时 RMSE 0.688→0.677 且保持 10/10；MARS-LVIG 上收益显著：RMSE 2.939→2.299、MAX 18.959→3.972。\n- **完整方法（w all）**：MCD RMSE 0.994（9/10）、M2UD 0.677（10/10）、MARS-LVIG 2.299（10/10）。\n\n## 重估计次数敏感性（Table IV，'AMtown03'，CT-VLO）：\n\n- 次数 1–4：系统失败（扫描内大量点被丢弃）；次数 5：3.971/2.204/2.299，62.48 ms；次数 10 达最佳 3.829/2.149/2.253（74.81 ms）；次数 11–12 后耗时不再增长（约 75 ms），说明扫描内所有点已被利用（Sec. V-D）。\n- 实际运行中最大重估计次数为 10（Fig. 10-11）；LiDAR 退化条件下较少的重估计次数更利于稳定。综合性能与效率，论文实际设定最大重估计次数为 5。\n\n## 跨数据集/跨方法差异综合：\n\n- 节点频率需按平台调整（MCD 80Hz / M2UD、MARS-LVIG 50Hz / Diter++ 35Hz），显示方法对参数存在平台敏感性。\n- 体素特征收益与环境结构相关：平面特征充足场景（MCD 校园）收益为负或中性；结构复杂/退化场景（MARS-LVIG 空中高速、Diter++ 林地）收益显著。\n- 效率层面：重估计策略将 m 维问题分解为 k 个 m/k 维子问题（eq.(21) 复杂度分析），在 MARS-LVIG 上单帧约 62 ms、M2UD 约 33 ms、MCD 约 27 ms（i5-12400F），满足机载实时性。\n- 局限（Sec. V-F）：高动态遮挡环境与传感器严重退化场景下重估计策略可能失效，为后续工作方向。\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（What could be explored next?）\n\n### 浅层概览\n\n论文在结论（Sec. V-F）中明确指出两点局限：①当前工作聚焦颠簸/快速运动场景，尚未扩展到高动态与遮挡环境；②重估计策略在传感器严重退化环境中可能失效。结合正文各模块的设计取舍（李群增量样条表示 Sec. IV、拟合误差在线估计 Sec. IV-B、混合特征体素地图 Sec. IV-C、重估计策略 Sec. IV-C-2），可从**理论、工程、数据/评估**三个维度系统梳理后续探索方向。\n\n---\n\n### 一、理论方向（Theory）\n\n1. **拟合误差统计建模的深化**：当前将 B 样条与真实轨迹间的拟合误差假设为高斯分布 $\\delta_T \\sim \\mathcal{N}(0, \\Sigma_T)$，且旋转与平移独立建模（Sec. IV-B, eq.(12)(13)）。后续可研究该误差的真实分布特性（非高斯、时变、与运动剧烈度的耦合），并推导在线估计量的收敛性与一致性证明；消融实验（Table III 中 wo fit-err 全部失败，S-rate 0/10）已证明该模块是系统可运行的必要条件，其理论刻画价值高。\n2. **混合系统 IEKF 的一致性分析**：状态在控制点扩展时刻发生跳变，系统被建模为混合系统（Sec. IV-A, eq.(7)），但跳变时刻的协方差传播（$A_r, A_p$ 的切换，eq.(7b)）与迭代观测更新的统计一致性（consistency/NEES）未做分析，可借鉴误差状态卡尔曼滤波一致性理论开展证明与改进。\n3. **体素特征不确定性传播的完整理论**：Sec. IV-C 将协方差特征值/特征向量视为随机变量并传播不确定性（eq.(16)(17)），但明确忽略了均值不确定性；可扩展完整的随机矩阵特征分解不确定性理论，并分析 3σ 过滤机制（eq.(20)）作为硬门限对估计器统计性质（如后验高斯假设）的影响。\n4. **重估计策略的理论保证**：Sec. IV-C-2 借助复杂度分析（eq.(21)）说明将 m 维问题分解为 k 个 m/k 维子问题可提升效率，但未给出多次重估计（sample-estimate-resample 循环）对后验分布近似精度、迭代收敛性的理论界；Table IV 显示重估计次数从 5 到 12 性能非单调变化，暗示存在可理论化的最优次数选择准则。\n5. **样条阶数与节点间隔的自适应理论**：论文固定使用三次 B 样条与常数节点间隔（Sec. III-B），并按数据集手工设定节点频率（Sec. V-A），可探索阶数、$\\Delta t$ 与运动剧烈度/可观测性之间的自适应关系及相应表示误差上界。\n\n### 二、工程方向（Engineering）\n\n1. **IMU 异常值/野值处理**：'aggressive04' 序列显示粗糙地形下 IMU 测量突变反而使 CT-VLIO 劣于 CT-VLO（Sec. V-B-2），当前系统未对 IMU 数据做专门处理；可引入 IMU 野值检测、鲁棒马氏距离门限或自适应噪声膨胀。\n2. **节点频率在线自适应**：当前节点频率按数据集手工调定（MCD 80Hz、M2UD/MARS-LVIG 50Hz、Diter++ 35Hz，Sec. V-A），可基于运动先验、退化检测或信息矩阵在线调整，减少跨平台部署的人工调参成本。\n3. **回环检测集成**：'AMtown03' 等长序列存在累积误差且所有对比方法均无回环（Sec. V-B, Fig.8），可借鉴 CLIC [^14][^25] 的思路将回环约束融入连续时间框架，提升大规模建图一致性。\n4. **传感器退化下的重估计策略增强**：结论指出严重退化时策略可能失效（Sec. V-F）；可结合可观测性感知的点云采样与配准（如 X-ICP [^44]、CTE-MLO [^39] 思路）自适应调整重估计次数、$N_{thre}$ 阈值与特征类型选择。\n5. **多传感器扩展与嵌入式部署**：框架目前仅融合 LiDAR+IMU（Sec. III-A），可扩展相机（借鉴 F-LIVO2 [^13]）、GNSS、轮速计 [^7]；当前实验硬件为 i5-12400F 台式机（Sec. V-A），需在机载嵌入式平台（如 Jetson）上验证实时性与内存占用，兑现“机载算力”的应用定位（Sec. I）。\n6. **开源与超参数文档化**：论文承诺完整开源（Sec. I 贡献列表），但 $N_{thre}$、体素最大细分深度、3σ 阈值等关键超参数未在正文给出，开源时需补充以支持复现。\n\n### 三、数据/评估方向（Data & Evaluation）\n\n1. **高动态与遮挡场景基准**：现有四个数据集（Table I, Fig.7：M2UD、MARS-LVIG、Diter++、MCD）以颠簸地形与快速运动为主，缺少动态物体密集、遮挡严重的场景；需构建或引入相应基准以验证结论中自述的局限（Sec. V-F）。\n2. **统一评估口径**：MCD 数据集上部分基线（CLIC、R-LIO）结果引自 [^26][^27] 且无 MAX 指标，仅比较 RMSE（Sec. V-B）；未来应在相同硬件上复现全部基线，统一报告 RMSE+MAX 及成功率，避免口径不一致。\n3. **超参数系统消融**：Table IV 仅讨论最大重估计次数（1–12 次），$N_{thre}$、体素细分深度、节点频率、3σ 阈值等尚未系统消融；Fig.9 显示体素残差占比过高时性能下降，可进一步量化“体素特征比例—性能”关系并给出自动调节规则。\n4. **嵌入式实时性基准**：补充低算力平台上的每帧耗时、内存峰值与成功率统计（Table III 的 Ave-time 为台式机结果），验证机载部署可行性。\n5. **跨传感器泛化评估**：现有实验覆盖机械式（VLP-16、OS1-64/128）与半固态（AVIA、Mid-70、Mid-360）LiDAR（Table I, Sec. V-E），可扩充更多序列与传感器组合，量化节点频率等参数对不同扫描模式的敏感性，并报告多次运行的方差而非仅均值（Sec. V-A 每序列仅 3 次平均）。\n\n---\n\n### 优先级建议（从浅到深的推进路径）\n\n- **短期（复现与工程落地）**：开源代码+超参数文档、IMU 野值处理、统一评估口径与嵌入式耗时基准。\n- **中期（理论补强）**：拟合误差分布实证验证与一致性分析、重估计策略收敛界、体素特征不确定性完整传播。\n- **长期（系统能力扩展）**：高动态遮挡场景扩展、回环集成、多传感器紧耦合（相机/GNSS/轮速计）与机载嵌入式部署。\n\n**推理链小结**：上述方向均直接锚定论文自述局限（Sec. V-F）、消融暴露的薄弱环节（Table III 中 wo fit-err 与 wo re 的失败模式）、实验口径缺口（MCD 无 MAX、Table IV 非单调结果）以及框架设计边界（仅 LiDAR+IMU、手工节点频率），确保每条建议都有明确的文中依据与可验证的改进目标。\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. 部署形态与目标平台（浅层概览）\n\n- **目标场景**：搭载机载算力的移动机器人、人形/四足/轮腿机器人、无人机，面向自动驾驶、具身智能、巡检、搜救等应用（Sec. I 第一段；Fig.1, Fig.7, Fig.12）。\n- **传感器需求极简**：仅需 LiDAR + IMU 双传感器（Sec. III-A, Fig.2），已在多种 LiDAR 上验证：Velodyne VLP-16、Livox Avia、Ouster OS1 64/128、Livox Mid-70（Table I）以及轮腿实机上的 Livox Mid-360（Sec. V-E, Fig.12），说明对主流机械式与固态雷达均有适配性。\n- **硬件门槛低**：全部实验在桌面级 CPU（i5-12400F, 16GB RAM, Sec. V-A）完成，未依赖 GPU，具备向机载嵌入式平台（如 Jetson/工控机）移植的可行性。\n\n### 2. 部署约束（中层分析）\n\n- **逐平台参数整定不可避免**：样条节点频率需按平台/雷达调整——MCD 设 80Hz、M2UD 与 MARS-LVIG 设 50Hz、Diter++ 设 35Hz（Sec. V-A）；新平台接入需重新整定。\n- **时间同步质量是硬前提**：连续时间方法对测量时间戳敏感，'ntu-night13' 序列中 IMU 与 LiDAR 存在时延时，融合 IMU 反而使性能退化（RMSE 从 CT-VLO 的 0.381m 升至 CT-VLIO 的 1.229m, Table II 与 Sec. V-B-1）。部署前必须保证硬件触发或高精度时间戳。\n- **IMU 突变未做专门处理**：粗糙地形上 IMU 测量突变会抵消融合收益——'aggressive04' 中 CT-VLO（0.690m）优于 CT-VLIO（0.715m）（Sec. V-B-2, Table II），颠簸场景下应评估是否启用 IMU 融合。\n- **关键超参数缺失**：体素最大细分深度、点数阈值 $N_{thre}$ 未在文中给出具体取值（Module A 风险项），现场调参依赖未来开源代码。\n\n### 3. 计算/延迟影响（中层→深层）\n\n- **实测单帧耗时**：MCD 约 27.3ms、M2UD 约 33.6ms、MARS-LVIG 约 62.5ms（Table III 'w all' 配置），对 10Hz LiDAR 均满足实时性要求。\n- **重估计策略的复杂度收益**：将 m 维观测问题分解为 k 个 m/k 维子问题，显著降低 Kalman 增益计算（$S_K$）与协方差更新（$S_P$）开销（Sec. IV-C-2, eq.(21)）；残差与 Jacobian 计算随点数线性扩展，非瓶颈。关闭该策略后平均耗时上升（M2UD：wo re 33.796ms vs w all 33.565ms, Table III），且在 MARS-LVIG 上直接失效（0/10）。\n- **重估计次数-耗时权衡曲线**：最大次数从 5 增至 10，单帧耗时从 62.48ms 升至 74.81ms；≥10 次后耗时饱和，说明扫描点已全部利用（Table IV）；实际运行中最大触发 10 次（Fig.10-11）。论文为平衡性能与效率建议默认设为 5（Sec. V-D）。\n\n### 4. 鲁棒性与安全性（深层）\n\n- **拟合误差建模是安全底线**：不考虑样条拟合误差（wo fit-err）时，系统在 MCD、M2UD、MARS-LVIG 三个数据集全部失败（S-rate 均 0/10, Table III），该模块在部署中不可裁剪。