{
  "paper_id": "ea8dc06b1a66d276c230d0caafd4bdb6",
  "paper_title": "FAST-LIEO2: Fast and Tightly-Coupled LiDAR-Inertial-Event Odometry",
  "paper_authors": [
    "Jiang Wu",
    "Zirui Wang",
    "Jing Wu",
    "I-Ming Chen",
    "Zhenzhong Jia",
    "Boyu Zhou"
  ],
  "publication_date": "2025",
  "publication_venue": "IEEE Robotics and Automation Letters",
  "abstract": "在走廊和隧道等几何退化环境中，LiDAR-惯性里程计常因约束不足而漂移，而传统相机在高动态范围（HDR）光照和严重运动模糊下难以提供可靠的视觉约束。事件相机具有微秒级时间分辨率和高动态范围，可在具有挑战性的光照和快速运动下为状态估计提供额外信息源。本文提出FAST-LIEO2（以及可选RGB融合的FAST-LIEVO2），一个紧耦合的LiDAR-惯性-事件（-RGB）里程计框架，通过顺序更新的误差状态迭代卡尔曼滤波器（ESIKEF）融合LiDAR、事件和可选视觉量测，实现高效稳定的多模态状态估计。为缓解高活动区域的过度累积并保持低活动区域的结构，我们设计了根据事件活动度调整时间衰减参数的活动度自适应平滑时间面（AS-TS）。我们进一步维护两个事件子图，并设计由帧间几何对齐和随后的帧-图边缘对齐组成的粗到精分层事件更新策略，以改善先验位姿校正并扩大收敛域。在公开基准数据集和自采集数据集上的实验表明，FAST-LIEO2在多样的结构和光照条件下，其精度和鲁棒性优于所对比的多传感器SLAM基线，同时具备强大的实时性能。",
  "keywords": [
    "SLAM",
    "sensor fusion",
    "localization"
  ],
  "paper_institutions": [
    "Southern University of Science and Technology (SUSTech)"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "glm-5.3",
  "prompt_template": "simple",
  "extracted_at": "2026-09-17T09:39:19.231765Z",
  "template_tag": "deep_read",
  "summary": "# FAST-LIEO2: Fast and Tightly-Coupled LiDAR-Inertial-Event Odometry\n\n\n**作者 / Authors:** Jiang Wu, Zirui Wang, Jing Wu, I-Ming Chen, Zhenzhong Jia, Boyu Zhou\n\n\n**单位 / Institutions:** Southern University of Science and Technology (SUSTech)\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n**发表日期 / Publication Date:** 未明确说明（参考文献含2025年发表的文献，如 FAST-LIVO2 [^12] 与 ESVO2 [^15]，推测为2025年或之后）\n\n\n\n**期刊/会议 / Publication Venue:** 未明确说明（IEEE 期刊排版格式，含 Index Terms 与 IEEE Fellow/Member 标注，推测为 IEEE 期刊投稿或预印本）\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**：FAST-LIEO2: Fast and Tightly-Coupled LiDAR-Inertial-Event Odometry（含可选 RGB 融合版本 FAST-LIEVO2）\n- **作者**（姓名 / 单位 / 背景）：\n  - Jiang Wu（南方科技大学机械与能源工程系，通讯作者，<mailto:wuj@sustech.edu>.cn）\n  - Zirui Wang（文中未明确给出单位）\n  - Jing Wu（南方科技大学机械与能源工程系）\n  - I-Ming Chen（IEEE Fellow，文中未明确给出单位）\n  - Zhenzhong Jia（南方科技大学，IEEE Member）\n  - Boyu Zhou（南方科技大学机械与能源工程系）\n- **发表载体**：文中未明确标注期刊/会议名称与年份；从排版（Index Terms、IEEE Fellow/Member 标注）及参考文献（含 2025 年 IEEE T-RO 文献）推断为 IEEE 期刊投稿/预印本，时间约为 2025 年或之后。\n\n### 2. 研究定位\n\n- **研究领域**：SLAM / 多传感器融合状态估计（机器人定位与建图）。\n- **具体任务**：紧耦合 LiDAR–IMU–事件相机（可选 RGB）里程计，通过顺序更新的误差状态迭代卡尔曼滤波（ESIKEF）实现高效稳定的多模态状态估计（摘要、Section III、Fig. 1）。\n- **目标用户/应用场景**：需要在几何退化环境（走廊、隧道、单墙场景）、高动态范围（HDR）光照、剧烈运动/运动模糊条件下实现鲁棒实时定位的机器人与自主平台（Section I、IV.B.4）。\n\n### 3. 输入材料清单\n\n- **PDF**：有（正文全文，含摘要、引言、相关工作、系统描述、实验、结论与参考文献）。\n- **附录/补充材料**：未见。\n- **代码链接**：文中未提供。\n- **数据集链接**：文中提及公开基准 ECMD [^23] 与 VECtor [^24]，以及自采校园数据集（9 条序列，Section IV.B.1），但均未给出下载链接。\n\n### 4. 缺失材料与风险\n\n- **缺失项**：代码、补充材料、数据集链接、明确的发表载体与日期、部分作者（Zirui Wang、I-Ming Chen）单位信息。\n- **可能影响**：\n  - 无法直接复现实验或核对实现细节（如 ESIKF 迭代设置、体素分辨率、事件更新频率等超参数）；\n  - ECMD 序列使用了经验性时间偏移补偿（如 DVXplorer–IMU 偏移设为 1.5 s，见 Section IV.A.1），缺少代码/补充材料时难以独立验证该处理对结果的影响；\n  - 自采数据集无公开链接，Table III 相关结论只能依据文中报告采信。\n\n### 5. 阅读路线（3–6 步）\n\n- **Step 1**：读摘要、Section I 与 Fig. 1，建立系统总体认识：IMU 传播后按 LiDAR→事件→视觉顺序在 ESIKF 中融合。\n- **Step 2**：读 Section III.A 的顺序更新 ESIKF 推导（式 (4)–(8)），理解多模态量测如何按条件独立假设进行四次顺序贝叶斯更新。\n- **Step 3**：精读 Section III.C 的 AS-TS 事件表示（式 (9)–(12)、Algorithm 1）与全局/局部双事件子图、由粗到细（frame-to-frame 几何对齐 + frame-to-map 边缘对齐）更新策略（式 (13)–(14)），这是本文核心创新。\n- **Step 4**：读 Section IV 实验：Table I/III 精度对比、Table II AS-TS 参数敏感性、Table IV 实时性，以及 AS-TS 消融实验（Section IV.B.3）。\n- **Step 5**：回看 Section II 相关工作，明确与 FAST-LIEO [^19]、FAST-LIVO2 [^12]、ESVO2 [^15]、AGDP [^16] 的继承与差异关系。\n- **Step 6**：读 Section V 结论中承认的局限（弱事件约束、多模态同时退化情形）以评估后续研究方向。\n\n### 分类依据（paper_archetype = system）\n\n- 论文的主要贡献是一个完整、可实时运行的多传感器里程计系统（FAST-LIEO2/FAST-LIEVO2），涵盖融合架构、模态专属子图维护与部署级实时性评估（Table IV，事件更新 1.50 ms、LiDAR 更新 7.99 ms、视觉更新 23.59 ms）。\n- AS-TS 与由粗到细事件更新虽属算法层面创新，但均服务于该整体系统的鲁棒性与效率，故整体最佳归类为 `system` 而非 `method`。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B：第一遍通读概览\n\n### 1. 论文类型与类别\n\n- **类型**：system（系统型论文）。\n- **依据**：论文的主要贡献是一个完整、可实时运行的多传感器里程计系统 FAST-LIEO2 / FAST-LIEVO2，涵盖融合架构（顺序更新 ESIKF，Section III.A，式 (4)–(8)）、模态专属子图维护（Section III.B–D）与部署级实时性评估（Table IV：事件更新 1.50 ms、LiDAR 更新 7.99 ms、视觉更新 23.59 ms）。AS-TS 与由粗到细事件更新虽属算法层面创新，但均服务于整体系统的鲁棒性与效率，故整体归类为 `system`。\n\n### 2. 研究背景与上下文\n\n- **单传感器局限**：LiDAR-惯性里程计在走廊、隧道、单墙等几何退化环境中因约束不足而漂移（Section I，[^2]）；RGB 相机在 HDR 光照与剧烈运动模糊下视觉约束不可靠（Section I，[^3]）。\n- **现有多传感器融合的瓶颈**：主流方法以 RGB 相机为主视觉传感器，依赖光度一致性假设，该假设在复杂光照与快速运动下经常失效（Section I，[^5]）。\n- **事件相机的机会与挑战**：事件相机具有微秒级时间分辨率与高动态范围，可在恶劣光照与快速运动下提供可靠信息（Section I，[^6][^7]）；但其异步噪声特性与数据关联策略不同于常规视觉，核心挑战在于设计计算高效、优化友好的事件表示，以及在不同事件活动水平下保持稳定的量测模型与更新策略（Section I）。\n- **前作基础**：FAST-LIEO [^19] 已将 TS 事件观测纳入滤波式 LiDAR-IMU-事件管线，但其帧到地图对齐对先验位姿误差敏感（Section II.B），本文据此改进。\n\n### 3. 直觉正确性检查（关键假设及合理性）\n\n- **假设 1：传感器时间同步与外参离线标定**（Section III.A 开头明确假设）——工程上常见且合理；但 ECMD 实验中 DVXplorer–IMU 需设 1.5 s 经验时间偏移补偿（Section IV.A.1），说明该假设在真实数据上并不严格成立，作者以经验修正弥补，构成可复现性风险点。\n- **假设 2：各模态量测条件独立**（式 (6) 的条件独立分解）——滤波框架下的标准假设，顺序更新策略已在 FAST-LIVO2 [^12] 中被验证有效，合理。\n- **假设 3：事件活动与时间衰减参数反比相关**（式 (10)：τ 与局部活动率 λ 成反比并截断）——高活动区域用短衰减避免边缘过厚与冗余累积，低活动区域用长衰减保持边缘连续，直觉合理，且与 AGDP [^16]、ESVO2 AA [^15] 的活动自适应思想一脉相承（Section II.B）。\n- **假设 4：帧到帧几何对齐可先粗校正位姿、扩大收敛域，再由帧到地图边缘对齐细化**——借鉴 R3LIVE [^5] 两阶段视觉更新思想并迁移至事件模态，直觉合理；Table I/III 中 FAST-LIEO2 相对 FAST-LIEO 的精度提升（如 Tunnel_e_b 上 ATE 从 12.366 m 降至 0.476 m）提供了经验支持。\n- **潜在疑点**：AS-TS 默认参数（s=16, α=0.1, γ=200, ε=1, τ∈[^20] [^50] ms）为经验设定（Section III.C.1），但 Table II 的单因素敏感性分析显示其在合理范围内鲁棒，仅衰减范围 [τ_min, τ_max] 影响显著，部分缓解了疑虑。\n\n### 4. 核心贡献（3–5 条）\n\n1) **AS-TS（活动自适应平滑时间面）**：基于滤波同步融合区间内的局部事件计数估计活动，逐单元自适应调节时间衰减参数，平衡边缘稳定性与响应性（Section III.C.1，式 (9)–(12)，Algorithm 1）。\n2) **双事件子图 + 由粗到细事件更新**：维护全局与局部事件子图，先以 LK 光流做帧到帧几何对齐提供早期位姿粗校正，再做帧到地图边缘对齐细化，降低对先验位姿的敏感性并扩大收敛域（Section III.C.2–4，式 (13)–(14)）。\n3) **紧耦合多传感器滤波框架**：将 IMU、LiDAR、事件与可选 RGB 量测通过顺序更新 ESIKF 统一融合，支持不同维度的量测（Section III.A，式 (4)–(8)）。\n4) **全面实验验证**：在公开基准（ECMD、VECtor）与自采数据集（9 条序列）上评估，覆盖结构退化、HDR 光照与大规模户外场景，含 TS 消融与参数敏感性分析，验证精度、鲁棒性与实时性（Section IV，Table I–IV，Fig. 2–6）。\n\n### 5. 清晰度评估\n\n- **结构**：标准 IEEE 结构（引言→相关工作→系统描述→实验→结论），Section III 按模态分节（滤波框架→LiDAR→事件→视觉），逻辑清晰、易于跟随。\n- **图表**：Fig. 1 清晰展示系统架构与顺序更新流程；Fig. 2–6 覆盖建图对比、LiDAR 退化场景、HDR 光照与大规模户外实验；Table I–IV 分别对应基准精度、AS-TS 参数敏感性、自采数据集端到端误差与实时性，信息完整。\n- **公式**：式 (1)–(14) 推导完整，从状态定义、⊕/⊖ 流形算子到 ESIKF 更新与各模态量测模型，符号使用一致；AS-TS 生成流程有 Algorithm 1 伪代码总结，便于复现。\n- **可读性小问题**：Table I 与 Table III 的表头列名存在疑似排版错位（如 \"FAST-LIEO2(ours)\" 出现两次，结合上下文应有一列为 FAST-LIEVO2），阅读时需依据正文描述判断列含义；ECMD 时间偏移补偿的说明较冗长但透明。\n- **可复现性**：AS-TS 全部默认参数已给出（Section III.C.1），但代码与数据集下载链接未提供。\n\n### 6. 继续或停止建议\n\n- **建议**：继续深入阅读（值得进行第二遍与第三遍精读）。\n- **理由**：论文为系统型工作，方法部分（AS-TS + 由粗到细事件更新 + 顺序 ESIKF）创新点明确、推导完整；实验覆盖公开基准与自采数据，含消融（AS-TS vs 固定衰减 TS，Section IV.B.3）与参数敏感性分析（Table II），证据链较完整；对从事多传感器融合 SLAM 与事件相机应用的研究者有直接参考价值。若读者仅关心核心结论，阅读 Table I/III 与 Section IV.B.3 消融后即可停止。\n\n### 7. 结构大纲图\n\nmarkmap\n\n# FAST-LIEO2 概览\n\n## I. 引言\n\n### 单传感器局限（LiDAR 退化 / RGB HDR 失效）\n\n### 事件相机优势与集成挑战\n\n### 四项贡献\n\n## II. 相关工作\n\n### LiDAR-视觉-惯性 SLAM\n\n#### 优化类：LVI-SAM、VILENS\n\n#### 滤波类：R2LIVE、FAST-LIVO、R3LIVE、FAST-LIVO2\n\n### 事件 SLAM\n\n#### 直接法：ESVO、ESVO2、AGDP\n\n#### 特征法：ESVIO、Ultimate SLAM\n\n#### 前作：FAST-LIEO\n\n## III. 系统描述\n\n### 状态定义与流形算子（式 1–3）\n\n### A. 顺序更新 ESIKF（式 4–8）\n\n### B. LiDAR 量测（点面残差）\n\n### C. 事件量测\n\n#### AS-TS 表示（式 9–12，Algorithm 1）\n\n#### 全局/局部事件子图维护\n\n#### 帧到帧几何量测（式 13）\n\n#### 帧到地图边缘量测（式 14）\n\n### D. 视觉量测（稀疏直接法）\n\n## IV. 实验与结果\n\n### A. 公开基准（ECMD / VECtor）\n\n#### 精度对比（Table I，Fig. 2）\n\n#### 参数敏感性（Table II）\n\n### B. 自采数据集（9 条序列）\n\n#### 端到端误差（Table III）\n\n#### AS-TS 消融\n\n#### 挑战场景（退化 / HDR / 大规模，Fig. 4–6）\n\n#### 实时性（Table IV）\n\n## V. 结论\n\n### 局限：弱事件约束、多模态同时退化\n\n### 未来工作：退化检测与自适应加权\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n## Module C1：论文要解决什么问题？\n\n### 1. 一句话问题定义\n\n论文旨在解决单一传感器里程计在几何退化环境（走廊、隧道、单墙）与高动态范围（HDR）光照、剧烈运动条件下漂移或失效的问题，提出紧耦合 LiDAR–IMU–事件（可选 RGB）里程计框架 FAST-LIEO2/FAST-LIEVO2，通过顺序更新的误差状态迭代卡尔曼滤波（ESIKEF）实现高效稳定的多模态状态估计（Abstract、Section I、Fig. 1）。\n\n### 2. 痛点与现有不足\n\n- **LiDAR 几何退化漂移**：在走廊、隧道、单墙等场景中缺乏足够几何约束，LiDAR-惯性里程计容易漂移（Section I，引 [^2]；Fig. 4 展示退化场景中 FAST-LIO2 漂移而本文方法稳定的对比）。\n- **视觉约束不可靠**：RGB 相机在 HDR 光照与剧烈运动模糊下失效，多数融合方法依赖的光度不变假设在复杂光照与快速运动下崩溃（Section I，引 [^3][^5]；Section IV.B.2 中 FAST-LIEVO2 在曝光剧烈变化序列上视觉更新退化的分析）。\n- **事件表示空间不均衡**：事件相机虽具微秒级时间分辨率与高动态范围，但传统 time surface（TS）使用固定时间衰减参数，导致高活动区域边缘过厚、冗余累积，低活动区域边缘断裂、响应不足（Section III.C.1；Section IV.B.3 消融实验证实固定衰减 TS 的精度损失）。\n- **先验位姿敏感性**：前作 FAST-LIEO 采用直接 frame-to-map 事件对齐，初始位姿误差大时投影边缘偏离真实事件边缘，局部线性化失效，收敛域受限（Section III.C.3）。\n\n### 3. 形式化目标 / 优化目标\n\n- **状态定义**（式 (1)）：x = [R_I, p_I, v_I, b_g, b_a, g]，包含 IMU 姿态、位置、速度、陀螺仪/加速度计偏置与重力向量；在流形 SO(3)×R^n 上以 ⊞/⊟ 算子施加扰动并计算差分（式 (2)(3)）。\n- **贝叶斯后验分解**（式 (4)(5)）：以 IMU 前向传播先验 p(x) 为起点，假设各模态量测条件独立，按 LiDAR y_l → frame-to-frame 事件 y_eg → frame-to-map 事件 y_ee → 可选 RGB y_c 的顺序进行四次贝叶斯更新，求后验 p(x | y_l, y_eg, y_ee, y_c)；顺序更新避免不同维度量测的维度失配问题（Section III.A）。\n- **MAP 迭代更新**（式 (6)–(8)）：对各量测模型在当前迭代点一阶泰勒展开线性化，计算卡尔曼增益 K 并迭代更新误差状态，收敛后得到后验均值与协方差。\n- **AS-TS 自适应衰减**（式 (9)–(12)、Algorithm 1）：由滤波同步融合区间 Δt 内单元事件计数估计局部活动率，经 EMA 平滑后映射为逐单元自适应衰减参数 τ_k^j = clip(γ/(λ_k^j+ε), τ_min, τ_max)，在边缘稳定性与响应性之间取得平衡，作为跨模态 ESIKF 残差的边缘一致性场。\n- **由粗到细事件更新**：frame-to-frame 几何重投影残差（式 (13)，Lucas–Kanade 光流跟踪）提供早期位姿粗校正，frame-to-map 边缘一致性残差（式 (14)）进行精化，从而扩大收敛盆、降低对先验位姿的敏感性（Section III.C.3–4）。\n\n### 4. 成功标准（指标与期望性质）\n\n- **精度**：公开基准上 ATE(RMSE)/ARE(RMSE) 优于对比基线（Table I：ECMD 五条 + VECtor 三条序列，FAST-LIEO2/FAST-LIEVO2 在多数序列取得最优 ATE）；自采数据集端到端平移/旋转误差最低（Table III：九条序列中六条平移误差最低、五条旋转误差最低）。\n- **鲁棒性**：在 LiDAR 退化场景（trb-deg-loop，将 FAST-LIO2 的 18.842 m 端到端误差降至 0.007 m）、HDR 光照（cob-2f-loop、coe-5f-loop、cob-ioi-loop、coe-ioi-loop）、大规模户外（轨迹总长超 2 km 的 coe-loop、cn2-loop、trb-loop）下稳定收敛（Section IV.B.4、Fig. 4–6）。\n- **实时性**：事件更新 1.50 ms、LiDAR 更新 7.99 ms、视觉更新 23.59 ms（Table IV），满足部署级实时要求。\n- **消融验证**：AS-TS 相比固定 30 ms 衰减 TS 在全部 ECMD 序列上降低 ATE（如 Tunnel_e_b 从 0.825 m 降至 0.476 m，Urban_day_e_b 从 3.687 m 降至 2.920 m），自采数据集上增益更明显（如 cob-2f-loop 从 5.530 m 降至 0.004 m），证明自适应事件表示的必要性（Section IV.B.3）。\n\n### 5. 问题层次小结（浅→深）\n\n- **表层**：多传感器融合里程计在几何退化、恶劣光照与剧烈运动条件下的精度与鲁棒性不足。\n- **中层**：核心矛盾在于事件数据异步产生、噪声特性与数据关联策略不同于传统视觉，需要同时兼顾计算效率与优化友好的事件表示、可靠量测模型与跨活动水平稳定的更新策略（Section I 第三段明确陈述该关键挑战）。\n- **深层**：本质问题是在空间非均匀事件活动条件下，如何设计活动自适应表示（AS-TS）与由粗到细更新策略，使事件约束在 ESIKF 框架内既稳定又具备大收敛域，同时通过模态专属子图解耦维护与顺序贝叶斯更新，实现与 LiDAR/视觉量测的统一高效融合。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n## Module C2：相关工作分析\n\n### 1. 最强基线与比较轴\n\n### FAST-LIEO [^19]（最直接的最强基线）\n\n- Method：滤波式（迭代卡尔曼）LiDAR–IMU–事件里程计，使用固定时间衰减（30 ms）的标准时间表面（TS）作为事件表示，通过直接的 frame-to-map 对齐完成事件更新（Section II.B、IV.A.1、IV.B.3）。\n- Core idea：将 TS 事件观测嵌入 LiDAR–IMU–事件滤波管线，实现实时多模态融合。\n- Limitation：frame-to-map 对齐强烈依赖位姿先验，初始误差大时投影地图边缘偏离真实事件边缘，局部线性化失效，收敛域受限（Section III.C.3）；固定衰减导致高活动区域边缘过厚、低活动区域边缘断裂（Section III.C.1）。\n- 比较轴：相同传感器配置下的受控对比——AS-TS vs 固定衰减 TS、由粗到细更新 vs 直接 frame-to-map 对齐。Table I：Tunnel_e_b 上 ATE 从 12.366 m 降至 0.476 m；Table III 消融显示 AS-TS 相对 TS 的增益（如 cob-2f-loop：0.004 m vs 5.530 m）。\n\n### FAST-LIVO2 [^12]（架构父体与 RGB 路线最强基线）\n\n- Method：基于顺序量测更新与共享地图结构的紧耦合 LiDAR–惯性–视觉直接法里程计（Section II.A）。\n- Core idea：顺序更新 ESIKF + 共享地图提升效率；本文的顺序更新滤波框架直接继承自它（Section III.A）。