\n- **重估计策略是鲁棒性核心**：MARS-LVIG 无重估计时 0/10 失败；MCD 上成功率从 4/10（wo re&voxel）提升至 9/10（w all）（Table III）。\n- **体素特征的双刃性**：体素残差占比过高时稳定性与性能下降，占比低时正向贡献（Sec. V-C, Fig.9）；MCD 上引入体素特征甚至略降性能（Table III）。部署时应监控体素特征占比作为运行健康指标。\n- **已知失效模式（Sec. V-F 结论自述 + 实验证据）**：\n  1. 高动态、强遮挡环境未验证，属明确局限；\n  2. 传感器严重退化场景下重估计策略可能失效（Sec. V-F）；\n  3. 无回环检测，长航时漂移累积（'AMtown03' 各方法均有累积误差, Sec. V-B）；\n  4. 电梯等极端退化场景所有对比方法均失败（'plaza03' 1350s 后, Sec. V-B-2）；\n  5. LiDAR 退化场景（起飞/降落、急转弯）仍有漂移（'HKairport02' MAX 达 4.509m, Table II）。\n- **安全含义**：系统仅输出位姿与地图，无内置故障检测与回环保护；在搜救、巡检等安全攸关场景中需外置漂移监控与退化检测（可复用其 3σ 过滤机制 eq.(20) 的拒绝率作为退化预警信号）。\n\n### 5. 可维护性（深层）\n\n- **开源承诺**：完整代码将开源（Sec. I 贡献列表最后一条），当前无链接，维护与二次开发路径依赖后续发布。\n- **模块化结构利于维护**：拟合误差估计、混合特征体素地图、重估计策略三者解耦，消融实验证明可独立开关（Table III），便于故障定位与按需裁剪（如算力受限时关闭体素特征）。\n- **参数调优指南明确**：Table IV 提供重估计次数敏感性数据，Fig.10-11 给出实际触发统计，为运维调参提供量化依据；LO 模式用固定超参数设定拟合误差协方差，LIO 模式在线估计（eq.(12)），IMU 可用时优先 LIO 模式。\n- **评估工具链标准化**：使用 evo 计算 APE（Sec. V-A），每序列跑三次取均值，便于持续回归测试。\n\n### 6. 部署建议清单\n\n1. **硬件**：桌面级 CPU 即可满足实时；优先保证 IMU-LiDAR 时间同步质量。\n2. **参数**：按平台整定节点频率；重估计最大次数以 5 起步，LiDAR 退化场景可上调至 10（Table IV）。\n3. **监控**：运行时跟踪体素特征占比（Fig.9）与 3σ 过滤拒绝率，作为退化/失效预警。\n4. **边界**：避免在强遮挡高动态、传感器严重退化、电梯等场景单独依赖本系统；长航时任务需叠加回环或外部定位修正。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## Module C8：精炼总结\n\n### 1. 总结段落\n\n本文提出 CT-VoxelMap，一种面向快速运动与颠簸粗糙地形、可在机载算力下实时运行的连续时间 LiDAR-惯性里程计（Abstract, Sec. I）。针对现有 B 样条连续时间方法解析 Jacobian 推导复杂、需额外处理边界条件、且普遍忽略样条与真实轨迹之间拟合误差的问题，论文将李群上控制点的**增量**作为估计变量，推导出更紧凑的累积式三次 B 样条表示（Sec. III-B, Sec. IV, eq.(3)-(6)）。整个系统在 IEKF 框架内实现（Algorithm 1, eq.(22)），并利用 IMU 前向传播信息在线估计连续轨迹拟合误差，将其传播到观测噪声中（Sec. IV-B, eq.(12)(13), Fig.4）。建图端采用混合特征（平面+体素）的概率自适应体素地图，对特征不确定性建模并配合 3σ 过滤，提升配准精度与鲁棒性（Sec. IV-C, Fig.5, eq.(14)-(20)）。此外提出重估计策略，将 m 维估计问题分解为 k 个 m/k 维子问题，显著降低 Kalman 增益计算开销并增强鲁棒性（Sec. IV-C-2, Fig.6, eq.(21)）。在 M2UD、MARS-LVIG、Diter++、MCD 四个公开数据集上，该方法在大多数序列取得最优 APE 指标（Table II, Fig.8），消融实验逐一验证了拟合误差建模、体素特征与重估计策略的贡献（Table III, Fig.9）。轮腿机器人实机实验进一步证明了算法在不同平台与 Livox-Mid 360 传感器上的适应性（Sec. V-E, Table V, Fig.12-13）。\n\n### 2. 五个关键要点\n\n1. **增量式李群 B 样条表示**：估计控制点增量 $d_j$ 而非控制点本身，使状态变量保持在欧氏空间的小量范围内，Jacobian 形式统一简洁，无需单独处理 $j=0$ 与 $j=N-1$ 的边界条件（Sec. IV, eq.(3)-(6), eq.(9)）。\n2. **拟合误差在线估计**：利用历史最优位姿、IMU 前向传播位姿与样条插值位姿之差，估计表示误差 $\\delta_T \\sim \\mathcal{N}(0, \\Sigma_T)$ 并计入观测噪声；消融显示若不考虑该误差，三个数据集上系统全部失败（S-rate 0/10，Sec. IV-B, eq.(12)(13), Table III）。\n3. **混合特征概率体素地图**：平面特征与体素特征（特征值/特征向量视为随机变量）并用，配合基于 $3\\sigma$ 原理的特征过滤，在平面特征稀缺或杂乱环境中维持稳定配准；但体素特征占比过高时反而降低稳定性（Sec. IV-C, Fig.5, eq.(14)-(20), Fig.9）。\n4. **重估计策略**：采用较短预测区间，当区间内点数超过阈值 $N_{thre}$ 时启动固定采样点数的多次“采样-估计”循环，将 m 维问题分解为 k 个 m/k 维子问题，降低 Kalman 增益与协方差更新复杂度；实测最大重估计次数设为 5 可平衡性能与效率（Sec. IV-C-2, eq.(21), Table IV, Fig.10-11）。\n5. **实验验证与开源承诺**：在四个公开数据集上多数序列取得最优 APE（如 Diter++ 'Park-in-day-cam-free' RMSE 0.214 m；M2UD 'aggressive04' 中仅本文与 R-LIO 完成全程且误差更低，Table II），并在轮腿机器人实机上验证（Table V）；完整代码承诺开源（Sec. I 贡献列表）。\n\n### 3. 核心公式/机制\n\n核心机制为**李群上累积式三次 B 样条的增量表示**（Sec. IV, eq.(3)(5)）：\n\n$$R(t)=R_{i-1}\\prod_{j=0}^{N-1}\\mathrm{Exp}\\big(\\tilde{\\lambda}_{j}(u)\\,d_{j}\\big),\\qquad d_{j}=\\mathrm{Log}\\big(R_{i+j-1}^{-1}R_{i+j}\\big)$$\n\n$$p(t)=p_{i-1}+\\sum_{j=0}^{N-1}\\tilde{\\lambda}_{j}(u)\\,d_{j},\\qquad d_{j}=p_{i+j}-p_{i+j-1}$$\n\n以增量 $d_j$ 为状态变量后，旋转 Jacobian 简化为统一形式（eq.(9)）：\n\n$$\\frac{\\partial R(t)}{\\partial d_{R,j}}=\\tilde{\\lambda}_{j}(u)\\,P_{j}\\,J_{r}\\big(\\tilde{\\lambda}_{j}(u)d_{j}\\big),\\quad P_{j}=P_{j+1}A_{j+1}^{T},\\ P_{N}=I$$\n\n该形式无需对 $j=0$ 与 $j=N-1$ 分情况讨论边界条件，是本文在推导简洁性与计算效率上相对 CLIC（优化框架）与 RESPLE（四元数表示 IEKF）等先前连续时间方法的关键改进（Sec. II, Sec. IV-B）。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## Module D：第二遍精读理解\n\n### 1. 结构树（Structure tree）\n\n``nCT-VoxelMap\n├── I. Introduction（引言：快速运动/粗糙地形下的定位难题；离散→连续时间范式演进；五项贡献）\n├── II. Related Work（离散时间 LIO：LOAM/LeGO-LOAM/FAST-LIO 系 → 连续时间表示：分段线性 / GP / B样条）\n├── III. Preliminaries（预备知识）\n│   ├── A. 系统概览、坐标系与测量模型（Fig.2；IMU 测量模型；LiDAR 点噪声模型）\n│   └── B. 累积式 B 样条插值（eq.(1)(2)，均匀三次 B 样条，N=4，Δt=τ）\n├── IV. State Estimation（状态估计，核心方法）\n│   ├── 状态定义：控制点增量 d_R,j / d_p,j（j=0..N-1）+ b_w, b_a, G g（eq.(3)-(6)）\n│   ├── A. 混合系统运动学模型（eq.(7)；状态跳变与常速度初始化新控制点）\n│   ├── B. IMU 观测（eq.(8)-(11) 解析 Jacobian；在线拟合误差估计 eq.(12)(13)，Fig.3/Fig.4）\n│   ├── C. 带不确定度的 LiDAR 观测\n│   │   ├── 1) 概率点-面/点-体素投影（eq.(14)-(20)，Fig.5；3σ 特征过滤）\n│   │   └── 2) 重估计策略（Fig.6；复杂度分析 eq.(21)）\n│   ├── D. 状态更新（IEKF MAP 迭代，eq.(22)）\n│   └── Algorithm 1（完整算法流程伪代码）\n└── V. Experiments（实验）\n    ├── A. 实验设置（Table I 数据集；基线；evo 指标；硬件平台）\n    ├── B. 公开数据集性能对比（Table II；Fig.8 建图对比）\n    ├── C. 消融实验（Table III；Fig.9 残差统计）\n    ├── D. 讨论（Table IV；Fig.10-11：最大重估计次数扫描）\n    ├── E. 轮腿机器人实机实验（Fig.12-13；Table V）\n    └── F. 结论与局限\n``n\n\n### 2. 方法/系统分解（method 原型）\n\n**输入**：\n\n- 带时间戳的 LiDAR 点云帧（局部坐标系 L，含测距/光束方向噪声）\n- 高频 IMU 测量（角速度、加速度）\n\n**输出**：\n\n- 连续时间轨迹：任意时刻可查询的 R(t), p(t), ω(t), v(t), a(t)（eq.(3)-(6)）\n- IMU 偏置 b_w、b_a 与重力向量 G g\n- 概率自适应体素地图（平面 + 体素混合特征）\n\n**状态向量**：χ = [d_R,j; d_p,j (j=0..N-1); b_w; b_a; G g]。核心设计：以控制点**增量**（欧氏空间小量）而非控制点本身为估计变量（Sec. IV 开头）。\n\n**模块分解**：\n\n1. **李群累积式三次 B 样条轨迹表示**（Sec. III-B、Sec. IV，eq.(3)-(6)）：在 SO(3) 上以 d_j = Log(R_{i+j-1}^{-1} R_{i+j}) 重写累积式 B 样条；角速度递归式 eq.(4)；位置/速度/加速度 eq.(5)(6)。两大优点（Sec. IV 明示）：① 状态变量处于欧氏空间且为小量，利于估计；② Jacobian 推导边界条件一致，无需单独处理 j=0 与 j=N-1 两种情形，形式更紧凑。\n2. **混合系统运动学模型**（Sec. IV-A，eq.(7)）：段内连续演化（χ̇=0⊞w）；当新 LiDAR 扫描最大时间戳 t_{L_e} 超出当前段时状态跳变（χ+ = Aχ−）；新控制点用常速度策略初始化（由 eq.(4)(6) 推出 d_{N-1} ≈ d_{N-2}），A_r、A_p 为移位矩阵。\n3. **IMU 观测与解析 Jacobian**（Sec. IV-B，eq.(8)-(11)，Fig.3）：利用当前段 N 个控制点影响的 2N-1 个控制点、区间 [t_{s,k-N+2}, t_{e,k}] 的 IMU 测量与历史估计构造观测 h_B；重力误差在 S² 流形上计算（eq.(9)）；关键 Jacobian：∂R(t)/∂d_{R,j} = λ̃_j(u) P_j J_r(λ̃_j(u) d_j)（eq.(11)），P_j = P_{j+1}A_{j+1}^T 递推，无需边界条件讨论。\n4. **拟合误差在线估计**（Sec. IV-B Fitting error 段，eq.(12)(13)，Fig.4）：以历史最优估计位姿 + IMU 前向传播位姿与样条插值位姿之差估计 δθ、δp，假设 δ_R ~ N(0,Σ_R)、δ_p ~ N(0,Σ_p)，作为观测噪声注入。此问题在既有连续时间工作 [^17][^25][^26][^27] 中均被忽略，是本文独有贡献。\n5. **概率混合特征体素地图**（Sec. IV-C-1，Fig.5）：点不确定度由测量噪声与位姿不确定度传播得到（eq.(14)）；体素协方差特征分解并将不确定度传播到特征值/特征向量（eq.(15)(16)）；粗到细自适应细分（可提取平面则停止，否则细分至最大深度）；平面体素用 point-to-plane（eq.(17)-(19)），非平面叶节点用 point-to-voxel（三特征值加权投影，eq.(20)）；基于 3σ 原则的特征过滤。\n6. **重估计策略**（Sec. IV-C-2，Fig.6，eq.(21)）：短预测区间 + 点数阈值 N_thre 触发采样-估计-重采样循环，将 m 维观测问题分解为 k 个 m/k 维子问题；Kalman 增益 S_K = 6n²m+2nm²+n²−4mn+O(m³)+O(n³)、协方差更新 S_P = 2n³+2n²m−n²，随 m 减小显著降低计算量，同时短区间多次迭代使估计更贴合真实运动。\n7. **IEKF 状态更新**（Sec. IV-D，eq.(22)，Algorithm 1）：MAP 迭代，H=[H_B^T, H_L^T]^T，R_k=diag(Σ_B, Σ_L)，Kalman 增益 K_i=(H_i^T R_k^{-1} H_i + P^{-1})^{-1} H_i^T R_k^{-1}；收敛判据 ‖δχ‖≤ε 或最大迭代次数 N。\n\n**推理流程（纯在线估计，无训练环节）**：状态传播 →（点数超阈值则分割子段循环）→ 点云转换至全局系 → 构建/更新自适应体素图 → 计算样条拟合误差 → 迭代计算 IMU/LiDAR 残差与 Jacobian → IEKF 更新 → 重投影点云并更新地图与拟合误差 → 直至本帧点处理完或达到最大重估计次数。\n\n### 3. 重要图表解读（选取 4 个）\n\n**Fig. 5（体素表示与分解示意，Sec. IV-C-1）**：展示混合特征体素地图的构建逻辑。粗到细策略：点云稀疏时建立粗体素，点云变密时自适应细分；若某体素可提取稳定平面特征则停止细分并标记为 plane feature（f_p），否则继续细分至最大深度，叶节点中不含平面特征的体素标记为 voxel feature（f_v）。设计动机：传感器安装位置或杂乱环境中平面特征可能不足，仅依赖平面（如 [^38]）会退化定位精度；体素特征以三个特征值/特征向量刻画局部点分布，作为补充信息源。与 Table III 呼应：MARS-LVIG 上引入 voxel 特征使 RMSE 从 2.939（wo voxel）降至 2.299（w all）；但 Fig.9 表明体素残差占比过高时反而损害稳定性。\n\n**Fig. 6（三种预测-估计策略对比，Sec. IV-C-2）**：左侧为长预测区间+单次估计（常速度假设失效、初值差）；中间为短区间多次预测（控制点不确定度快速累积、少量迭代难以收敛）；右侧为本文策略：短预测区间 + 固定最大次数重估计（采样-估计-重采样循环，以前一估计为先验）。配合 eq.(21) 复杂度分析，将 m 维问题分解为 k 个 m/k 维子问题以降低 Kalman 增益与协方差更新开销。Table IV 实证（AMtown03）：重估计次数 1-4 时系统失败，5 次可用（RMSE 2.299，62.5ms/帧），10 次精度最佳（2.253）但耗时增至 74.8ms，11-12 次后时间饱和（点已用尽），故实用默认取 5。\n\n**Table II（公开数据集 APE 对比，Sec. V-B）**：15 个序列上对比 CLIC、F-LIO2、R-LIO（RESPLE）、F-LIVO2 与本文 CT-VLO/CT-VLIO。关键读点：① M2UD aggressive04（全地形车上下楼梯、大俯仰）仅 R-LIO 与本文完成，本文 RMSE 0.690/0.715 优于 R-LIO 的 0.882；② Diter++ Park-in-day-cam-free（2160s 林地+建筑+长走廊）CLIC 失败，本文 CT-VLO RMSE 0.214 全面最优；③ MARS-LVIG AMtown03（高速大转弯+LiDAR 退化）CLIC 失败，本文 CT-VLIO 2.033 最优；④ MCD ntu-night13 因 IMU-LiDAR 时间延迟，加入 IMU 反而退化（CT-VLO 0.381 优于 CT-VLIO 1.229），揭示连续时间方法对时间戳精度的敏感性；⑤ MCD 基线结果引自 [^26][^27] 且无 MAX 指标，故仅比较 RMSE 以保证公平。\n\n**Table III（消融实验，Sec. V-C）**：三个不同 LiDAR 传感器序列（Mid-70 / VLP-16 / Avia），CT-VLO 模式，各 10 次独立运行。关键结论：① 去掉拟合误差建模（wo fit-err）在三个数据集全部 0/10 失败——拟合误差建模是系统可运行的必要条件；② 去掉重估计（wo re）使 MCD 成功率降至 6/10、MARS-LVIG 全部失败，且平均每帧耗时增加（M2UD 33.796ms vs 完整版 33.565ms）；③ voxel 特征在 MCD 上单独使用时略降稳定性（wo voxel 成功率 10/10 但 w all 为 9/10），与 Fig.9 的体素残差占比结论一致；④ MARS-LVIG 上 w all（Max/Mean/RMSE = 3.972/2.204/2.299）远优于 wo voxel（18.959/2.704/2.939）。\n\n### 4. 实验与评估细节\n\n- **数据集**（Table I，Fig.7）：M2UD（Velodyne VLP-16 + Xsens MTi 300；全地形车；城市/广场/停车场/校园/非平整地形，颠簸低速）；MARS-LVIG（Livox Avia + 内置 IMU；四旋翼无人机下视，8-12 m/s 中高速）；Diter++（Ouster OS1 64/128 + 内置 IMU；四足机器人；森林/公园，粗糙地形大振动）；MCD（Livox Mid-70 + VN100；地面车；大尺度校园，高速、视场受限）。共 15 个序列。\n- **指标**：使用 evo 工具 [^51] 计算绝对位姿误差（APE）的 RMSE 与 MAX；轨迹在 LiDAR 帧末时间戳处插值后评估；每序列运行 3 次取平均以抑制随机误差。消融实验另报 Max/Mean/RMSE（米）、每帧平均耗时（ms）、成功率 S-rate = SC/TC（10 次运行）。\n- **对比目标**：FAST-LIO2（F-LIO2，滤波式 LIO 代表）、FAST-LIVO2（F-LIVO2，VoxelMap 改进版，取其 LIO 分量）、CLIC（优化框架连续时间方法）、RESPLE（R-LIO，IEKF+四元数连续时间方法）。\n- **公平性措施**：所有算法在同一硬件（CPU i5-12400F，16GB RAM）评估；节点频率按数据集调优（MCD 80Hz、M2UD/MARS-LVIG 50Hz、Diter++ 35Hz）；MCD 基线结果引自 [^26][^27] 且无 MAX，仅比较 RMSE；plaza03 序列因所有方法在 1350s 进入电梯后失败，统一截取 [^0] [^1350]s 时间段比较。\n- **消融配置**：wo fit-err（无拟合误差考虑）/ wo re（无重估计策略）/ wo voxel（无体素特征）/ wo re&voxel（两者皆无）/ w all（完整方法）；重估计最大次数统一设为 5；报告指标为 10 次运行中的最优 APE。\n- **参数讨论**（Table IV，Fig.10-11）：最大重估计次数从 1 扫描至 12；1-4 次失败（大量点被丢弃），10 次精度最佳，≥11 次后耗时饱和；LiDAR 退化条件下较少重估计次数反而更稳定（Fig.11），权衡后默认设为 5。\n- **实机验证**（Sec. V-E，Table V，Fig.12-13）：轮腿机器人 + Livox Mid-360，校园植物园/河畔等颠簸地形 3 个序列；CT-VLIO 在 botanical01/02 最优（RMSE 1.711 / 0.821），botanical03 略逊于 CT-VLO（2.025 vs 2.008），均优于 F-LIO2。\n\n### 5. 方法架构图（适配 method 原型）\n\n``nLiDAR 点云(带时间戳)            IMU 测量\n      │                            │\n      ▼                            ▼\n┌─────────────────────────────────────────────┐\n│ 状态传播（混合系统模型 eq.(7)）              │\n│  · 段内连续: χ̇ = 0 ⊞ w                      │\n│  · 新段跳变: χ+ = Aχ−（常速度初始化新控制点）│\n└──────────────────┬──────────────────────────┘\n                   ▼\n┌─────────────────────────────────────────────┐\n│ 重估计策略（Fig.6, eq.(21)）                 │\n│  区间点数 > N_thre → 分割为 k 个子段循环处理 │\n└──────────────────┬──────────────────────────┘\n                   ▼\n┌─────────────────────────────────────────────┐\n│ 残差构建                                     │\n│  ① IMU 观测 h_B（eq.(8)）+ 紧凑解析 Jacobian │\n│  ② 在线拟合误差 δ_R, δ_p（eq.(12)(13)）      │\n│  ③ LiDAR: point-to-plane / point-to-voxel   │\n│     （eq.(17)(20), Fig.5）+ 3σ 特征过滤      │\n└──────────────────┬──────────────────────────┘\n                   ▼\n┌─────────────────────────────────────────────┐\n│ IEKF MAP 迭代更新（eq.(22), Algorithm 1）    │\n│  δχ = K(z−h) − (I−KH)Δχ̂；判据 ‖δχ‖≤ε 或 N  │\n└──────────────────┬──────────────────────────┘\n                   ▼\n   更新控制点增量 / 偏置 / 重力 → 重投影点云\n   → 更新概率自适应体素地图 → 输出连续轨迹 + 地图\n``n\n**图表-论断映射速查**：Fig.4 ↔ 拟合误差问题动机；Fig.5 ↔ 混合特征体素地图设计；Fig.6 + eq.(21) + Table IV ↔ 重估计策略的效率与鲁棒性论证；Table II ↔ 与四基线的精度对比；Table III ↔ 各模块必要性（拟合误差为必要条件、重估计主导鲁棒性、voxel 特征贡献依场景而异）；Fig.9 ↔ voxel 特征占比与稳定性的负相关证据；Table V + Fig.13 ↔ 跨平台（轮腿机器人）泛化验证。\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（Third-pass deep review）\n\n### 1. 可复现性重构（Reconstructability）\n\n**算法主流程（依据 Algorithm 1，Sec. IV-D 后）**：\n\n1. 