\n- Limitation：依赖 RGB 图像与光度一致性假设，HDR 光照与运动模糊下视觉约束不可靠（Section I、II.A）；在 ECMD Urban_day_e_b/Urban_night_e_a 上 LIVO 模式不稳定，只能退化为 LIO 模式评估（Section IV.A.1）；Table I 中 Tunnel_e_c 上 ATE 达 47.700 m。\n- 比较轴：事件约束 vs RGB 光度约束在几何退化/HDR 场景下的鲁棒性。\n\n### FAST-LIO2 [^21]（LiDAR-only 基线）\n\n- 比较轴：纯几何约束在走廊/单墙等退化环境的漂移——trb-deg-loop 上端到端平移误差 18.842 m vs 本文 0.007 m（Table III、Fig. 4）。\n\n**总体比较轴**：精度（ATE/ARE RMSE，Table I）、鲁棒性/失败率（Table I/III）、端到端漂移（Table III）、实时性（Table IV：事件更新 1.50 ms、LiDAR 7.99 ms、视觉 23.59 ms）、AS-TS 参数敏感性（Table II）。\n\n### 2. 最接近的方法与关键差异\n\n## FAST-LIEO [^19]（最近的前驱系统）\n\n- 关键差异：(1) AS-TS 以滤波同步融合区间内的区域事件计数估计局部活动，经 EMA 平滑后映射为逐 cell 自适应衰减参数（式 (9)–(12)、Algorithm 1），替代固定衰减 TS；(2) 维护全局+局部两个事件子图，设计由粗到细两级更新——先 frame-to-frame（LK 光流跟踪点的几何重投影残差，式 (13)）做粗校正，再 frame-to-map（AS-TS 边缘一致性场残差，式 (14)）做精对齐，从而扩大收敛域（Section III.C.2–4）。\n\n## ESVO2 [^15] 与 AGDP [^16]（最接近的活动自适应事件表示）\n\n- Method：AGDP 用事件间时间戳间隔估计全局活动，自适应调整时间衰减与事件权重；ESVO2 的 AA（Adaptive Accumulation）将该思想扩展为区域事件累积，监测局部动态并终止累积，用于轮廓点采样与立体建图（Section II.B）。\n- Core idea：活动自适应的事件表示，抑制过累积。\n- Limitation/差异：AGDP 基于全局活动估计；ESVO2 面向纯事件（立体事件相机）直接法，AA 用于终止区域累积与轮廓点采样；而 AS-TS 在固定滤波同步融合区间内由区域事件计数估计局部活动，映射为逐 cell 衰减参数，形成服务于跨模态 ESIKF 残差的边缘一致性场，运行于 LiDAR–IMU–事件紧耦合滤波管线（Section II.B 末段）。\n\n## R3LIVE [^5]（由粗到细两级更新思想的来源）\n\n- Method：视觉更新采用 frame-to-frame 跟踪 + frame-to-map 光度对齐两级结构（Section II.A）。\n- 关键差异：本文将该由粗到细思想移植到事件模态，但以几何/边缘对齐替代光度对齐，且两级均作为独立量测（y_eg、y_ee）在 ESIKF 中顺序融入（Section III.A、III.C.3–4）。\n\n### 3. 正交方向\n\n- **优化式多传感器融合**：LVI-SAM [^4]（因子图 + 滑窗/全局优化 + 退化处理）、VILENS [^8]（LiDAR 基元 + 视觉特征 + IMU 预积分联合优化）——与本文的滤波式范式正交，文中未与之实验对比（Section II.A）。\n- **基于特征的事件 SLAM**：ESVIO [^17]、Ultimate SLAM [^18] 从事件特征构建约束并依赖滑窗/因子图优化——约束构建路线与本文的直接边缘对齐正交；实验中作为基线，在低纹理/弱边缘场景漂移大或失败（Table I、Section IV.A.2）。\n- **IMU-aided ESVO [^14]**：仅相机–IMU 的事件立体里程计，用惯性先验改善收敛，无 LiDAR——传感器配置正交（Section II.B）。\n- **R3LIVE++ [^11]**：光度标定与在线曝光时间估计——从 RGB 侧解决光度问题，与本文用事件传感器绕开光度假设的路线正交（Section II.A）。\n- **退化检测 [^2] 与主动曝光控制 [^3]**：互补技术，本文未集成；结论指出退化检测与自适应加权是未来工作（Section V）。\n- **回环检测**：所有被评估系统均不含回环（Section IV.B.2），属正交能力。\n\n### 4. 一句话定位\n\n本文将活动自适应事件表示（AS-TS）与基于双事件子图的由粗到细事件更新，嵌入继承自 FAST-LIVO2 的顺序更新 ESIKF 紧耦合 LiDAR–IMU–事件（可选 RGB）滤波框架，在几何退化、HDR 光照与大规模场景下以更高精度、鲁棒性和实时性超越 FAST-LIEO、FAST-LIVO2 等多传感器 SLAM 基线（Table I/III/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- **总体框架**：FAST-LIEO2/FAST-LIEVO2 采用「IMU 前向传播 + 顺序更新误差状态迭代卡尔曼滤波（ESIKEF）」的紧耦合架构：IMU 传播给出状态先验后，按 **LiDAR → 事件（帧到帧几何 → 帧到地图边缘）→ 可选视觉** 的固定顺序执行四次贝叶斯更新（Fig. 1、Section III 开头、Section III.A 式 (5)）。\n- **为何顺序更新**：各模态量测条件独立且维度不同，顺序更新可避免联合量测的维度失配，并允许各模态独立设计测量模型与数据关联策略（Section III.A）。\n- **事件模态的两大创新**：\n  1. **AS-TS（活动自适应平滑时间面）**：以固定融合区间内的区域事件计数估计局部活动度，逐格自适应调节时间衰减参数，解决固定衰减 TS「高活动区边缘过厚/低活动区边缘断裂」的空间不均衡问题（Section III.C.1，式 (9)–(12)，Algorithm 1）。\n  2. **由粗到细两阶段事件更新**：帧到帧几何对齐先提供粗位姿校正以扩大收敛域，帧到地图边缘对齐再细化估计，缓解前作 FAST-LIEO 直接帧到地图对齐对先验位姿的敏感性（Section III.C.3–4，式 (13)–(14)）。\n- **子图解耦**：LiDAR、事件、视觉各自维护模态专属子图（均从全局 LiDAR 地图按模态准则选取），将不同测量模型与地图维护策略解耦（Section III 开头）。\n\n### 2. 分步机制拆解（中层分析）\n\n### Step 0 状态定义与流形运算\n\n- 状态 x 包含 IMU 姿态、位置、速度、陀螺/加计偏置与重力向量（式 (1)）；采用 ⊞/⊟ 算子在 SO(3)×R^n 流形上施加扰动与求差（式 (2)–(3)，引 [^20]）。\n\n### Step 1 IMU 前向传播\n\n- 得到先验 p(x) 与传播协方差 P̂（式 (4)）。\n\n### Step 2 LiDAR 更新（点到面残差）\n\n- 反向传播将扫描内各点补偿至扫描结束时刻以消除运动畸变（Section III.B，引 [^21]）；点经式 (6) 变换到全局系后查询稠密体素地图，仅保留命中平面体素的点，构建点到面一致性量测 h_l（式 (7)）；噪声来自点测量噪声与平面参数（法向/中心）不确定性。\n\n## Step 3 事件更新（核心创新，两阶段）\n\n- **3a AS-TS 生成**（Algorithm 1，式 (9)–(12)）：\n  1. 图像平面按 s×s 分格，统计计数区间 Δt 内每格事件数 N_k^j，得局部事件率 r_k^j = N_k^j/Δt；\n  2. EMA 平滑活动度：λ_k^j = (1−α)·λ_(k−1)^j + α·r_k^j（式 (9)）；\n  3. 映射为自适应衰减：τ_k^j = clip(γ/(λ_k^j+ε), τ_min, τ_max)（式 (10)）——活动越高衰减越短（边缘细、响应快），活动越低衰减越长（边缘稳、防断裂）；γ 控制映射灵敏度，ε 为数值稳定项；\n  4. 生成 AS-TS（式 (11)），转为无极性负图 S^n（式 (12)）并高斯平滑以改善迭代收敛。\n  - 默认参数：s=16 px、α=0.1、γ=200、ε=1、τ_min=20 ms、τ_max=50 ms，除敏感性分析外全部实验统一使用（Section III.C.1）。\n- **3b 事件子图维护**（Section III.C.2）：维护全局半稠密事件子图与局部事件子图，二者均为全局 LiDAR 地图中「与最近激活 AS-TS 像素关联」的点子集；每次更新后用局部子图对全局子图做一致性剪枝——重投影落在负 AS-TS 高值像素的点视为噪声/动态外点并删除，抑制误差累积。\n- **3c 帧到帧几何更新**（式 (13)）：对上一帧成功跟踪的地图点集，在连续两帧负 AS-TS 间用 Lucas–Kanade 光流跟踪像素位置，构建几何重投影误差量测 h_eg；噪声来自光流跟踪噪声与投影模型不确定性。**作用**：先验误差较大时先提供粗校正，避免投影地图边缘远离真实事件边缘导致局部线性化失效（Section III.C.3）。\n- **3d 帧到地图边缘更新**（式 (14)）：将局部事件子图中的 3D 边缘点投影到当前负 AS-TS，把 AS-TS 视为可微「边缘一致性场」，直接以投影位置处的图像值构建残差 h_ee，无需显式特征提取与匹配；噪声来自 AS-TS 图像不确定性。\n\n## Step 4 可选视觉更新（稀疏直接光度对齐）\n\n- 沿用 FAST-LIVO [^10]：图像分格选取高梯度 LiDAR 投影点构成稀疏视觉子图，每点关联图像金字塔参考 patch Q_n，最小化当前图像与仿射变换后参考 patch 的光度残差 h_c（式 (15)，Section III.D）。\n\n## Step 5 ESIKF 迭代与收敛\n\n- 每个量测在当前迭代估计 x̂^κ 处一阶泰勒展开（式 (6)），计算卡尔曼增益 K（式 (7)）并更新状态（式 (8)）；迭代收敛后的估计与协方差即为该次融合的后验。四次更新对应条件独立链式分解 p(y_c|x)·p(y_ee|x)·p(y_eg|x)·p(y_l|x)·p(x)（式 (5)）。\n\n### 3. 关键公式与模块角色（深层分析）\n\n| 公式/模块 | 位置 | 角色 |\n|---|---|---|\n| 式 (1)–(3) 状态与 ⊞/⊟ 算子 | Section III | 在非欧状态空间上正确施加扰动，支撑误差状态滤波 |\n| 式 (4) IMU 传播先验 | Section III.A | 提供高频状态先验与协方差 |\n| 式 (5) 顺序贝叶斯分解 | Section III.A | 条件独立假设下将多模态融合拆为四次顺序更新，避免维度失配 |\n| 式 (7)–(8) ESIKF 增益与更新 | Section III.A | 继承 FAST-LIVO2 [^12] 的顺序更新思想，保证效率与数值稳定 |\n| 式 (9)–(12) + Algorithm 1 AS-TS | Section III.C.1 | 核心事件表示创新：与 AGDP [^16]（全局活动）和 ESVO2 AA [^15]（区域累积终止）同属活动自适应思想，但 AS-TS 在滤波同步融合区间内由区域事件计数估计局部活动并映射为逐格衰减参数，形成可直接用于跨模态 ESIKF 残差的边缘一致性场（Section II.B） |\n| 式 (13) 帧到帧几何量测 | Section III.C.3 | 粗校正，扩大收敛盆，降低对先验位姿的敏感性 |\n| 式 (14) 帧到地图边缘量测 | Section III.C.4 | 细化对齐，免特征提取与匹配 |\n| 式 (15) 稀疏直接光度量测 | Section III.D | 可选视觉融合；实验表明其收益依赖时间同步与光照条件（Section IV.A.2） |\n\n### 4. 