状态传播一次（混合系统模型 eq.(7)：区间内连续演化 χ̇=0⊕w，新控制点到达时刻 t_k 发生跳变 χ_t+ = A·χ_t-）。\n2. 统计传播区间内 LiDAR 点数 N_l；若 N_l > N_thre 则对点集二分，先处理前半段（重估计策略，Sec. IV-C-2，Fig.6）。\n3. 将点云投影到全局系；若体素地图未初始化则构建自适应体素地图（粗到细分细策略，平面特征优先，无平面特征的叶节点记为体素特征，Fig.5）。\n4. 基于 IMU 前向传播位姿与样条插值位姿之差在线估计拟合误差协方差（eq.(12)(13)，Fig.4）。\n5. IEKF 迭代：计算 IMU 观测残差与 Jacobian（eq.(8)-(11)）、点-面/点-体素观测残差与 Jacobian（eq.(15)-(18)），按 eq.(22) 更新状态，直至 ‖δχ‖ ≤ ε 或达到最大迭代次数 N。\n6. 用更新后状态重投影点云、更新体素地图与拟合误差；处理剩余点段或达到最大重估计次数后进入下一帧。\n\n**关键公式链（复现索引）**：轨迹表示 eq.(3)(5)（控制点增量形式）、角速度递推 eq.(4)、新增控制点匀速初始化推导（Sec. IV-A，d_{R,N-1} ≃ d_{R,N-2}）、状态转移矩阵 A_r/A_p（Sec. IV-A）、IMU 观测 eq.(8)、Jacobian eq.(9)-(11)、拟合误差 δ_R ~ N(0, Σ_R) 与 δ_p ~ N(0, Σ_p)（eq.(12)(13)）、点不确定性传播 eq.(14)、点-面观测 eq.(15)、点-体素观测 eq.(17)、3σ 过滤 eq.(19)、Kalman 增益复杂度 eq.(21)、状态更新 eq.(22)。\n\n**复现缺口**：\n\n- 体素最大细分深度与点数阈值 N_thre 的具体数值未披露（Sec. IV-C-1 仅描述策略）。\n- LO 模式下拟合误差协方差的固定超参数取值未给出（Sec. V-B 仅说明 LIO 模式用 eq.(12) 在线计算）。\n- 重估计最大次数需按平台调参：消融统一设为 5（Sec. V-C），但 Table IV 显示 AMtown03 上 10 次最优、5 次为效率-性能折中（Sec. V-D）。\n- 代码承诺开源（Sec. I 贡献列表）但当前无链接；补充视频（Sec. V-B）未随文档提供。\n- 各数据集 knot frequency 已给出（MCD 80Hz、M2UD/MARS-LVIG 50Hz、Diter++ 35Hz，Sec. V-A），可直接沿用。\n\n### 2. 关键假设（Assumptions）\n\n- **拟合误差高斯假设**：连续轨迹与真实轨迹间的表示误差 δ_R ~ N(0, Σ_R)、δ_p ~ N(0, Σ_p)，旋转与平移误差独立建模（Sec. IV-B Fitting error 段）。\n- **观测噪声近似**：IMU 观测方程 h_a、h_ω 的噪声由 IMU 测量噪声近似（eq.(8) 下方说明）。\n- **匀速初始化与小量假设**：新增控制点采用匀速策略初始化，且当控制点频率足够高时增量 d_j（j=0,...,N-1）为小量（Sec. IV-A 推导）。\n- **特征充分性假设**：环境局部结构可用平面特征或体素特征（三特征值/特征向量）充分刻画；体素均值的不确定性被显式忽略（Sec. IV-C-1：the uncertainty of the mean is not considered）。\n- **3σ 过滤有效性**：假设 3σ 原则（eq.(19)）能有效剔除离群匹配；体素特征要求三个方向同时满足 3σ 才视为有效匹配（Sec. IV-C-1 Feature filtering）。\n- **短区间匀速预测假设**：状态预测基于匀速假设（Sec. IV-C-2），依赖重估计策略以短区间多次估计弥补长区间预测失准。\n\n### 3. 失效模式与盲点（Failure modes / blind spots）\n\n- **传感器时间戳延迟敏感**：ntu-night13 序列上因 IMU 与 LiDAR 存在时延，融合 IMU 后性能反而退化（Table II：CT-VLO 0.855/0.381 优于 CT-VLIO 2.452/1.229；Sec. V-B-1），系统未内置在线时延标定。\n- **IMU 剧烈突变无专门处理**：aggressive04 粗糙地形上 IMU 测量突变直接进入观测方程导致 CT-VLIO 劣于 CT-VLO（Sec. V-B-2），缺少 IMU 突变检测/鲁棒核机制。\n- **体素特征高占比退化**：Fig.9 与 Table III 显示体素残差占比过高时稳定性下降（MCD 上 w all 成功率 9/10 低于 wo voxel 的 10/10），但论文仅归因于比例问题，未给出特征比例自适应加权方案。\n- **严重退化与高动态场景盲区**：结论（Sec. V-F）明确承认重估计策略在传感器严重退化环境下可能失效；高动态遮挡环境未验证；且无回环检测，长序列累积漂移依然存在（AMtown03 各方法均有漂移，Sec. V-B-3、Fig.8）。\n\n### 4. 优点与不足（Strengths and weaknesses）\n\n**优点**：\n\n- **理论贡献清晰**：以李群上控制点增量为估计变量（eq.(3)(5)），Jacobian 形式统一（eq.(9)），无需像 [^24][^26] 那样单独处理 j=0 与 j=N-1 边界条件（Sec. IV 明确对比），推导更紧凑。\n- **填补拟合误差空白**：首次在连续时间 B 样条里程计中利用 IMU 前向传播在线估计表示误差（eq.(12)(13)，Fig.4），指出 [^17][^25][^26][^27] 均未处理该问题；消融显示去除该模块后三个数据集全部失败（Table III：S-rate 均为 0/10），证明其为系统可运行的必要条件。\n- **重估计策略双重收益**：将 m 维问题分解为 k 个 m/k 维子问题（eq.(21)），既降低 Kalman 增益计算量（Table III 平均耗时对比），又显著提升鲁棒性（MARS-LVIG 上无该策略则完全失败，Table III）。\n- **评估较充分**：覆盖 4 个公开数据集（Table I/II）+ 轮腿实机验证（Table V，Fig.12-13），消融采用 10 次独立运行统计（Sec. V-C），并对重估计次数做了参数敏感性讨论（Table IV，Fig.10-11）。\n\n**不足**：\n\n- **对比口径不完全一致**：MCD 数据集上 CLIC/F-LIO2/R-LIO 结果引自 [^26][^27] 且无 MAX 指标，仅比较 RMSE（Sec. V-B），公平性受限。\n- **体素特征收益不稳定**：MCD 上引入体素特征反而轻微降低稳定性与精度（Table III），缺乏自适应调节机制，削弱了混合特征策略的普适性论证。\n- **关键超参数不透明**：N_thre、最大细分深度、LO 模式拟合误差协方差等未披露，在代码开源前复现确定性低。\n- **无回环与长时一致性**：所有对比方法均无回环，AMtown03 等长序列累积误差仍明显（Fig.8），本文未提出针对性方案。\n- **发表信息缺失**：venue 与年份未标注，代码未放出，第三方验证暂不可行。\n\n### 5. 下一步研究方向（Next-step research directions）\n\n- **时延在线标定与 IMU 突变鲁棒化**：针对 ntu-night13 与 aggressive04 暴露的问题，引入传感器时延在线估计与 IMU 突变检测/鲁棒观测核，提升 LIO 模式在恶劣 IMU 条件下的可靠性。\n- **特征比例感知的自适应加权**：结合 localizability-aware 思路（如 [^44]），根据体素/平面残差占比动态调整观测权重或采样策略，缓解体素特征高占比导致的退化（呼应 Fig.9 发现）。\n- **退化感知的重估计策略**：将重估计次数与在线退化检测耦合，在传感器严重退化场景自适应调整采样-估计循环（Sec. V-F 明确提出的未来方向），并扩展验证至高动态遮挡环境。\n- **回环集成与长时一致性**：融合回环检测或位姿图后端以抑制长序列累积漂移；代码开源后开展第三方复现与超参数（N_thre、knot frequency、重估计次数）敏感性系统评估。\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 33 条）\n\n每条包含：英文术语/中文译名、定义、直觉、论文中的作用（含定位）、前置知识。\n\n#### 1. Continuous-Time Odometry（连续时间里程计）\n\n- **定义**：将机器人位姿表示为关于时间的连续函数（样条、高斯过程等），可在任意时间戳查询状态的估计范式。\n- **直觉**：离散方法只在固定频率的离散时刻给出位姿「点」，连续方法给出一条完整「曲线」，传感器数据何时到达就在曲线上何时取值。\n- **论文中的作用**：全文核心范式；用于免额外时间同步与运动补偿地融合异步、多速率传感器（Sec. I 第一、二段；Sec. II）。\n- **前置知识**：离散时间里程计、多传感器融合、时间戳概念。\n\n#### 2. STEAM（Simultaneous Trajectory Estimation and Mapping，同时轨迹估计与建图）\n\n- **定义**：连续时间 SLAM 的别称，强调同时估计连续轨迹与地图。\n- **直觉**：SLAM 估计对象从「一串离散位姿」变成「一条轨迹」。\n- **论文中的作用**：说明连续时间 SLAM 的本质（Sec. II「Continuous-time LiDAR-based odometry」段）。\n- **前置知识**：SLAM 基本概念。\n\n#### 3. Discrete-Time Odometry（离散时间里程计）\n\n- **定义**：在固定频率的离散时刻估计位姿的方法，代表工作有 FAST-LIO、LeGO-LOAM、FAST-LIVO2。\n- **直觉**：以「帧」为单位处理数据，帧间状态不可查询。\n- **论文中的作用**：作为对比范式，指出其在异步多传感器融合上的局限，引出连续时间方法（Sec. I 第一段）。\n- **前置知识**：滤波/优化框架基础。\n\n#### 4. Motion Compensation / De-skewing（运动补偿/点云去畸变）\n\n- **定义**：一帧 LiDAR 扫描内传感器持续运动导致点云畸变，需按各点时间戳校正的预处理。\n- **直觉**：转一圈扫回来的点其实是在不同位置采的，要把它们「摆回」统一坐标系。\n- **论文中的作用**：离散方法必需的预处理；连续时间方法通过轨迹插值天然消除该步骤（Sec. I；Sec. II）。\n- **前置知识**：LiDAR 扫描机制。\n\n#### 5. Gaussian Process Trajectory（高斯过程轨迹表示）\n\n- **定义**：用高斯过程对连续轨迹建模的非参数方法，可推断任意时刻位姿的均值与协方差。\n- **直觉**：把轨迹看作随机函数，用核函数刻画时间相关性。\n- **论文中的作用**：连续时间三大类表示之一；早期 GP 需解高维稠密逆矩阵，后续 LTV-SDE 运动先验使逆核矩阵稀疏（Sec. I；Sec. II，引 [^19][^20][^21]）。\n- **前置知识**：高斯过程回归、随机微分方程基础。\n\n#### 6. B-Spline（B样条）\n\n- **定义**：由控制点与节点向量定义的分段多项式曲线，本文采用三次（N=4）均匀 B 样条。\n- **直觉**：少数控制点「牵引」出一条光滑曲线，改一个点只影响局部。\n- **论文中的作用**：本文连续轨迹的参数化形式（Sec. III-B）。\n- **前置知识**：样条函数基础。\n\n#### 7. Cumulative-Form B-Spline（累积式B样条）\n\n- **定义**：将 B 样条写成相邻控制点增量指数映射乘积的形式：R(t)=R_i·∏Exp(λ̃_j(u)·Log(R_{i+j-1}^{-1}R_{i+j}))，p(t)=p_i+Σλ̃_j(u)(p_{i+j}−p_{i+j-1})（eq.(1)(2)）。\n- **直觉**：不直接存「绝对位姿」，而是存「相邻位姿间的相对变化」，连乘/累加得到当前位姿。\n- **论文中的作用**：本文轨迹表示的基础；其累积结构使控制点增量成为自然估计变量（Sec. III-B，引 [^24][^26]）。\n- **前置知识**：李群 Exp/Log、矩阵乘积。\n\n#### 8. De Boor-Cox Formulation（De Boor-Cox 递推）\n\n- **定义**：B 样条的经典递推构造方式。\n- **直觉**：从低阶样条逐级递推出高阶样条。\n- **论文中的作用**：指出实际应用多采用累积式而非递推式（Sec. I，引 [^22][^23]）。\n- **前置知识**：数值逼近基础。\n\n#### 9. Control Point（控制点）\n\n- **定义**：B 样条上与节点 t_m = t_0 + mΔt 关联的位姿变量 T_m ∈ SE(3)。\n- **直觉**：曲线的「骨架锚点」。\n- **论文中的作用**：传统方法直接把控制点作为估计变量，本文改为估计其增量（Sec. III-B；Sec. IV）。\n- **前置知识**：SE(3) 位姿表示。\n\n#### 10. Control Point Increment（控制点增量）\n\n- **定义**：相邻控制点间的相对量：旋转增量 d_j = Log(R_{i+j-1}^{-1}R_{i+j})，平移增量 d_j = p_{i+j} − p_{i+j-1}（eq.(3)(5)）。\n- **直觉**：估计「小变化」而非「大位姿」，变量始终是小量且处于欧氏空间，数值更稳定。\n- **论文中的作用**：本文状态变量核心组成（χ_Cr、χ_Cp，Sec. IV）；带来形式统一、无需边界条件讨论的简化解析 Jacobian（eq.(9)-(11)；Sec. V-F）。\n- **前置知识**：SO(3) 上的 Log 映射。\n\n#### 11. Matrix Lie Group: SO(3) / SE(3)（矩阵李群）\n\n- **定义**：旋转矩阵群 SO(3) 与带平移的位姿群 SE(3)，是兼具群结构与光滑流形结构的数学对象。\n- **直觉**：旋转/位姿不能随意加减，需要在「弯曲曲面」上做运算。\n- **论文中的作用**：与 RESPLE 的四元数表示对比，本文在矩阵李群上估计增量，形式更直观（Sec. I；Sec. IV 开头）。\n- **前置知识**：线性代数、旋转表示。\n\n#### 12. Exp / Log Map（指数/对数映射）\n\n- **定义**：李群与李代数之间的互逆映射：Exp 把旋转向量映射为旋转矩阵，Log 做反向变换。\n- **直觉**：在「曲面」与「切平面」之间来回搬运量。\n- **论文中的作用**：累积式 B 样条与增量定义的基本工具（eq.(1)(3)(4)）。\n- **前置知识**：李群李代数基础。\n\n#### 13. Knot Interval Δt（节点间隔）\n\n- **定义**：均匀 B 样条相邻节点的时间间隔，本文取 Δt = τ；实验中按数据集设 35–80 Hz 节点频率。\n- **直觉**：控制点摆放的「疏密」，越密轨迹表达能力越强、变量越多。\n- **论文中的作用**：样条关键超参数，不同数据集取值不同（Sec. III-B；Sec. V-A）。\n- **前置知识**：采样与分辨率直觉。\n\n#### 14. Blending Matrix（混合矩阵 B̃^(N)）\n\n- **定义**：给定阶数 N 后，将 [1, u, …, u^(N-1)] 映射为累积基系数 λ̃_j(u) 的常数矩阵（eq.(2)）。\n- **直觉**：一张「查表系数」，决定各增量在不同 u 处的权重。\n- **论文中的作用**：计算 λ̃ 及其一、二阶导，用于速度/加速度与 Jacobian 推导（Sec. III-B，引 [^24][^26]）。\n- **前置知识**：多项式基函数。\n\n#### 15. Local Support Property（局部支撑特性）\n\n- **定义**：B 样条每段轨迹仅由 N 个控制点决定；当前段 N 个控制点共影响 N 段轨迹、涉及 2N−1 个控制点。\n- **直觉**：动一个控制点只「波及」邻近几段曲线。\n- **论文中的作用**：决定 IMU 观测构造的时间区间 [t_{s,k-N+2}, t_{e,k}] 与 Jacobian 稀疏结构（Sec. IV-B；Fig. 3）。\n- **前置知识**：B 样条基本性质。\n\n#### 16. Hybrid System（混合系统）\n\n- **定义**：状态在区间内连续演化（χ̇=0⊕w）、在离散时刻跳变（χ_{t+}=Aχ_{t-}）的系统模型（eq.(7)）。\n- **直觉**：平时「静止+噪声」，新扫描到来需要新增控制点时状态「跳一下」。\n- **论文中的作用**：刻画控制点扩展导致的状态维度变化与转移矩阵 A_r、A_p（Sec. IV-A）。\n- **前置知识**：状态空间模型。\n\n#### 17. Constant Velocity Initialization（恒速初始化）\n\n- **定义**：新增控制点时假设 t_k 与 t_{k+1} 时刻线速度与角速度不变，从而初始化 d_{N-1}（Sec. IV-A）。\n- **直觉**：新控制点先按「匀速外推」猜一个值。\n- **论文中的作用**：给出 A_r、A_p 的具体形式（Sec. IV-A）。\n- **前置知识**：匀速运动模型。\n\n#### 18. IEKF（Iterated Extended Kalman Filter，迭代扩展卡尔曼滤波）\n\n- **定义**：在 EKF 基础上对后验进行多次迭代线性化以逼近 MAP 的滤波框架。\n- **直觉**：预测-更新循环内再做「反复修正」，直到状态增量收敛。\n- **论文中的作用**：本文估计框架；状态更新公式 eq.(22)，迭代终止条件 ‖δχ‖≤ε（Sec. IV-B、IV-D；Algorithm 1）。\n- **前置知识**：卡尔曼滤波、EKF。\n\n#### 19. MAP Estimation（最大后验估计）\n\n- **定义**：在先验与观测似然乘积最大意义下求状态估计。\n- **直觉**：既信预测（先验），也信测量（似然），取折中最优。\n- **论文中的作用**：滤波与优化两类方法共同的估计准则（Sec. I；Sec. IV-B、IV-D）。\n- **前置知识**：概率估计基础。\n\n#### 20. IMU Measurement Model（IMU测量模型）\n\n- **定义**：陀螺/加计测量 = 真值 + 零偏（b_ω、b_a）+ 高斯白噪声；加计测量还含重力项（Sec. III-A-1）。\n- **直觉**：IMU 读数永远带着「固定偏差」和「随机抖动」。\n- **论文中的作用**：IMU 观测方程 h_B 的构造基础（eq.(8)）。\n- **前置知识**：惯性测量单元原理。\n\n#### 21. IMU Forward Propagation（IMU前向传播）\n\n- **定义**：用 IMU 测量从上一状态递推预测当前状态（位姿、速度、零偏）。\n- **直觉**：两次对齐时刻之间靠 IMU「盲推」运动。\n- **论文中的作用**：为在线估计样条拟合误差提供参考位姿（Sec. IV-B，eq.(12)(13)，引 [^13][^37]）。\n- **前置知识**：惯性导航力学编排。\n\n#### 22. Fitting Error / Representation Error（拟合误差/表示误差）\n\n- **定义**：离散真实位姿与连续样条轨迹之间的偏差 δ_T；本文假设 δ_R~N(0,Σ_R)、δ_p~N(0,Σ_p)，用历史最优位姿与前向传播位姿相对样条插值位姿的差在线估计协方差（eq.(12)(13)；Fig. 4）。\n- **直觉**：低阶样条「画不精确」真实轨迹，这段差距就是表示误差，应计入观测噪声。\n- **论文中的作用**：本文关键创新之一；消融显示不考虑该误差时系统完全失败（Table III 中 wo fit-err 全部 0/10；Sec. V-C-1）。\n- **前置知识**：误差协方差建模。\n\n#### 23. ⊞ / ⊟（boxplus / boxminus，流形加减）\n\n- **定义**：流形上的广义加法（局部扰动注入）与广义减法（求局部扰动），定义沿用 [^37]。\n- **直觉**：在弯曲流形上做「平直世界」里的加减法。\n- **论文中的作用**：状态预测、观测线性化与重力 S² 差值计算的基础记号（Sec. IV-A；eq.(9)(10)）。\n- **前置知识**：李群扰动模型。\n\n#### 24. Right Jacobian Jr（SO(3)右雅可比）\n\n- **定义**：SO(3) 上 Exp 映射对旋转向量导数的解析修正项。\n- **直觉**：把「切空间小变化」精确换算成「旋转矩阵小变化」的系数。\n- **论文中的作用**：∂R(t)/∂d_j = λ̃_j(u)·P_j·Jr(λ̃_j(u)d_j)（eq.(9)）；角速度 Jacobian 亦用到（eq.(10)）。\n- **前置知识**：SO(3) 李代数微积分。\n\n#### 25. Point Uncertainty（点不确定性）\n\n- **定义**：将 LiDAR 点经连续时间位姿投影到全局系后的协方差 Σ_{Gp_i}，包含测量噪声、平移与旋转位姿不确定性的传播（eq.(14)，引 [^38][^43]）。\n- **直觉**：点被「摆」到全局系时，摆它的位姿不准会让点也不准。\n- **论文中的作用**：平面/体素特征不确定性传播的源头（Sec. IV-C-1）。\n- **前置知识**：协方差传播。\n\n#### 26. Plane Feature & Point-to-Plane（平面特征与点到面残差）\n\n- **定义**：体素内点云协方差最小特征值对应的平面结构；残差为法向量 u₁ 与 (Gp_i − q) 的内积（eq.(15)）。\n- **直觉**：点应贴在局部平面上，「离面距离」越小越好。\n- **论文中的作用**：主要观测方程之一；其 Jacobian 与噪声协方差经链式法则与不确定性传播解析给出（eq.(15) 后续推导）。\n- **前置知识**：PCA/特征值分解、ICP。\n\n#### 27. Voxel Feature & Point-to-Voxel（体素特征与点到体素残差）\n\n- **定义**：无法提取平面的叶节点体素，用三个特征值/特征向量刻画局部点云分布；残差将点投影到该分布并按 λ_i^{-1/2} 加权（eq.(16)）。\n- **直觉**：没有平面时退而求其次，让点「贴合」体素内的点云分布形状。\n- **论文中的作用**：混合特征策略的第二类观测，弥补平面不足场景（Sec. IV-C-1；Fig. 5）；消融验证其增益（Table III；Fig. 9）。\n- **前置知识**：NDT 类分布表示（引 [^46]-[^48]）。\n\n#### 28. Probabilistic Adaptive Voxel Mapping（概率自适应体素建图）\n\n- **定义**：由粗到细的体素细分策略：能提取平面则停止细分，否则继续细分至稳定特征或最大深度；叶节点中非平面体素记为体素特征（Sec. IV-C-1；Fig. 5，引 [^38]）。\n- **直觉**：地图「格子」按环境结构自动加密，平面处粗、杂乱处细。\n- **论文中的作用**：本文地图管理策略，标题中 Probabilistic Adaptive Voxel Mapping 的来源。\n- **前置知识**：体素地图、八叉树式细分。\n\n#### 29. 3σ Filtering（3σ过滤）\n\n- **定义**：基于观测噪声协方差的匹配有效性判据：点到平面距离落在 q 的 3σ 邻域内才接受匹配（eq.(17)）；体素特征需三个方向同时满足。\n- **直觉**：偏差超过三倍标准差的匹配大概率是外点，直接丢弃。\n- **论文中的作用**：稀疏扫描下保证特征匹配质量的过滤机制（Sec. IV-C-1 Feature filtering 段）。\n- **前置知识**：高斯分布、假设检验直觉。\n\n#### 30. Re-estimation Policy（重估计策略）\n\n- **定义**：在较短预测区间内设定最大重估计次数；当区间内点数超过阈值 N_thre 时启动「采样-估计-再采样」，将 m 维问题分解为 k 个 m/k 维子问题（Sec. IV-C-2；Fig. 6；eq.(21)；Algorithm 1）。\n- **直觉**：与其一次吃下整帧点云做一次大更新，不如分几口小步快跑，每次以上次结果为先验。