系统流程图\n\nmermaid\nflowchart TD\n  IMU[\"IMU 前向传播<br/>先验 p(x) 与协方差 (式4)\"] --> LID[\"LiDAR 更新<br/>畸变补偿 + 点到面残差 (式6-7)\"]\n  LID --> EG[\"事件更新·阶段1<br/>帧到帧几何对齐 (LK光流, 式13)\"]\n  EG --> EE[\"事件更新·阶段2<br/>帧到地图边缘对齐 (式14)\"]\n  EE --> VIS[\"可选视觉更新<br/>稀疏直接光度对齐 (式15)\"]\n  VIS --> KF[\"ESIKEF 迭代<br/>增益K + 状态更新 (式7-8)\"]\n  KF -->|未收敛| LID\n  KF -->|收敛| OUT[\"后验状态/协方差<br/>子图与全局地图维护\"]\n  EV[\"事件流\"] --> ASTS[\"AS-TS 生成<br/>(式9-12, Algorithm 1)\"]\n  ASTS --> EG\n  ASTS --> EE\n  GM[\"全局 LiDAR 地图\"] --> SM1[\"稠密平面体素子图\"]\n  GM --> SM2[\"全局/局部事件子图<br/>+ 一致性剪枝\"]\n  GM --> SM3[\"稀疏视觉子图\"]\n  SM1 --> LID\n  SM2 --> EE\n  SM3 --> VIS\n``n\n（注：图中将迭代回路简化为回到 LiDAR 更新；实际实现中每个量测更新内部各自迭代至收敛后再进入下一模态，见 Section III.A。）\n\n### 5. 设计逻辑链小结（推理链）\n\n- **问题**：走廊/隧道等几何退化环境使 LiDAR-惯性漂移；HDR 光照与剧烈运动使视觉约束不可靠（Section I）。\n- **对策一（表示层）**：AS-TS 以活动度自适应衰减平衡边缘稳定性与响应性——消融显示替换为固定 30 ms 衰减 TS 后，非均匀活动场景误差显著增大（如 cob-2f-loop 平移误差由 0.004 m 增至 5.530 m，Table III、Section IV.B.3）。\n- **对策二（更新策略层）**：帧到帧粗校正 + 帧到地图细化的由粗到细更新扩大收敛域，在高初速（约 20 m/s）的 ECMD 序列上改善初始化与早期估计（Section IV.A.2、Fig. 2）。\n- **对策三（融合层）**：顺序 ESIKF 统一融合不同维度的多模态量测，事件更新平均仅 1.50 ms、LiDAR 7.99 ms、视觉 23.59 ms，保证部署级实时性（Table IV）。\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. 数据集与基准清单（浅层：用了什么数据）\n\n| 数据集 | 规模 / 使用序列 | 场景与传感器配置 | 来源 |\n|---|---|---|---|\n| **ECMD** [^23]（公开基准） | 5 条序列：Tunnel_e_a/b/c、Urban_day_e_b、Urban_night_e_a | 驾驶场景（隧道、城市白天/夜晚）；左 DVXplorer 事件相机（640×480）、左 RGB 相机（1920×1200）、Velodyne HDL-32E LiDAR、Xsens-MTi-30 IMU（Section IV.A.1） | IEEE Trans. Intell. Veh., 2024 |\n| **VECtor** [^24]（公开基准） | 3 条序列：Units_dolly1、School_dolly1、Corridors_dolly1 | 室内场景；左 Prophesee Gen3 CD 事件相机、左 FLIR Grasshopper3 相机、Ouster OS0-128 LiDAR、XSens MTi-30 AHRS IMU（Section IV.A.1） | IEEE RA-L, 2022 |\n| **自采数据集**（文中未给出公开链接） | 9 条序列：3 条室内、4 条室外、2 条室内-室外-室内（ioi）过渡；前缀 ug/coe/cob/trb/cn2 分别对应地下停车库、工学院、商学院、第三科研楼、二食堂附近 | 校园尺度环境，手持平台（Fig. 3(a)）：DAVIS346 事件相机（346×260）、HKVision MV-CA013-A0UC RGB 相机（1280×1024）、Livox Avia LiDAR（Section IV.B.1） | 本文自采 |\n\n补充：大规模户外子集 coe-loop、cn2-loop、trb-loop 的总轨迹长度超过 2 km（Section IV.B.4, Fig. 6）。\n\n### 2. 预处理与划分/覆盖设置（中层：数据如何被处理与使用）\n\n### 时间同步与外参假设\n\n- 系统假设 LiDAR、IMU、事件相机与 RGB 相机时间同步且外参离线标定（Section III.A）。\n- **ECMD**：尽管数据集报告了 PTP/GNSS 同步与相机-IMU 时间偏移标定，作者观察到部分发布数据流存在残余时间不一致与视觉采样不均匀，因此施加固定离线时间偏移补偿作为经验性校正（Section IV.A.1）：\n  - RGB–IMU 偏移：Tunnel_e_a/b/c 分别为 0.14 s / 0.13 s / 0.12 s；Urban_day_e_b 与 Urban_night_e_a 为 0 s；\n  - DVXplorer（左）–IMU 偏移：所有 ECMD 序列统一设为 1.5 s。作者明确说明这是经验性流对齐偏移，而非物理事件相机延迟或官方硬件标定结果。\n- **VECtor**：同步配置可靠，全部实验直接采用数据集发布配置，无需额外补偿（Section IV.A.1）。\n\n### 评测模式调整\n\n- 在 Urban_day_e_b 与 Urban_night_e_a 上，由于 RGB 采样不规则与残余时间戳不一致更严重，FAST-LIVO2 在 LIVO 模式下不稳定，故这两条序列改以 LIO 模式评测（Section IV.A.1）。\n\n## 覆盖设置（场景覆盖维度）\n\n- 公开基准覆盖：几何退化（隧道/走廊）、高速运动（ECMD 初始速度约 20 m/s）、昼夜 HDR 光照；\n- 自采数据覆盖：室内/室外/室内外过渡、LiDAR 退化（trb-deg-loop）、HDR 光照（cob-2f-loop、coe-5f-loop、cob-ioi-loop、coe-ioi-loop）、大规模户外（>2 km）；\n- 前缀为 loop 的序列使用固定支架保证起止位姿一致，以端到端误差量化累积漂移（Section IV.B.1, Fig. 3(b)）。\n\n## 算法配置与超参数\n\n- AS-TS 默认参数：s=16 像素、α=0.1、γ=200、ε=1、τ_min=20 ms、τ_max=50 ms；除参数敏感性分析外，所有实验使用同一组参数，作者说明其为基于参数功能角色与初步经验检查的稳健工作点，而非针对特定实验调优（Section III.C.1）。\n- 参数敏感性分析采用单因素变化（one-factor-at-a-time），仅在 3 条 VECtor 序列上进行（Table II, Section IV.A.3）。\n\n### 3. 训练 / 推理 / 评测环境\n\n- **训练**：本系统为无学习过程的滤波式里程计（ESIKEF），不存在训练阶段；所有实验均为在线推理/运行。\n- **硬件与系统**：Ubuntu 20.04 台式机，AMD Ryzen 7 9700X CPU，32 GB RAM（Section IV 开头）。\n- **评测工具与指标**：\n  - 公开基准：使用 EVO [^25] 对比各数据集提供的参考轨迹，报告 ATE(RMSE, m) 与 ARE(RMSE, deg)（Table I）；\n  - 自采数据：由于所有被评系统均不含回环检测，采用起止帧相对位姿计算端到端平移误差（m）与旋转误差（deg）（Table III, Section IV.B.2）；\n  - 实时性：Table IV 报告 9 条自采序列上每次更新的平均耗时（均值与跨序列标准差）：事件更新 1.50 ms、LiDAR 更新 7.99 ms、视觉更新 23.59 ms。\n- **对比基线**：FAST-LIEO [^19]、FAST-LIVO2 [^12]、FAST-LIO2 [^21]、R3LIVE [^5]、ESVIO [^17]、ESVO2 [^15]、Ultimate SLAM [^18]；消融实验将 AS-TS 替换为固定 30 ms 衰减的标准 TS（与 FAST-LIEO 一致，Section IV.B.3）。\n- **基线选择逻辑**：选择 FAST-LIEO 而非 FAST-LIEVO 作为直接基线，因其与 FAST-LIEO2 共享相同的 LiDAR–IMU–事件配置，可对事件相关改进做受控评估；视觉融合的影响通过 FAST-LIEO2/FAST-LIEVO2 对比分析，FAST-LIEVO 不额外纳入（Section IV.A.1）。\n\n### 4. 选择理由与验证目标（深层：为什么这些设置重要）\n\n1. **ECMD 验证高速与几何退化下的鲁棒性**：序列初始速度约 20 m/s，使初始化与早期估计极具挑战（Section IV.A.2）；隧道为典型 LiDAR 退化场景，昼夜城市序列覆盖 HDR 光照。Table I 显示多数基线（FAST-LIO2、R3LIVE、ESVIO、ESVO2、Ultimate SLAM）在 ECMD 上全部失败，而 FAST-LIEO2 在全部 5 条序列上收敛且 ATE 最优或接近最优，验证了事件约束在几何退化与高速条件下的价值。\n2. **VECtor 提供同步可靠、运动平稳的受控对比**：由于无需经验性时间补偿，结果更可信；Table I 显示 FAST-LIEO2/FAST-LIEVO2 在 3 条室内序列上 ATE 处于 0.143–0.207 m 量级，验证系统在常规条件下的精度与稳定性，同时暴露基线（ESVIO 漂移达 8.8–20.8 m、ESVO2 与 Ultimate SLAM 全部失败）在低纹理/弱边缘场景的局限（Section IV.A.2）。\n3. **自采数据集验证真实部署与极端条件**：\n   - 传感器组合（DAVIS346 + Livox Avia）不同于公开基准，检验系统的传感器可移植性；\n   - trb-deg-loop（LiDAR 退化）上 FAST-LIEO2 将端到端平移误差从 FAST-LIO2 的 18.842 m 降至 0.007 m（Table III, Fig. 4），直接验证事件测量对 LiDAR 退化的补偿作用；\n   - HDR 序列（cob-2f-loop 等）上 FAST-LIEO2 保持低漂移而多个基线出现米级误差（Table III, Fig. 5），验证事件相机在高动态范围下的优势；\n   - 总长超 2 km 的户外序列验证长程一致性与大规模建图能力（Fig. 6）。\n4. **消融与敏感性设计支撑核心贡献**：AS-TS vs TS 消融（Tables I/III）表明自适应衰减在事件活动非均匀场景带来显著增益（如 cob-2f-loop 平移误差 0.004 m vs 5.530 m、cn2-loop 0.038 m vs 3.183 m），而 VECtor 上差异很小（归因于运动规则、同步可靠），与 AS-TS 的设计动机自洽；Table II 表明时间衰减范围 [τ_min, τ_max] 是最敏感参数（[^5] [^20] 与 [^50] [^100] 均导致明显退化），而 γ、ε 因 clip 机制不敏感，s 与 α 仅轻微影响，说明默认参数是稳健工作点而非对特定数据的过拟合。\n5. **风险与局限（评测设置层面）**：\n   - ECMD 的 1.5 s 事件-IMU 偏移为经验性设定，缺少代码/补充材料时难以独立验证其对结果的影响（与 Module A 缺失材料分析一致）；\n   - 自采数据集无公开链接，Table III 相关结论只能依据文中报告采信；\n   - 参数敏感性仅在 VECtor 3 条序列上评估，未覆盖 ECMD 高速或自采退化/HDR 场景；\n   - 评测指标（ATE/ARE、端到端误差）不反映建图质量与回环能力，且所有被评系统均无回环，端到端误差同时包含漂移与尺度/方向累积影响。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## Module C5：评价指标与实验结果\n\n### 1. 评价指标（定义与简要说明）\n\n- **ATE（RMSE，单位 m）**：绝对轨迹误差均方根值，使用 EVO 工具 [^25] 将估计轨迹与数据集官方参考轨迹对齐后计算（Section IV.A.1，Table I）。\n- **ARE（RMSE，单位 deg）**：绝对旋转误差均方根值，与 ATE 同表报告（Table I）。