\n- **论文中的作用**：同时提升计算效率（卡尔曼增益与协方差更新复杂度下降）与鲁棒性；消融与讨论显示其关键性（Table III、Table IV；Fig. 10-11；Sec. V-C-3、V-D）。\n- **前置知识**：卡尔曼增益计算复杂度（引 [^50]）、Point-LIO 思想（引 [^49]）。\n\n#### 31. Kalman Gain（卡尔曼增益）\n\n- **定义**：K = (HᵀR⁻¹H + P⁻¹)⁻¹HᵀR⁻¹，决定观测修正状态的权重（eq.(22)）。\n- **直觉**：信观测多一点还是信预测多一点，由增益「折中」。\n- **论文中的作用**：重估计策略效率分析的焦点——其复杂度 S_K 随观测维数 m 增长，分解后显著降低（eq.(21)）。\n- **前置知识**：卡尔曼滤波更新方程。\n\n#### 32. APE / RMSE / MAX（绝对位姿误差及其统计量）\n\n- **定义**：估计轨迹与真值之差的范数（APE）；其均方根（RMSE）与最大值（MAX）为报告指标，用 evo 工具计算，每序列跑三次取平均（Sec. V-A；Table II）。\n- **直觉**：RMSE 看「整体差多少」，MAX 看「最差差多少」。\n- **论文中的作用**：主要精度评价指标；MCD 数据集因基线缺 MAX 仅比较 RMSE（Sec. V-B）。\n- **前置知识**：轨迹评估工具 evo（引 [^51]）。\n\n#### 33. CT-VLO vs CT-VLIO（本文两种运行模式）\n\n- **定义**：CT-VLO 为仅 LiDAR 模式（拟合误差协方差用固定超参数）；CT-VLIO 为 LiDAR-IMU 融合模式（协方差按 eq.(12) 在线计算）（Sec. V-B）。\n- **直觉**：一个「纯激光」，一个「激光+IMU」。\n- **论文中的作用**：Table II 中两种配置分别与基线对比；aggressive04 序列中 IMU 突变导致 CT-VLIO 略逊于 CT-VLO（Sec. V-B-2）。\n- **前置知识**：传感器退化与融合权衡。\n\n### 二、概念依赖图（Concept Dependency Map，纯文本）\n\n``n【第0层：数学基础】\n矩阵李群 SO(3)/SE(3) → Exp/Log 映射 → ⊞/⊟ 流形运算 → 右雅可比 Jr\n        ↓\n【第1层：连续时间轨迹表示】\n离散时间里程计（局限：需时间同步+去畸变）→ 连续时间里程计 / STEAM\n   ├─→ 高斯过程轨迹（LTV-SDE 先验 → 稀疏逆核矩阵）\n   └─→ B样条 → De Boor-Cox 递推 → 累积式B样条\n              （控制点 T_m + 节点间隔 Δt + 混合矩阵 B̃）\n                    ↓\n        控制点增量 d_j（本文核心估计变量，eq.(3)(5)）\n                    ↓\n        角速度/速度/加速度递推（eq.(4)(6)）\n                    ↓\n【第2层：状态估计框架】\n混合系统模型（eq.(7)：连续演化+离散跳变）← 局部支撑特性\n   ├─→ 恒速初始化（新增控制点，转移矩阵 A_r/A_p）\n   ├─→ IMU 测量模型 → IMU 观测 h_B（eq.(8)）→ 解析 Jacobian（eq.(9)-(11)，依赖 Jr 与增量表示）\n   ├─→ IMU 前向传播 → 在线拟合误差估计（eq.(12)(13)，Fig.4）\n   └─→ IEKF + MAP → 状态更新 eq.(22)（卡尔曼增益 K）\n                    ↓\n【第3层：建图与观测】\n点不确定性（eq.(14)）→ 特征不确定性传播\n   ├─→ 平面特征 → 点到面残差（eq.(15)）\n   ├─→ 体素特征 → 点到体素残差（eq.(16)）\n   ├─→ 概率自适应体素建图（Fig.5，粗到细细分）\n   └─→ 3σ 过滤（eq.(17)）\n                    ↓\n【第4层：系统策略】\n重估计策略（Sec.IV-C-2，Fig.6，eq.(21)）\n   ├─→ 效率：m 维问题 → k 个 m/k 维子问题（卡尔曼增益/协方差更新复杂度下降）\n   └─→ 鲁棒性：短区间多次迭代，贴合真实运动\n                    ↓\n【第5层：实验评估】\nAPE / RMSE / MAX（evo 工具）→ Table II 对比（CLIC、F-LIO2、R-LIO、F-LIVO2）\n   ├─→ 消融：拟合误差 / 体素特征 / 重估计（Table III，Fig.9）\n   ├─→ 重估计次数讨论（Table IV，Fig.10-11）\n   └─→ 轮腿实机验证（Table V，Fig.12-13）\n``n\n**建议阅读顺序**：第0层 → 第1层（重点 eq.(1)-(6)）→ 第2层（重点 eq.(7)-(13) 与 Algorithm 1）→ 第3层（重点 eq.(14)-(17) 与 Fig.5）→ 第4层（Fig.6、eq.(21)）→ 第5层（Table II-V）。\n\n**关键依赖链（对应论文四大技术贡献）**：\n\n1. 累积式B样条 + 李群控制点增量 → 形式统一、免边界条件的简化解析 Jacobian（贡献二；eq.(9)-(11)；Sec. V-F）。\n2. IMU 前向传播 + 拟合误差在线建模 → 将表示误差注入观测噪声协方差，提升鲁棒性（贡献三前半；eq.(12)-(15)；Table III wo fit-err 全失败佐证其必要性）。\n3. 混合特征（平面+体素）概率自适应体素图 + 3σ 过滤 → 在平面缺失环境下补充几何信息（贡献三后半；Fig.5；Fig.9）。\n4. 重估计策略 → 将 m 维更新分解为 k 个 m/k 维子问题，兼顾效率与鲁棒性（贡献四；eq.(21)；Table III、Table IV）。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G：验证、冲突与参考文献核查\n\n### 0) 核查范围与方法说明\n\n- 本模块基于论文内部证据（正文、公式、图表、Algorithm 1、参考文献）进行交叉验证；论文未提供代码/数据链接与 DOI，外部独立复现暂不可行，故采用「文内双源定位 + 引文一致性检查」的验证策略。\n- 标记约定：✅ 文内多源一致；⚠️ 存在不确定性或口径差异；❌ 疑似错误/无法验证。\n\n### 1) 关键事实性主张核查（每条至少两个来源定位）\n\n**主张1：累积式三次 B 样条的李群表示数学基础来自 Sommer et al. [^24]**\n\n- 来源1：Sec. III-B, eq.(1)(2)，正文明确写「The cumulative form of the cubic B-spline can be described as follows [^24]」。\n- 来源2：参考文献 [^24]（Sommer, Usenko, Schubert, Demmel, Cremers, CVPR 2020）。\n- 来源3（交叉印证）：Sec. II 相关工作中 [^25][^26] 均声明基于 [^24] 的累积式 B 样条。\n- 结论：✅ 一致。\n\n**主张2：以控制点增量 d_j（而非控制点本身）为估计变量可统一 Jacobian 形式并免除边界条件讨论**\n\n- 来源1：Sec. IV 开头与 eq.(3)-(6)：增量是小量、状态处于欧氏空间、推导时 j=0 与 j=N-1 情形一致。\n- 来源2：Sec. IV-B eq.(9)-(11)：Jacobian 通过 P_j 递推（P_j = P_{j+1} A_{j+1}^T, P_N = I）统一覆盖所有 j。\n- 来源3：Sec. V-F 结论重申「eliminating the need for additional boundary condition considerations」。\n- 结论：✅ 文内一致；⚠️ 「比 [^24][^26][^27] 更简洁」为作者相对性自评，需对照原文验证。\n\n### 主张3：RESPLE [^27] 是基于 IEKF、采用四元数表示的连续时间方法\n\n- 来源1：Sec. I：「[^27] extended continuous-time B-spline estimation to filter frameworks... using quaternion representations that complicate Jacobian derivation」。\n- 来源2：Sec. II 末段与 Sec. V-A（R-LIO 作为 IEKF 基线参与对比）。\n- 来源3：参考文献 [^27]（Cao, Talbot, Li, RESPLE, RA-L, vol.10, no.10, pp.10666-10673, 2025）。\n- 结论：✅ 一致。\n\n### 主张4：CLIC [^14] 为基于优化的连续时间 LiDAR-惯性-相机 SLAM\n\n- 来源1：Sec. V-A：「CLIC adopting an optimization-based framework」。\n- 来源2：参考文献 [^14]（Lv et al., Continuous-time fixed-lag smoothing for lidar-inertial-camera slam, IEEE/ASME Trans. Mechatronics, vol.28, no.4, 2023）。\n- 结论：✅ 一致。\n\n### 主张5：FAST-LIO2 [^37] 采用 IESKF + 直接点云配准（point-to-plane ICP）\n\n- 来源1：Sec. I/II：「the IESKF framework combined with point-to-plane ICP」。\n- 来源2：参考文献 [^37]（Xu, Cai, He, Lin, Zhang, IEEE T-RO, vol.38, no.4, 2022）。\n- 结论：✅ 一致。\n\n## 主张6：FAST-LIVO2 [^13] 为 VoxelMap 的改进版本，实验采用其 LIO 分量\n\n- 来源1：Sec. V-A：「F-LIVO2, an improved version of VoxelMap... its LIO component is employed in the comparative experiments」。\n- 来源2：参考文献 [^13]（Zheng et al., IEEE T-RO, vol.41, pp.326-346, 2025）。\n- 结论：✅ 一致（「state-of-the-art」为作者表述）。\n\n## 主张7：拟合误差经 IMU 前向传播位姿与轨迹插值位姿之差在线估计，并假设高斯分布\n\n- 来源1：Sec. IV-B「Fitting error」段 + eq.(12)(13)（delta_theta / delta_p 与 Sigma_R / Sigma_p 的样本协方差计算）。\n- 来源2：Fig. 4 示意图 + Algorithm 1 第 10/18 行（计算与更新 fitting error）。\n- 来源3：Sec. V-C-1 + Table III：wo fit-err 配置在三个数据集上 S-rate 均为 0/10，说明该模块对系统运行不可或缺。\n- 结论：✅ 文内一致；⚠️ 高斯假设未做统计检验，属建模假设。\n\n## 主张8：重估计策略将 m 维估计问题分解为 k 个 m/k 维子问题，降低 Kalman 增益与协方差更新开销\n\n- 来源1：Sec. IV-C-2 + eq.(21)（S_K、S_P 复杂度式，引用 [^50]）+ Fig. 6 三种策略示意图。\n- 来源2：Sec. V-C-3 + Table III：MCD 上 wo re 的 Ave-time 27.5316 ms 高于 w all 的 27.3120 ms；MARS-LVIG 上 wo re 完全失败（0/10）而 w all 成功（10/10）。\n- 来源3：Sec. V-D + Table IV：re-estimate 次数扫描显示 10 次时精度最佳（3.829/2.149/2.253），时间随次数增加而上升。\n- 结论：✅ 文内一致；⚠️ 复杂度为「保守估计」，R 为对角阵的简化说明仅出现在正文括号内。\n\n## 主张9：混合特征（平面+体素）概率体素地图借鉴 [^38] 并从纯平面扩展到体素特征\n\n- 来源1：Sec. IV-C-1：「Inspired by [^38]... unlike [^38] which focuses solely on planar features」。\n- 来源2：Fig. 5（体素表示与分解）+ eq.(14)-(20)（点-面/点-体素观测方程与 3σ 过滤）。\n- 来源3：参考文献 [^38]（Yuan et al., RA-L, vol.7, no.3, 2022）。\n- 结论：✅ 一致。\n\n## 主张10：在四个公开数据集的大多数序列上取得最佳 APE\n\n- 来源1：Table II 数值：CT-VLO/CT-VLIO 在 ntu-day-10、ntu-night-04、ntu-night-08、ntu-night-13、aggressive04、campus06、AMtown03、Park-in-day-cam-free、HKairport02（CT-VLIO 2.702）等序列最优。\n- 来源2：Sec. V-B 文字总结 + Fig. 8（aggressive04 与 AMtown03 的轨迹/建图对比）。\n- 结论：✅ 与「most sequences」表述相符；⚠️ 非全最优：MCD ntu-day-01（R-LIO 0.549 更优）、Forest-new（R-LIO 0.371 更优）、HKisland02（CLIC 1.973 更优）、plaza03（R-LIO RMSE 0.308 更优）。\n\n## 主张11：四个数据集的平台/传感器属性描述\n\n- 来源1：Table I（传感器型号：VLP-16/Xsens MTi 300、AVIA、Ouster OS1 64/128、Livox Mid 70/VN100）+ Fig. 7 图注。\n- 来源2：Sec. V-B 各数据集小节（速度、场景、退化描述）。\n- 来源3：参考文献 [^28][^29][^30][^31]。\n- 结论：✅ 文内一致。\n\n## 主张12：评估协议为 evo 工具计算 APE 的 RMSE/MAX，每序列运行 3 次取均值\n\n- 来源1：Sec. V-A（「using the evo tool [^51]」「run three times... averaged」）。\n- 来源2：参考文献 [^51]（Grupp, evo, GitHub 2017）。\n- 结论：✅ 一致；⚠️ Table III 消融改用 10 次运行并报告「best among ten runs」，与主实验口径不同（见冲突 2-(3)）。\n\n### 2) 冲突与不确定性说明\n\n## (1) 发表信息缺失（高优先级）\n\n- venue 与年份未标注；推断依据：引用了多篇 2025 年文献（[^2][^13][^18][^27][^29][^31][^39]）且为 IEEE 期刊排版。⚠️ 引用本文时需标注「预印本/未出版」状态。\n\n## (2) 基线对比口径不完全一致\n\n- MCD 上 CLIC/F-LIO2/R-LIO 结果引自 [^26][^27]，无 MAX 指标（Table II 表前说明 + Sec. V-B-1），故 MCD 仅比较 RMSE。⚠️ 与其他数据集双指标口径不同。\n- plaza03：所有方法在 1350 s 后失败，评估区间固定为 [^0] [^1350]；R-LIO 结果带 * 号（有限次成功运行中的最佳），正文承认其「failing repeatedly」（Sec. V-B-2）。⚠️ 存在幸存者偏差风险。\n\n## (3) 消融指标口径\n\n- Table III 的 APE 为十次运行中的最佳结果（Sec. V-C 明确说明），S-rate 为成功频次。⚠️ 「最佳运行精度」可能高估典型性能。\n- MARS-LVIG 消融中 wo re 与 wo re&voxel 的 S-rate 为 0/10、无精度数据，精度维度无法比较。\n\n## (4) Table IV 疑似数据重复\n\n- re-estimate times = 11 与 12 两行的 Max/Mean/RMSE 完全相同（7.219/3.665/3.986），仅 Ave-time 不同（75.4734 vs 75.0008）。❌ 疑似复制笔误；正文「所有点均被利用」可解释时间饱和，但精度逐位一致仍需存疑，建议复现确认。\n\n## (5) 图表交叉引用与排版问题\n\n- Sec. V-D 正文「Figure.IV shows the actual number of re-estimations」按上下文应指 Fig. 10（或 Fig. 11）。❌ 编号引用错误。\n- Table V 标题「mster」应为「meter」。❌ 拼写错误。\n- Sec. III-B「a blending matrix B~(N) and its cumulative form B~(N)」两个符号书写相同，疑似排版遗漏（累积形式应有区分记号）。⚠️ 需对照 [^24][^26] 确认。\n- eq.(3) 将 eq.(1) 的起点由 R_i 改为 R_{i-1} 且乘积自 j=0 开始（增量重索引），文中未显式说明索引平移的对应关系，初读易混淆。⚠️\n\n## (6) 结论主张与个别实验结果的张力\n\n- 主张 IMU 融合提升鲁棒性，但 aggressive04 上 CT-VLO（2.107/0.690）优于 CT-VLIO（2.118/0.715），ntu-night13 上 CT-VLO（0.855/0.381）显著优于 CT-VLIO（2.452/1.229）（Table II）。作者归因于 IMU 突变未特殊处理与 IMU-LiDAR 时间延迟（Sec. V-B-1/2）。⚠️ 解释自洽，但说明融合收益依赖数据质量，非无条件成立。\n- 连续时间方法的核心优势之一是异步多传感器融合，但本文系统仅含 LiDAR+IMU 两传感器（Sec. III-A），异步优势未在实验中直接验证。⚠️ 主张与验证范围存在差距。\n\n## (7) 可复现性缺口\n\n- 代码「将开源」但无链接（Sec. I 贡献列表）；补充视频未随文档提供（Sec. V-B）；关键超参数（体素最大细分深度、N_thre 取值、迭代上限 N 与阈值 epsilon、Sigma_T 先验）未完整给出（Sec. IV-C、Algorithm 1）。⚠️ 当前仅能依据公式与 Algorithm 1 复现。\n- 作者单位与基金信息缺失，无法进行利益冲突与作者背景核查。\n\n## (8) 外部事实核查限制\n\n- 论文无 DOI/arXiv 编号；对 [^24][^26][^27][^37][^38] 等关键引文的结论性转述（如「RESPLE 四元数表示导致 Jacobian 复杂」）无法在本文档内独立验证。⚠️ 建议对照阅读 [^26][^27] 原文以验证「更简洁 Jacobian」的相对优势主张。\n\n### 3) 参考文献列表（核查涉及的关键引文，编号与原文一致）\n\n## 方法基础类\n\n- [^24] C. Sommer, V. Usenko, D. Schubert, N. Demmel, D. Cremers, 「Efficient derivative computation for cumulative B-splines on Lie groups」, CVPR 2020.\n- [^22] M. G. Cox, IMA J. Appl. Math., 1972；[^23] C. De Boor, J. Approx. Theory, 1972.（B 样条原始文献）\n- [^20] T. D. Barfoot, C. H. Tong, S. Särkkä, RSS 2014.（GP-STEAM 稀疏核）\n- [^21] J. Dong, B. Boots, F. Dellaert, arXiv:1705.06020.（李群稀疏 GP）\n\n## 对比基线类\n\n- [^11] W. Xu, F. Zhang, 「FAST-LIO」, RA-L 2021.\n- [^37] W. Xu et al., 「FAST-LIO2」, IEEE T-RO, vol.38, no.4, 2022.\n- [^13] C. Zheng et al., 「FAST-LIVO2」, IEEE T-RO, vol.41, 2025.\n- [^14] J. Lv et al., 「CLIC」, IEEE/ASME Trans. Mechatronics, vol.28, no.4, 2023.\n- [^26] T.-M. Nguyen et al., 「Eigen is all you need: Efficient lidar-inertial continuous-time odometry with internal association」, RA-L 2024.\n- [^27] Z. Cao, W. Talbot, K. Li, 「RESPLE」, RA-L, vol.10, no.10, 2025.\n\n## 建图与不确定性类\n\n- [^38] C. Yuan et al., 「Efficient and probabilistic adaptive voxel mapping for accurate online lidar odometry」, RA-L, vol.7, no.3, 2022.\n- [^43] C. Yuan et al., RA-L, vol.6, no.4, 2021.（点不确定性建模）\n- [^41] B. Jiang, S. Shen, IROS 2022；[^42] K. Huang et al., 「Log-LIO2」, RA-L, vol.9, no.10, 2024.\n- [^49] D. He et al., 「Point-LIO」, Advanced Intelligent Systems, vol.5, no.7, 2023.（重估计策略灵感来源）\n\n## 数据集类\n\n- [^28] MARS-LVIG, IJRR, vol.43, no.8, 2024.\n- [^29] M2UD, IJRR, 2025.\n- [^30] MCD, CVPR 2024.\n- [^31] Diter++, ICRA 2025.\n\n## 评估与复杂度依据\n\n- [^51] M. Grupp, 「evo: Python package for the evaluation of odometry and slam」, GitHub 2017, <https://github.com/MichaelGrupp/evo>\n- [^50] B. Chen, X. Liu, H. Zhao, J. C. Principe, 「Maximum correntropy Kalman filter」, Automatica, vol.76, 2017.\n\n### 4) 核查小结\n\n- 文内一致性总体良好：核心方法主张（增量 B 样条表示、拟合误差在线估计、混合体素地图、重估计策略）在公式（eq.(3)-(21)）、Algorithm 1、图表（Fig.4-6）与消融（Table III-IV）之间相互印证。\n- 主要风险点：发表信息缺失、MCD 对比口径差异、Table III「best of ten」口径、Table IV 疑似重复数据、图表编号/拼写错误、可复现性信息不全。\n- 建议后续动作：① 对照 [^26][^27] 原文验证 Jacobian 简化与四元数复杂度主张；② 待代码开源后复现 Table II/III/IV；③ 对 Table IV 的 11/12 次结果重新实验确认；④ 引用时标注本文的未出版/预印本状态。\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## Module H：图表提取与深读索引\n\n### 1. 图表完整索引（Full Index）\n\n评分说明：★ 数量（1–5）表示该图表对论文核心结论的支撑重要度。