\n- **端到端平移/旋转误差（m / deg）**：自采数据集的 loop 序列采用固定支架保证起止位姿一致，以首末帧相对位姿计算累计漂移；因所有对比系统均无回环检测，该指标用于衡量长程漂移（Section IV.B.1–2，Table III）。\n- **单次更新平均耗时（ms，均值(标准差)）**：事件、LiDAR、视觉三类更新在 9 条自采序列上的平均运行时间，用于评估实时性（Section IV.B.5，Table IV）。\n- **fail**：系统无法完成初始化或轨迹严重偏离，记为失败（Table I、Table III）。\n- **实验平台**：Ubuntu 20.04，AMD Ryzen 7 9700X CPU，32 GB RAM（Section IV）。\n\n### 2. 主要结果（具体数字）\n\n#### 2.1 公开基准（Table I，ATE(RMSE, m) / ARE(RMSE, deg)）\n\n- **ECMD**（初始速度约 20 m/s 的高速序列，Section IV.A.2）：\n  - Tunnel_e_a：**0.806 / 3.81**（FAST-LIEO 2.249/4.57，FAST-LIVO2 4.850/5.02，FAST-LIO2 5.282/5.02；R3LIVE、ESVIO、ESVO2、Ultimate SLAM 全部 fail）\n  - Tunnel_e_b：**0.476 / 3.45**（FAST-LIEO 23.065/4.67，FAST-LIVO2 12.366/5.43，FAST-LIO2 fail）\n  - Tunnel_e_c：**1.177 / 6.45**（FAST-LIEO 2.839/9.85，FAST-LIVO2 27.500/9.56，FAST-LIO2 47.700/9.56）\n  - Urban_day_e_b：**2.920 / 3.72**（FAST-LIEO 3.933/5.08，FAST-LIVO2 3.577/5.68，FAST-LIO2 5.197/6.65）\n  - Urban_night_e_a：**0.726 / 4.05**（FAST-LIEO 1.234/4.67，FAST-LIVO2 1.747/4.05，FAST-LIO2 1.835/6.32）\n- **VECtor**：\n  - Units_dolly1：0.200 / 1.66（FAST-LIEVO2 0.148/1.61 为最优；ESVIO 14.174/121.20；ESVO2、Ultimate SLAM fail）\n  - School_dolly1：0.170 / 1.65（FAST-LIO2 旋转误差 1.20 最优；ESVIO 20.776/134.85）\n  - Corridors_dolly1：0.165 / 1.85（FAST-LIEVO2 0.143/1.81；R3LIVE 0.958/3.13；ESVIO 8.816/109.46）\n- 总体结论：FAST-LIEO2/FAST-LIEVO2 在大多数序列取得最优 ATE 与有竞争力的 ARE，且在 ECMD 与 VECtor 上均稳定运行（Section IV.A.1）。\n\n#### 2.2 自采数据集（Table III，端到端平移/旋转误差）\n\n- 9 条序列（3 室内、4 室外、2 室内外过渡）全部可靠收敛；在 **6 条序列平移误差最低、5 条序列旋转误差最低**，其余序列接近最优（Section IV.B.2）。\n- 代表性数字：\n  - cob-2f-loop：0.004 / 0.89（TS 消融版 5.530/9.70；Ultimate SLAM 36.734/123.87）\n  - ug-loop：0.003 / 0.06（R3LIVE 16.389/115.05）\n  - cn2-loop：0.038 / 0.83（FAST-LIEO 26.152/9.86；R3LIVE fail）\n  - trb-deg-loop（LiDAR 退化场景）：**0.007 / 0.24**（FAST-LIO2 18.842/8.16，R3LIVE 11.125/33.47，Ultimate SLAM 19.893/111.65）\n- 大规模户外：coe-loop、cn2-loop、trb-loop 总轨迹长超过 2 km，FAST-LIEO2 全部收敛且误差低于基线（Section IV.B.4，Fig. 6）。\n\n#### 2.3 实时性（Table IV）\n\n- 事件更新总耗时 **1.50 (1.02) ms**（子图构建 0.74 ms、几何更新 0.38 ms、边缘更新 0.08 ms、全局地图融合 0.27 ms、外点剔除 0.02 ms）；\n- LiDAR 更新 **7.99 (6.99) ms**；视觉更新 **23.59 (12.99) ms**；\n- 结论：确认实时性能；LiDAR/视觉更新标准差较大，反映其对场景结构与观测复杂度的敏感性（Section IV.B.5）。\n\n### 3. 与基线/代表性先前工作的对比\n\n- **直接基线 FAST-LIEO**（同 LiDAR–IMU–事件配置，控制变量比较，Section IV.A.1）：ECMD 上 ATE 大幅降低（Tunnel_e_b 0.476 vs 23.065 m；Tunnel_e_c 1.177 vs 2.839 m）；自采数据集上多数序列显著更优（cn2-loop 0.038 vs 26.152 m；trb-loop 0.011 vs 1.269 m），验证 AS-TS 与由粗到细事件更新的有效性。\n- **LiDAR/视觉惯性基线**：FAST-LIO2 在几何退化场景漂移严重（trb-deg-loop 18.842 m，Fig. 4）；FAST-LIVO2 在 ECMD 高速+粗同步条件下不稳定，Urban_day_e_b 与 Urban_night_e_a 退化为 LIO 模式评估（Section IV.A.1）；R3LIVE 在 ug-loop、trb-loop、cn2-loop 等序列失败或出现数十米漂移。\n- **事件-视觉基线**：ESVIO 在 VECtor 上漂移 8.8–20.8 m、旋转误差超过 100°；ESVO2 与 Ultimate SLAM 在全部基准序列上失败，主要归因于低纹理/弱边缘区域破坏事件-视觉关联或直接事件对齐（Section IV.A.2）。\n- **视觉融合的条件性收益**：VECtor（运动平稳、同步可靠、光照规则）上 FAST-LIEVO2 优于 FAST-LIEO2（Units 0.148 vs 0.200 m）；ECMD（高速、粗同步、视觉采样不均）上视觉残差被污染，FAST-LIEO2 反而更稳（Section IV.A.2、IV.B.2）。\n- **注意事项**：ECMD 使用了经验性时间偏移补偿（DVXplorer–IMU 偏移 1.5 s；RGB–IMU 偏移 0.14/0.13/0.12 s 或 0 s），Table I 的 ECMD 结果依赖该处理（Section IV.A.1）；提取表格中第三列表头疑为排版错误，按上下文应为 FAST-LIEVO2(ours)。\n\n### 4. 消融、敏感性与跨数据集综合\n\n#### 4.1 AS-TS 消融（Table I、Table III）\n\n- FAST-LIEO2(TS) 将 AS-TS 替换为 FAST-LIEO 使用的固定 30 ms 衰减标准 TS（Section IV.B.3）。\n- ECMD：AS-TS 在全部 5 条序列 ATE 更低（Tunnel_e_b 0.476 vs 0.825 m；Urban_day_e_b 2.920 vs 3.687 m）。\n- VECtor：两者差异很小，归因于运动更规则、同步可靠。\n- 自采数据集：非均匀事件活动下收益显著（coe-5f-loop 0.017 vs 0.334 m；cn2-loop 0.038 vs 3.183 m；coe-loop 0.033 vs 1.587 m；cob-2f-loop 0.004 vs 5.530 m），说明固定衰减导致事件表示空间失衡、削弱对齐约束。\n\n#### 4.2 AS-TS 参数敏感性（Table II，VECtor 三序列单因素分析）\n\n- 默认设置（s=16, α=0.1, γ=200, ε=1, τ∈[^20] [^50] ms）平均 ATE/ARE = 0.178/1.72，虽非每条序列最优但稳定接近最优。\n- **[τ_min, τ_max] 影响最大**：[^5] [^20] ms 时 School_dolly1 恶化至 0.470 m（边缘断裂、响应不足）；[^50] [^100] ms 时 Units_dolly1 恶化至 4.639 m、Corridors_dolly1 至 1.147 m（保留过期事件、边缘变厚），平均恶化至 1.984/2.93。\n- γ（100/300）与 ε（0.1/10）因 τ 的 clip 操作而不敏感（平均 ATE 0.164–0.182）；s（8/24）与 α（0.05/0.5）仅通过局部活动估计轻微影响精度。\n\n#### 4.3 跨数据集差异综合\n\n- **VECtor**：运动平稳+同步好 → AS-TS 相对 TS 增益小、视觉更新有正收益。\n- **ECMD**：高速（初始约 20 m/s）+粗同步+视觉采样不均 → 事件约束成为关键、视觉更新可能有害。\n- **自采数据集**：事件活动空间非均匀（HDR、室内外过渡）→ AS-TS 增益最大；事件测量在 LiDAR 退化与 HDR 场景中提供决定性补充约束（Fig. 4、Fig. 5）。\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### 1. 浅层：论文明确承认的局限与后续计划\n\n- **退化检测与自适应加权**：结论部分明确指出系统在\"弱事件约束\"与\"多模态同时退化\"情形下可能性能下降，并声明未来将研究退化检测与自适应加权（Section V：\"The system may degrade under weak event constraints and simultaneous multi-modal degradation. Future work will study degeneracy detection and adaptive weighting.\"）。\n- **依据链**：Section V 的自认局限 + Section IV.B.4 退化场景实验（Table III、Fig. 4）表明单模态退化（如 trb-deg-loop 中 LiDAR 退化）时事件约束可补救（端到端平移误差从 FAST-LIO2 的 18.842 m 降至 0.007 m），但论文未讨论多模态同时退化时的处理策略。\n\n### 2. 中层：理论方向\n\n1. **AS-TS 衰减映射的理论化**：当前自适应衰减采用 τ_k^j = clip(γ/(λ_k^j+ε), τ_min, τ_max)（式 (10)，Section III.C.1），文中自述默认参数是\"基于各参数功能角色与初步经验检查选择的鲁棒工作点\"，而非理论最优。后续可从边缘保持性与响应性的信息论/最优估计角度推导活动-衰减映射的最优形式。Table II 的参数敏感性分析显示 [τ_min, τ_max] 是最敏感参数（如设为 [^50] [^100] ms 时 Units_dolly1 的 ATE 恶化至 4.639 m），说明该映射关系值得定量理论刻画。\n2. **由粗到细事件更新的收敛域分析**：Section III.C.3 声称 frame-to-frame 粗校正可\"enlarge the convergence basin\"，但未给出收敛域的定量刻画（如初始位姿误差上界与 Lucas–Kanade 光流跟踪成功率之间的耦合关系）。可借鉴流形优化与鲁棒估计的收敛性分析工具，建立两级更新（式 (13) frame-to-frame + 式 (14) frame-to-map）的吸引域模型。\n3. **事件量测噪声的原理性建模**：frame-to-map 边缘量测噪声 ε_ee 仅由 AS-TS 图像不确定性 δS_k^n 表示（式 (14)），frame-to-frame 量测噪声由光流跟踪噪声与投影不确定性组成（式 (13)）。后续可将事件噪声与传感器物理模型（传感器带宽、对比度阈值、局部事件率）关联，实现数据驱动的自适应量测协方差 R。\n4. **可观测性与一致性分析**：对 LiDAR–IMU–事件紧耦合系统进行可观测性分析，特别是事件边缘约束在几何退化场景（走廊、隧道、单墙，Section I）中对不可观测方向的补偿能力，并与文献 [^2] 的概率退化检测思路衔接。\n\n### 3. 