\n\n#### 1.1 图（Figures）\n\n| 编号 | 标题/内容 | 类型 | 位置 | 支撑的论断 | 评分 |\n|---|---|---|---|---|---|\n| Fig. 1 | 数据集平台与建图性能总览 | 定性结果图 | Sec. I | 不同运动模式与传感器配置下均能实现鲁棒、精确的位姿估计（全文有效性总览） | ★★★ |\n| Fig. 2 | 系统总体框图 | 系统结构图 | Sec. III-A | 系统由 LiDAR 与 IMU 组成；定义 L/I/G 坐标系与 IMU、LiDAR 测量模型 | ★★★ |\n| Fig. 3 | 4 阶样条连续轨迹与受影响/不受影响历史状态示意 | 方法示意图 | Sec. IV-B-1 | 当前段 N 个控制点影响 N 段轨迹、共涉及 2N-1 个控制点，故 IMU 观测需覆盖区间 [t_{s,k-N+2}, t_{e,k}] | ★★★ |\n| Fig. 4 | 连续时间样条表示误差示意 | 方法示意图 | Sec. IV-B（Fitting error） | 样条与真实轨迹间存在拟合误差 δ_T，需基于 IMU 前向传播在线估计（eq.(12)(13)）；既有连续时间方法均未处理该误差 | ★★★★ |\n| Fig. 5 | 体素表示与分解图 | 方法示意图 | Sec. IV-C-1 | 混合特征（平面+体素）概率体素地图的粗到细构建策略：可提取平面特征的体素不再细分，否则细分至稳定特征或最大深度 | ★★★★ |\n| Fig. 6 | 三种预测与估计策略对比（最右为本文重估计策略） | 方法示意图 | Sec. IV-C-2 | 短预测区间内多次采样-估计，兼顾计算效率与运动适应性 | ★★★★ |\n| Fig. 7 | 四个公开数据集平台与环境（M2UD/MARS-LVIG/Diter++/MCD） | 数据集展示图 | Sec. V | 覆盖全地形车、四旋翼、四足、地面机器人等多样平台与场景（楼梯、森林、机场、校园等） | ★★★ |\n| Fig. 8 | 'aggressive04' 与 'AMtown03' 序列各方法建图对比（(a)-(f)、(g)-(l)） | 定性结果图 | Sec. V-B | CLIC 在两序列均失败；F-LIO2/F-LIVO2 在剧烈俯仰变化时姿态跳变；CT-VLO/CT-VLIO 全程稳定、累积误差更小、建图更清晰 | ★★★★★ |\n| Fig. 9 | 总残差数与体素残差数运行时统计 | 定量统计图 | Sec. V-C | 体素特征占比过高时系统稳定性与性能下降；占比较低时对估计性能有正向贡献 | ★★★★ |\n| Fig. 10 | 不同重估计次数下 'AMtown03' 结果统计对比 | 定量结果图 | Sec. V-D | 次数过低导致大量点被丢弃、系统失败；次数增加后点利用率与耗时上升 | ★★★★ |\n| Fig. 11 | 不同重估计次数轨迹对比：(a) 轨迹 (b) x/y/z 方向 (c) 速度曲线 | 定量结果图 | Sec. V-D | LiDAR 退化条件下重估计策略影响被放大，较低次数有助于稳定；当前参数下实际最大重估计次数为 10 | ★★★★ |\n| Fig. 12 | 轮腿机器人实验平台与硬件 | 实验平台图 | Sec. V-D/E | 实机验证平台（搭载 Livox Mid-360）的硬件配置说明 | ★★ |\n| Fig. 13 | 自采 Botanical 数据集三场景环境与轨迹对比（(a)-(c) 环境，(d)-(f) 轨迹） | 定性结果图 | Sec. V-E | 轮腿机器人在植物园、河滨、花园等颠簸地形上稳定运行并取得优于 F-LIO2 的精度 | ★★★ |\n\n#### 1.2 表（Tables）与算法\n\n| 编号 | 标题 | 类型 | 位置 | 支撑的论断 | 评分 |\n|---|---|---|---|---|---|\n| TABLE I | Dataset for real-world | 数据集设置表 | Sec. V-A | 四个数据集的场景与传感器配置（Velodyne VLP-16 / AVIA / Ouster OS1 64-128 / Livox Mid-70 等），体现跨传感器适应性 | ★★★ |\n| TABLE II | APE (MAX/RMSE, meters) of methods on public dataset | 主对比定量表 | Sec. V-B | 15 条序列上对比 CLIC/F-LIO2/R-LIO/F-LIVO2：本文在多数序列取得最优 APE；'aggressive04' 仅 R-LIO 与本文完成；'Park-in-day-cam-free' 本文最优（0.581/0.214） | ★★★★★ |\n| TABLE III | Ablation Experiments of CT-VLO on datasets | 消融定量表 | Sec. V-C | wo fit-err 在三个数据集成功率均 0/10，证明拟合误差建模必不可少；重估计策略提升成功率并降低耗时；体素特征在 MARS-LVIG 上将 RMSE 从 2.939 降至 2.299 | ★★★★★ |\n| TABLE IV | Re-estimate policy of CT-VLO on MARS-LVIG dataset | 参数讨论定量表 | Sec. V-D | 最大重估计次数 1-4 时系统失败；10 次性能最佳（3.829/2.149/2.253）；11-12 次耗时不再变化说明点云已全部利用；综合权衡实际设为 5 | ★★★★ |\n| TABLE V | APE Metric (RMSE) on Our Self-Collected Botanical Dataset | 实机验证定量表 | Sec. V-E | 轮腿机器人自采数据三条序列上 CT-VLO/CT-VLIO 均优于 F-LIO2（如 botanical02：0.877/0.821 vs 1.249） | ★★★★ |\n| Algorithm 1 | CTVoxelMap: Continuous-time state estimation with adaptive voxel map | 算法伪代码 | Sec. IV-D 之后、Sec. V-A 之前 | 完整流程：状态传播 → 按点数阈值 N_thre 分割点集 → 体素图构建 → 拟合误差计算 → IEKF 迭代（eq.(22)）→ 重估计循环直至处理完所有点或达最大次数 | ★★★★★ |\n\n### 2. 优先深读清单（Top-Priority Deep Reads，5 项）\n\n1. **TABLE II + Fig. 8（主对比证据链）**：验证「多数据集多数序列最优」这一核心主张。深读要点：① MCD 上基线无 MAX 指标（结果引自 [^26][^27]），故该数据集仅比较 RMSE；② 'plaza03' 因所有方法在 1350s 进入电梯后失败而截断为 [^0] [^1350]；③ R-LIO 在 'plaza03' 的结果（标 *）为有限次成功运行中的最优，非稳定均值；④ 'ntu-night13' 因 IMU-LiDAR 时间延迟，连续时间方法融合 IMU 后反而退化。\n2. **TABLE III + Fig. 9（消融证据链）**：三大模块（拟合误差、体素特征、重估计策略）贡献的最直接量化证据。wo fit-err 在三个数据集成功率全部 0/10，是拟合误差建模必要性的关键证据；结合 Fig. 9 理解体素特征「占比适中才有效」的结论。\n3. **TABLE IV + Fig. 10/11（超参数讨论链）**：理解重估计次数的「失败-性能-耗时」三段权衡，以及为何最终取 5 而非性能最佳的 10（效率与性能的平衡）。\n4. **Fig. 5 + Fig. 6 + Algorithm 1（方法机制链）**：混合特征体素地图的构建规则与重估计策略的执行流程；Algorithm 1 将两者与 IEKF 迭代整合为可复现的完整算法流程。\n5. **Fig. 4 + eq.(12)(13)（创新点动机链）**：拟合误差在线估计是本文区别于 CLIC/RESPLE 等既有 B 样条连续时间方法的关键；Fig. 4 给出直观动机，eq.(12)(13) 给出旋转/平移误差协方差 Σ_R、Σ_p 的在线估计方法。\n\n### 3. 图表关系与实验设置关系图\n\n### 方法主线（Sec. III–IV）：\n\n- Fig. 2 系统框图（坐标系 + 测量模型）\n  - → Fig. 3 IMU 观测区间（2N-1 控制点影响）→ eq.(8) IMU 观测方程与解析 Jacobian（eq.(9)-(11)）\n  - → Fig. 4 拟合误差示意 → eq.(12)(13) 在线估计 Σ_R 与 Σ_p\n  - → Fig. 5 混合特征体素地图 → eq.(14)-(20) 点-面/点-体素观测 + 3σ 过滤\n  - → Fig. 6 重估计策略 → eq.(21) 复杂度分析（m 维问题分解为 k 个 m/k 维子问题）\n  - → 汇入 Algorithm 1（总流程整合）\n\n### 实验主线（Sec. V）：\n\n- Fig. 7 + TABLE I：数据集与传感器设置（4 类平台 / 4 类 LiDAR）\n  - → TABLE II + Fig. 8：主对比（15 条序列 APE + 2 条挑战序列建图定性对比）\n  - → TABLE III + Fig. 9：消融（fit-err / voxel / re 三模块，每序列 10 次独立运行）\n  - → TABLE IV + Fig. 10/11：重估计次数超参数讨论（'AMtown03' 序列）\n  - → Fig. 12 + TABLE V + Fig. 13：轮腿实机验证（Livox Mid-360，自采 Botanical 数据集）\n\n**统一硬件平台**：CPU i5-12400F、RAM 16GB（TABLE II–IV 中所有方法均在同一平台评测，保证耗时对比公平）。\n\n### 4. 图表 → 结论映射（Figure/Table-to-Claim Mapping）\n\n| 论文核心结论 | 支撑图表 | 证据强度与说明 |\n|---|---|---|\n| 结论 1：李群控制点增量的累积式 B 样条表示带来更简洁统一的解析 Jacobian，无需边界条件讨论 | 无直接图表；Fig. 2、Algorithm 1 间接体现框架 | 主要由正文 eq.(3)-(11) 推导支撑，属理论贡献，图表仅提供系统级佐证 |\n| 结论 2：基于 IMU 前向传播的拟合误差在线估计提升鲁棒性 | Fig. 4（动机）+ TABLE III（wo fit-err） | 强：不建模拟合误差则三数据集成功率均为 0/10，系统完全无法运行 |\n| 结论 3：混合特征（平面+体素）体素地图提升精度 | Fig. 5（机制）+ TABLE III（wo voxel）+ Fig. 9（占比分析）+ TABLE II（整体精度） | 中-强：M2UD 上提升幅度小（RMSE 0.686→0.677），MARS-LVIG 上显著（2.939→2.299）；MCD 上体素特征略降稳定性，需与重估计策略配合使用 |\n| 结论 4：重估计策略显著提升计算效率与鲁棒性 | Fig. 6（机制）+ eq.(21)（复杂度）+ TABLE III（wo re）+ TABLE IV + Fig. 10/11 | 强：MARS-LVIG 上无该策略成功率 0/10；各数据集平均耗时下降（如 MCD 27.53→27.31 ms） |\n| 结论 5：在多个挑战性公开数据集上性能优越 | TABLE II + Fig. 8 | 强（有保留）：多数序列最优，但 MCD 部分序列不及 R-LIO（如 ntu-day-01 RMSE 1.100 vs 0.549）；'ntu-night13' 融合 IMU 后退化 |\n| 结论 6：实机可部署性（轮腿机器人 + 新型 LiDAR） | Fig. 12 + TABLE V + Fig. 13 | 中-强：自采数据三条序列均优于 F-LIO2，但无 R-LIO/CLIC 等外部基线参与实机对比 |\n\n### 5. 阅读提示与数据口径注意事项\n\n- TABLE II 中 MCD 数据集的基线结果引自 [^26][^27]，无 MAX 指标，故该数据集仅比较 RMSE，对比口径需注意。\n- 'plaza03' 序列被截断至 [^0] [^1350] 秒；R-LIO 结果（标 *）为有限次成功运行中的最优，非稳定均值。\n- TABLE III 的 APE 指标为 10 次独立运行中的最优结果（非均值），成功率 S-rate 才反映稳定性。\n- Fig. 10 与 Fig. 11 标题相近（均为 'AMtown03' 不同重估计次数对比）：Fig. 10 侧重统计结果，Fig. 11 侧重轨迹/xyz 分量/速度曲线。\n- 正文 Sec. V-D 出现 'Figure.IV' 表述应为笔误，结合上下文指重估计实际次数的统计图（Fig. 10 相关图像）。"
}