中层：工程方向\n\n1. **在线时间同步与外参标定**：ECMD 实验依赖经验性离线时间偏移补偿（如 DVXplorer–IMU 偏移对所有序列固定设为 1.5 s，Section IV.A.1），且文中明确承认这是\"经验性流对齐偏移，而非物理事件相机延迟或官方硬件标定结果\"。将时间偏移与外参扩展进 ESIKF 状态在线估计，可显著提升系统在未标定平台上的即插即用性与可复现性。\n2. **嵌入式部署与算力优化**：Table IV 的实时性评估基于桌面级 AMD Ryzen 7 9700X CPU（Section IV 实验环境说明），其中视觉更新平均 23.59 ms 为最大瓶颈，事件更新中局部子图构建占 0.74 ms 为最大开销项。后续可在 Jetson 等嵌入式平台验证，并对视觉更新做 GPU 并行加速、对子图构建做增量式优化。\n3. **回环检测与全局一致性**：自采数据集评测明确说明\"所有被评测系统均不含回环\"（Section IV.B.2），端到端误差随轨迹规模增长不可避免。将 FAST-LIEO2 的 LiDAR/事件子图与回环检测、位姿图优化结合，是从里程计走向完整 SLAM 的自然延伸（Fig. 6 的 2 km 级轨迹已展示长程建图基础）。\n4. **AS-TS 参数在线自适应**：Table II 表明默认参数\"并非对每条序列最优，但稳定接近最优\"；可依据在线活动统计量 λ_k^j 自动调节 τ 范围与 γ，减少人工调参并适应场景切换。\n5. **动态环境扩展**：事件子图的一致性剪枝（Section III.C.2，将落在 AS-TS 高值像素上的点视为噪声/动态外点剔除）已隐含动态处理能力，但论文未在动态场景系统评测；结合语义分割或几何动态检测是重要工程扩展。\n\n### 4. 中层：数据与评测方向\n\n1. **自采数据集公开**：9 条校园序列（3 室内、4 室外、2 室内外过渡，Section IV.B.1，Fig. 3）覆盖 LiDAR 退化、HDR 光照与大规模场景，采用 DAVIS346 + 海康威视 RGB + Livox Avia 配置，但文中未提供下载链接（Module A 已确认缺失）。公开该数据集及采集配置将为社区提供稀缺的 LiDAR–事件–RGB 多模态退化基准。\n2. **扩展基准覆盖面**：现有评测限于 ECMD（车载高速，Section IV.A.1）、VECtor（Section IV.A.1）与自采手持平台；可补充无人机敏捷飞行、雨雾/夜间动态光照、动态人群等场景，检验事件微秒级分辨率与高动态范围优势的边界条件。\n3. **更细粒度消融**：现有消融仅对比 AS-TS 与固定 30 ms 衰减的标准 TS（Section IV.B.3，Tables I/III）；建议补充 (a) 仅 frame-to-frame、(b) 仅 frame-to-map、(c) 双子图剪枝开关的独立消融，量化由粗到细策略各阶段贡献（可结合 Table IV 中各事件更新子模块耗时：几何更新 0.38 ms、边缘更新 0.08 ms）。\n4. **跨传感器泛化评测**：论文在 DVXplorer、Prophesee Gen3 CD、DAVIS346 三种事件相机上测试，但未系统比较分辨率/噪声特性差异对 AS-TS 的影响；建立事件相机型号-参数映射的标准化评测协议有助于方法泛化。\n\n### 5. 深层：优先级与研究路线建议\n\n- **短期（直接延续）**：退化检测与自适应加权（Section V 明示）+ 在线时间标定（Section IV.A.1 的经验偏移是当前可复现性与泛化性的最大隐患）。\n- **中期（系统完善）**：回环集成、嵌入式部署验证、AS-TS 在线调参、自采数据集开源。\n- **长期（理论深化）**：AS-TS 衰减映射最优性证明、两级事件更新收敛域理论、事件噪声原理性建模与多模态可观测性分析。\n- **判断依据**：短期项直接对应论文自认局限与实验中的人工干预（时间偏移补偿、固定超参数）；中期项补齐从\"里程计\"到\"完整 SLAM 系统\"及实际部署的差距；长期项将经验性设计上升为理论，支撑下一代多模态事件融合估计框架。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n## Module C7：真实世界部署视角（部署约束 / 计算与延迟 / 鲁棒性与安全性 / 可维护性）\n\n### 1. 浅层理解：系统落地形态\n\n- **部署形态**：面向机器人与自主平台的多传感器定位前端，硬件组合为 LiDAR + IMU + 事件相机（可选 RGB）。论文实验覆盖三类平台配置：ECMD 车载数据（DVXplorer 事件相机 + Velodyne HDL-32E + Xsens-MTi-30，Section IV.A.1）、VECtor 平台（Prophesee Gen3 CD + Ouster OS0-128，Section IV.A.1）、自采手持平台（DAVIS346 + HKVision RGB + Livox Avia，Section IV.B.1、Fig. 3）。\n- **目标场景**：几何退化环境（走廊、隧道、单墙）、HDR 强光照、剧烈运动/运动模糊、大规模室外（轨迹超 2 km，Section IV.B.4、Fig. 6）。\n- **算力门槛**：桌面级 CPU（AMD Ryzen 7 9700X、32 GB RAM、Ubuntu 20.04，Section IV）即可实时运行，无需 GPU。\n\n### 2. 中层分析\n\n#### 2.1 部署约束\n\n- **标定与同步假设（关键前置条件）**：系统假设 LiDAR、IMU、事件相机、RGB 已离线完成时间同步与外参标定（Section III.A 明确假设）。实际部署必须先完成硬件触发/PTP 同步与外参标定，否则滤波融合会失稳。\n- **时间同步风险有实证**：ECMD 数据集上即使有 PTP/GNSS 同步，仍需经验性时间偏移补偿（DVXplorer–IMU 偏移设为 1.5 s，RGB–IMU 偏移 0.12–0.14 s，Section IV.A.1）；且 RGB 采样不均导致 FAST-LIVO2 在两条序列上退化为 LIO 模式评估。这说明同步质量差时，多传感器紧耦合滤波的稳定性会显著下降——部署时的首要工程风险。\n- **传感器选型约束**：依赖事件相机提供微秒级分辨率与 HDR 特性（Section I），事件相机目前选型与成本受限；LiDAR 需能提供足够平面约束的扫描（点面残差模型，Section III.B）。\n- **平台迁移未验证**：实验仅在桌面 CPU 进行，嵌入式平台（ARM SoC 等）表现未知；视觉更新 23.59 ms 的开销在低算力平台上可能成为瓶颈（见 2.2）。\n\n#### 2.2 计算/延迟影响\n\n- **各模态单次更新耗时（Table IV，Section IV.B.5）**：\n  - 事件更新：1.50 ms（std 1.02）\n  - LiDAR 更新：7.99 ms（std 6.99）\n  - 视觉更新：23.59 ms（std 12.99）\n- **事件通路内部拆解（Table IV）**：子图构建 0.74 ms、几何更新 0.38 ms、边缘更新 0.08 ms、全局地图整合 0.27 ms、外点剔除 0.02 ms——事件更新开销极低，适合高频插入，是系统实时性的关键保障。\n- **延迟波动来源**：LiDAR 与视觉更新的标准差大，反映耗时对场景结构与运动/观测复杂度敏感；在结构复杂或纹理丰富场景需预留算力余量。\n- **架构层面的算力友好性**：顺序更新 ESIKF（Section III.A，式 (4)–(8)）避免联合量测维度匹配，各模态更新可独立调度与裁剪（如关闭视觉更新），有利于按算力预算配置系统。\n\n#### 2.3 鲁棒性/安全性\n\n- **已验证的鲁棒性（Table I/III、Fig. 2/4/5/6）**：\n  - LiDAR 退化场景：trb-deg-loop 端到端平移误差 0.007 m，对比 FAST-LIO2 的 18.842 m（Table III、Fig. 4(b)(c)）；室内走廊单墙场景 FAST-LIO2 漂移而本系统稳定（Fig. 4(d)(e)）。\n  - HDR 场景：cob-2f-loop、coe-5f-loop、cob-ioi-loop、coe-ioi-loop 可靠收敛，多个基线出现米级误差（Table III、Fig. 5）。\n  - 大规模室外：>2 km 轨迹保持长程一致性（Section IV.B.4、Fig. 6）。\n  - 高速初始化：ECMD 约 20 m/s 初速下仍能收敛，而 R3LIVE、ESVIO、ESVO2、Ultimate SLAM 在初始化不准时失效（Section IV.A.2）。\n- **风险与失效模式**：\n  - 弱事件约束场景（低纹理/弱边缘）事件测量贡献下降；多模态同时退化时系统可能降级（Section V 明确承认）。\n  - 视觉更新条件性有效：强曝光变化与光度不一致会退化稀疏直接视觉残差，FAST-LIEVO2 在 coe-5f-loop、cob-ioi-loop 等序列反而不如纯 LIEO2 配置（Section IV.B.2）——部署时应为视觉更新增加可靠性门控。\n  - 参数配置风险：AS-TS 的时间衰减范围 [τ_min, τ_max] 最敏感，[^50] [^100] ms 设置使 Units_dolly1 的 ATE 从 0.200 m 恶化到 4.639 m、Corridors_dolly1 恶化到 1.147 m（Table II，Section IV.A.3）——在事件约束关键的场景（走廊、面朝墙）错误配置代价极高。\n  - 无回环检测：所有评估系统均不含回环（Section IV.B.1），长航时/大回环场景漂移会累积，需外接回环或重定位模块。\n- **安全性视角**：作为定位前端，其输出若直接用于导航控制，需叠加退化检测与安全监控；论文尚未实现退化检测与自适应加权，仅列为未来工作（Section V）。\n\n### 3. 深层分析\n\n#### 3.1 可维护性\n\n- **模块化架构利于维护**：各模态维护独立子图（LiDAR 稠密平面体素图、事件全局/局部子图、视觉稀疏子图，Section III），事件地图管理从 LiDAR 点面图中解耦（Section III.C.2），修改或替换单一模态不影响其他模块——与顺序更新 ESIKF 的条件独立假设（Section III.A）一致。\n- **参数维护成本低**：AS-TS 默认参数（s=16、α=0.1、γ=200、ε=1、τ∈[^20] [^50] ms，Section III.C.1）在全部实验中统一使用且接近最优（Table II），无需按场景调参；但 τ 范围需依据传感器事件率特性审慎设定。\n- **复现与运维缺口**：论文未提供代码与数据集下载链接（Module A 已确认）；ECMD 时间偏移为经验值而非官方标定（Section IV.A.1），二次部署需自行摸索同步补偿策略，增加运维成本。\n- **标定维护**：外参与时间偏移为离线固定值，机械振动、温度变化引起的外参漂移需定期重标；事件相机–IMU 时间偏移对滤波稳定性影响大（Section IV.A.1 的 1.5 s 偏移案例即为佐证）。\n\n#### 3.2 部署建议（基于论文证据的推断）\n\n1. **优先保证时间同步**（硬件触发或 PTP），避免依赖经验偏移补偿；上线前用跨模态一致性检查验证同步质量。\n2. **按场景配置模态**：LiDAR 几何丰富场景可关闭视觉更新以降低算力开销；光照与同步可靠场景开启 FAST-LIEVO2 配置获取精度增益（Section IV.A.2、IV.B.2 的对比证据）。\n3. **上线前做 τ 范围敏感性检查**（参照 Table II 方法），避免 [^50] [^100] 类错误配置。\n4. **长期运行需叠加回环检测/地图重定位**（本系统不含，Section IV.B.1）。\n5. **嵌入式部署前重新评估延迟预算**，尤其是视觉更新 23.59 ms 的开销（Table IV）。\n6. **为弱事件约束与多模态同时退化场景准备降级策略**，等待论文未来工作中的退化检测与自适应加权成果（Section V）。\n\n### 4. 证据链小结\n\n- 计算开销与实时性：Table IV（Section IV.B.5）。\n- 鲁棒性证据：Table I/III、Fig. 2/4/5/6（Section IV.A.2、IV.B.2、IV.B.4）。\n- 参数敏感性：Table II（Section IV.A.3）。\n- 同步/标定约束：Section III.A 假设、Section IV.A.1 偏移补偿实践。\n- 局限与未来工作：Section V（弱事件约束、多模态同时退化、退化检测与自适应加权待研究）。\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\nFAST-LIEO2（及含可选 RGB 融合的 FAST-LIEVO2）是一个紧耦合 LiDAR–IMU–事件（-RGB）里程计系统，通过顺序更新的误差状态迭代卡尔曼滤波（ESIKEF）实现高效稳定的多模态状态估计（摘要、Section III.A）。针对固定衰减时间表面（TS）在高活动区域过度累积、低活动区域边缘断裂的空间不均衡问题，论文提出活动自适应平滑时间表面（AS-TS），依据融合区间内的局部事件计数估计活动，并映射为逐单元的自适应衰减参数（Section III.C.1，式(9)–(12)）。基于 AS-TS 提供的稳定边缘表示，系统维护全局与局部两个事件子图，并设计由粗到细的两阶段事件更新：先以 frame-to-frame 几何对齐（Lucas–Kanade 光流）进行早期位姿粗校正，再以 frame-to-map 边缘对齐细化估计，从而扩大收敛域并降低对先验位姿的敏感性（Section III.C.2–4，式(13)–(14)）。LiDAR、事件与可选视觉量测在 ESIKF 中按 LiDAR→事件→RGB 的顺序进行四次贝叶斯更新，避免维度不匹配并保持模块化设计（Section III.A，式(4)–(8)）。在 ECMD 与 VECtor 公开基准上，FAST-LIEO2/FAST-LIEVO2 在大多数序列上取得最优 ATE，并在几何退化、HDR 光照与大规模户外场景中保持稳定（Table I、Section IV.B.4）。自采校园数据集（9 条序列）进一步验证 AS-TS 相对固定衰减 TS 的显著增益，例如 cob-2f-loop 平移误差从 5.530 m 降至 0.004 m（Table III、Section IV.B.3）。系统具备部署级实时性，事件、LiDAR 与视觉更新平均耗时分别为 1.50 ms、7.99 ms 与 23.59 ms（Table IV）；论文亦承认在弱事件约束及多模态同时退化时性能可能下降，未来将研究退化检测与自适应加权（Section V）。\n\n### 2. 五个关键要点\n\n1. **顺序更新 ESIKF 融合架构**：以 IMU 传播为先验，按 LiDAR→事件（frame-to-frame 几何 + frame-to-map 边缘）→可选 RGB 的顺序执行四次贝叶斯更新，天然支持不同维度量测的统一融合（Section III.A，式(4)–(8)）。\n2. **AS-TS 活动自适应事件表示**：以固定单元内事件计数估计局部活动，经 EMA 平滑后映射为与活动成反比、有界截断的逐单元衰减参数，兼顾高活动区的边缘紧凑性与低活动区的边缘完整性（Section III.C.1，式(9)–(12)；Table II 显示衰减范围 [τ_min, τ_max] 是最敏感参数）。\n3. **由粗到细事件更新策略**：frame-to-frame LK 光流几何对齐提供早期位姿粗校正，frame-to-map 边缘对齐在事件子图上细化，显著缓解 FAST-LIEO 中直接 frame-to-map 对齐对先验位姿误差敏感的问题（Section III.C.3–4，式(13)–(14)）。\n4. **实验全面验证鲁棒性**：在 ECMD/VECtor 上多数序列 ATE 最优（如 Tunnel_e_b 上 0.476 m，对比 FAST-LIEO 的 12.366 m），自采数据集 9 条序列均可靠收敛，并在 LiDAR 退化（trb-deg-loop：0.007 m 对比 FAST-LIO2 的 18.842 m）、HDR 与超过 2 km 的大规模场景中保持低漂移（Table I/III、Fig. 4–6）。\n5. **部署级实时性与明确局限**：事件更新 1.50 ms、LiDAR 更新 7.99 ms、视觉更新 23.59 ms，满足实时运行（Table IV）；但系统在弱事件约束及多模态同时退化情形下可能退化，作者将退化检测与自适应加权列为未来工作（Section V）。\n\n### 3. 核心公式/机制\n\n**AS-TS（活动自适应平滑时间表面）**——本文最核心的机制，将局部事件活动映射为逐单元自适应时间衰减参数：\n\n$$\\tau_{k}^{j}=clip\\left(\\frac{\\gamma}{\\lambda_{k}^{j}+\\varepsilon},\\ \\tau_{\\min},\\ \\tau_{\\max}\\right),\\qquad \\lambda_{k}^{j}=(1-\\alpha)\\lambda_{k-1}^{j}+\\alpha r_{k}^{j},\\qquad r_{k}^{j}=N_{k}^{j}/\\Delta t$$\n\n$$\\mathcal{S}_{k}(\\mathbf{u},t_{k})=\\exp\\left(-\\frac{t_{k}-t_{\\mathrm{last}}(\\mathbf{u})}{\\tau_{k}^{j}}\\right)$$\n\n其中 $N_k^j$ 为计数区间 $\\Delta t$ 内单元 j 的事件数，$\\lambda_k^j$ 为 EMA 平滑后的局部活动，$\\gamma$ 控制映射灵敏度，$\\varepsilon$ 为数值稳定项，$\\tau_{\\min}/\\tau_{\\max}$ 为衰减上下界（默认 20/50 ms）。高活动区域衰减缩短、抑制边缘增厚与冗余累积；低活动区域衰减延长、避免边缘断裂，从而形成稳定的边缘一致性场供 ESIKF 跨模态残差使用（Section III.C.1，式(9)–(12)；Algorithm 1）。\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``nFAST-LIEO2 / FAST-LIEVO2\n├── I. Introduction\n│   ├── 动机：LiDAR 在走廊/隧道等几何退化环境漂移；RGB 在 HDR 光照与运动模糊下失效（Section I）\n│   └── 四点贡献：① AS-TS 活动自适应事件表示；② 双事件子图 + 由粗到细事件更新；\n│                 ③ 紧耦合 ESIKF 统一融合多模态量测；④ 公开基准 + 自采数据集验证\n├── II. Related Work\n│   ├── A. Lidar-Visual-Inertial SLAM：优化式（LVI-SAM、VILENS）vs 滤波式（R2LIVE、FAST-LIVO、R3LIVE(++)、FAST-LIVO2）\n│   └── B. Event-Based SLAM：直接法（ESVO、IMU-aided ESVO、ESVO2、AGDP）vs 特征法（ESVIO、Ultimate SLAM）；前作 FAST-LIEO\n├── III. System Description\n│   ├── 状态定义与流形算子 ⊞/⊟（式 (1)–(3)）\n│   ├── A. 顺序更新 ESIKF：先验（式 (4)）→ 四模态条件独立顺序贝叶斯更新（式 (5)）\n│   │        → 一阶泰勒线性化（式 (6)）→ 迭代卡尔曼更新（式 (7)–(8)）\n│   ├── B. LiDAR 量测：反向传播去畸变 + 稠密体素地图点到面残差（式 (9)）\n│   ├── C. 事件量测\n│   │   ├── C1 事件表示：AS-TS（式 (10)–(13)，Algorithm 1）\n│   │   ├── C2 事件子图维护：全局半稠密子图 + 局部子图 + 一致性剪枝\n│   │   ├── C3 帧到帧几何量测 h_eg（式 (14)，LK 光流）\n│   │   └── C4 帧到地图边缘量测 h_ee（式 (15)）\n│   └── D. 视觉量测：稀疏直接光度对齐 h_c（式 (16)，沿用 FAST-LIVO）\n├── IV. Experiments and Results\n│   ├── A. 基准实验：ECMD + VECtor（Table I、Fig. 2）；AS-TS 参数敏感性（Table II）\n│   └── B. 自采数据集实验：9 条校园序列（Fig. 3、Table III）；AS-TS 消融；\n│            挑战场景（Fig. 4–6：LiDAR 退化、HDR、大规模室外）；实时性（Table IV）\n└── V. Conclusion：总结 + 局限（弱事件约束、多模态同时退化）+ 未来工作（退化检测与自适应加权）\n``n\n\n### 2. 方法/系统分解（system 原型）\n\n#### 2.1 输入与输出\n\n- **输入**（Section III 开头假设）：时间同步且外参离线标定的 LiDAR 点云、IMU 数据、事件相机流、可选 RGB 图像。\n- **输出**：\n  - 状态 x = [R_I, p_I, v_I, b_g, b_a, g]（式 (1)），即全局系下 IMU 姿态、位置、速度，陀螺/加计偏置与重力向量；\n  - 地图：全局稠密 LiDAR 体素地图（每平面体素存中心 q_i、法向 n_i 及协方差 Σ_n,q，Section III.B）、全局/局部事件子图（全局 LiDAR 地图中被事件激活像素选中的子集，Section III.C.2）、稀疏视觉子图（高梯度 LiDAR 投影点 + 图像金字塔参考 patch，Section III.D）。\n\n#### 2.2 核心模块与在线推理流程（无训练环节，纯滤波推理）\n\n1. **IMU 前向传播**：得状态先验 p(x) 与传播协方差（式 (4)）。\n2. **顺序更新 ESIKF**（Section III.A）：因各模态量测条件独立且维度不同，按 LiDAR y_l → 帧到帧事件 y_eg → 帧到地图事件 y_ee → 可选视觉 y_c 的顺序做四次贝叶斯更新（式 (5)）；每次在第 κ 次迭代估计 x̂^κ 处一阶泰勒展开（式 (6)），按式 (7) 计算增益 K、按式 (8) 迭代更新状态，收敛后得后验均值与协方差。**推理链**：顺序更新继承自 FAST-LIVO2 [^12]，避免拼接不同维度量测的维度失配问题，同时允许各模态独立设计量测模型与地图维护策略（Section III 首段）。\n3. **LiDAR 更新**（Section III.B）：反向传播将每点补偿到扫描末时刻以消除运动畸变；点到面残差（式 (9)），噪声 ε_l 来自点测量噪声与平面参数不确定性；查不到体素或体素非平面则丢弃该点。\n4. **AS-TS 生成**（Section III.C.1，Algorithm 1）：\n   - 图像按 s×s 网格分格，统计计数区间 Δt 内事件数 N_k^j，得局部事件率 r_k^j = N_k^j/Δt；\n   - EMA 平滑活动：λ_k^j = (1−α)·λ_{k−1}^j + α·r_k^j（式 (10)）；\n   - 自适应衰减（与活动成反比并限幅）：τ_k^j = clip(γ/(λ_k^j+ε), τ_min, τ_max)（式 (11)）；\n   - 时间面值：S_k(u,t_k) = exp(−(t_k − t_last(u))/τ_k^j)（式 (12)）；\n   - 无极性负向图：S_k^n = 255·(1−S_k)（式 (13)），再做高斯平滑以改善迭代收敛；\n   - 默认参数：s=16 px、α=0.1、γ=200、ε=1、τ∈[^20] [^50] ms，全部实验统一使用（Section III.C.1）。**设计动机**：固定衰减 TS 在高活动区边缘过厚、低活动区边缘断裂（Section III.C.1 首段），AS-TS 以局部活动调节衰减以平衡边缘稳定性与响应性。\n5. **事件子图维护**（Section III.C.2）：状态更新后将最新 LiDAR 点投影到 S_k^n，落在最近激活像素的点插入全局事件子图（每像素仅保留最近点）；局部子图由全局子图投影后经最新 LiDAR 扫描深度一致性验证得到；一致性剪枝——局部子图点按更新后位姿重投影，落在高值像素（非最新边缘位置）的全局子图点被视为噪声/动态外点并移除，以抑制误差累积。\n6. **帧到帧几何更新 h_eg**（Section III.C.3）：上一帧成功跟踪的地图点集 P 投影到 S_{k−1}^n，用 Lucas–Kanade 光流在 S_{k−1}^n 与 S_k^n 间跟踪得 u^f，构建几何重投影残差（式 (14)），噪声来自光流跟踪噪声与投影模型不确定性。**推理链**：前作 FAST-LIEO [^19] 直接做帧到地图对齐，对位姿先验敏感、初始误差大时线性化失效（Section III.C.3 首段）；本阶段先做粗校正以扩大收敛域。\n7. **帧到地图边缘更新 h_ee**（Section III.C.4）：将局部事件子图 3D 边缘点经当前位姿投影到 S_k^n；新触发事件边缘在负 AS-TS 中呈稳定低值带，残差即投影处像素值（式 (15)），噪声来自 AS-TS 图像不确定性；将 AS-TS 视为可微边缘一致性场，避免显式特征提取与匹配。\n8. **可选视觉更新 h_c**（Section III.D）：沿用 FAST-LIVO [^10] 稀疏直接法——网格化选取高图像梯度的 LiDAR 投影点维护稀疏子图，每点选最近视角参考 patch Q_n，最小化经仿射亮度变换 A_n 的光度残差（式 (16)）。\n\n#### 2.3 关于「损失」的说明\n\n本文无训练损失；全部量测模型（h_l、h_eg、h_ee、h_c）以 MAP 框架下的残差形式进入 ESIKF（式 (6)–(8)），等价于在滤波迭代中最小化加权残差。\n\n### 3. 重要图表解读（选取 6 项）\n\n**Fig. 1（系统总览，Section III）**：展示 FAST-LIEO2/LIEVO2 可配置架构——IMU 传播后，LiDAR、事件、可选视觉量测按序在 ESIKF 中融合；各模态从全局 LiDAR 地图按专属准则选取关联子图（LiDAR 用稠密平面子图、事件用全局+局部事件子图、视觉用稀疏子图）。该图是理解「顺序更新 + 模态专属子图解耦」总体设计的入口。\n\n**Table I（ECMD/VECtor 基准精度，Section IV.A）**：报告 ATE(RMSE, m)/ARE(RMSE, deg)。关键读数：\n\n- ECMD 五条序列上 FAST-LIEO2 全部取得最低 ATE：如 Tunnel_e_b 0.476 m（FAST-LIEO 12.366 m，FAST-LIVO2 fail）；Tunnel_e_c 1.177 m（FAST-LIEO 27.500 m，FAST-LIVO2 47.700 m）；\n- VECtor 三条序列上与 FAST-LIO2/FAST-LIEVO2 同量级（0.143–0.200 m），显著优于 R3LIVE（0.341–1.515 m）、ESVIO（8.8–20.8 m），ESVO2 与 Ultimate SLAM 全部 fail；\n- TS 消融列在 ECMD 上一致劣于 AS-TS 版本，直接支撑 AS-TS 贡献；\n- **排版注意**：表头中「FAST-LIEO2(ours)」出现两次，结合上下文（Section IV.A.1 的 FAST-LIEO2/FAST-LIEVO2 对比说明）推断第三、四列实为 FAST-LIEVO2(ours) 与 FAST-LIEVO2，阅读时需谨慎。\n\n**Table II（AS-TS 参数敏感性，Section IV.A.3）**：在 VECtor 三条序列上做单因素分析。结论：默认设置非逐序列最优但整体接近最优（平均 0.178 m/1.72°）；[τ_min, τ_max] 影响最大——[^5] [^20] ms 使 School_dolly1 边缘断裂（0.470 m），[^50] [^100] ms 保留陈旧事件、加厚边缘，导致 Units_dolly1（4.639 m）与 Corridors_dolly1（1.147 m）显著退化，而这两条序列恰是 LiDAR 约束较弱、事件量测更关键的走廊/对墙场景；γ、ε 因 τ 被限幅而不敏感；s、α 仅通过局部活动估计轻微影响精度。\n\n**Table III（自采数据集端到端误差，Section IV.B）**：9 条序列的平移/旋转端到端误差。FAST-LIEO2 在 6 条序列平移误差最低、5 条旋转误差最低，其余序列仍接近最优；AS-TS 消融收益显著（cob-2f-loop：0.004 m vs TS 5.530 m；cn2-loop：0.038 m vs 3.183 m；coe-loop：0.033 m vs 1.587 m）；R3LIVE 多条序列误差达米级至数十米或 fail。表头存在与 Table I 相同的列名重复问题，需按同样方式推断。\n\n**Table IV（单次更新平均耗时，Section IV.B.5）**：事件更新 1.50 ms（子图构建 0.74 + 几何更新 0.38 + 边缘更新 0.08 + 全局地图融合 0.27 + 外点剔除 0.02）、LiDAR 更新 7.99 ms、视觉更新 23.59 ms，验证部署级实时性；LiDAR/视觉更新标准差较大（6.99/12.99 ms），反映其对场景结构与观测复杂度的敏感性，而事件更新各环节开销小且稳定。\n\n**Fig. 4 与 Fig. 5（挑战场景定性结果，Section IV.B.4）**：Fig. 4 展示 LiDAR 退化场景——室外退化场景与室内走廊单墙场景中 FAST-LIO2 显著漂移而 FAST-LIEO2 依靠事件量测保持稳定（trb-deg-loop：0.007 m vs FAST-LIO2 18.842 m，Table III）；Fig. 5 展示 HDR 序列（coe-5f-loop、coe-ioi-loop）在强曝光变化下的低漂移建图及对应光照条件（a1–a3、b1–b3），支撑事件量测在 HDR 条件下的价值。\n\n### 4. 实验与评估细节\n\n- **数据集**：\n  - **ECMD** [^23]（Section IV.A.1）：Tunnel_e_a/b/c、Urban_day_e_b、Urban_night_e_a；DVXplorer 事件相机（640×480）+ RGB（1920×1200）+ Velodyne HDL-32E + Xsens-MTi-30；序列初始速度约 20 m/s，初始化与早期估计困难（Section IV.A.2）；\n  - **VECtor** [^24]：Units_dolly1、School_dolly1、Corridors_dolly1；Prophesee Gen3 CD + FLIR Grasshopper3 + Ouster OS0-128 + XSens MTi-30 AHRS；\n  - **自采校园数据集**（Section IV.B.1，Fig. 3）：9 条序列（3 室内、4 室外、2 室内外过渡 ioi），覆盖地下车库、工学院、商学院、第三科研楼、二食堂区域；DAVIS346（346×260）+ HKVision MV-CA013-A0UC（1280×1024）+ Livox Avia；loop 序列用固定支架保证起终点位姿一致（Fig. 3(b)）。\n- **指标**：ATE(RMSE)/ARE(RMSE)，用 EVO [^25] 对照各数据集官方参考轨迹（Section IV.A.1）；自采数据集因所有系统均无回环，改用起末帧相对位姿计算端到端平移/旋转误差（Section IV.B.2）。\n- **对比对象**：FAST-LIEO（直接基线，同 LiDAR–IMU–事件配置，便于受控评估事件相关改进）、FAST-LIVO2、FAST-LIO2、R3LIVE、ESVIO、ESVO2、Ultimate SLAM；FAST-LIEVO 因与 FAST-LIEVO2 视觉更新机制类似而未单列，视觉融合影响通过 FAST-LIEO2/FAST-LIEVO2 对比分析（Section IV.A.1）。\n- **公平性处理**：统一硬件平台（AMD Ryzen 7 9700X、32 GB RAM、Ubuntu 20.04，Section IV 首段）；ECMD 存在残余时间不一致，采用固定离线时间偏移补偿（RGB–IMU 偏移 0.12–0.14 s，DVXplorer–IMU 偏移 1.5 s，文中明确声明为经验性流对齐而非物理延迟或官方标定，Section IV.A.1）；Urban_day_e_b/Urban_night_e_a 上 FAST-LIVO2 因 LIVO 模式不稳定改以 LIO 模式评估；VECtor 使用官方同步配置不做修改。\n- **消融实验**：\n  - **AS-TS vs 固定 30 ms 衰减 TS**（FAST-LIEO 同款，Section IV.B.3）：ECMD 五条序列 ATE 全部更低（Tunnel_e_b 0.825→0.476 m；Urban_day_e_b 3.687→2.920 m）；VECtor 差异小（归因于运动规则、同步可靠）；自采数据集收益显著，证明固定衰减导致空间不均衡的事件表示会削弱对齐约束；\n  - **参数敏感性**（Table II，单因素法，Section IV.A.3）。\n- **实时性**（Table IV）：事件 1.50 ms / LiDAR 7.99 ms / 视觉 23.59 ms，事件更新内部主要开销在局部子图构建（0.74 ms）与几何更新（0.38 ms）。\n- **视觉融合的条件有效性**（Section IV.A.2 与 IV.B.2）：ECMD 高速运动、粗同步与非均匀视觉采样会退化稀疏直接视觉残差，而 VECtor 运动平滑、同步可靠、光照规则，视觉量测提供有效互补约束——这解释了 FAST-LIEVO2 在两个基准上表现差异的原因。\n\n### 5. 系统架构图（适配 system 原型）\n\n``n┌──────────────────── 在线推理流水线（无训练，单次融合周期） ────────────────────┐\n│                                                                              │\n│  IMU ──────────► 前向传播 → 先验 p(x), P̂                        （式 (4)）   │\n│                        │                                                     │\n│  LiDAR点云 ─► 去畸变 ─► ① LiDAR更新：稠密体素地图 → 点到面残差 h_l（式 (9)）  │\n│                │       │                                                     │\n│                ├─► 稠密体素地图（全局）                                       │\n│                │       │                                                     │\n│  事件流 ─► AS-TS生成     ② 事件更新（粗）：帧到帧几何 h_eg（式 (14)，LK光流）  │\n│   │      (Algorithm 1)  ③ 事件更新（细）：帧到地图边缘 h_ee（式 (15)）        │\n│   └─► 全局/局部事件子图      （子图维护 + 一致性剪枝，Section III.C.2）       │\n│                │       │                                                     │\n│  RGB(可选) ─► 稀疏视觉子图 ④ 视觉更新：稀疏直接光度 h_c（式 (16)）            │\n│                        │                                                     │\n│                        ▼                                                     │\n│        顺序 ESIKF 迭代更新（式 (5)–(8)）：LiDAR → 事件(eg→ee) → 视觉         │\n│                        │                                                     │\n│                        ▼                                                     │\n│        后验位姿 x̂ 与协方差 → 最新 LiDAR 点融入全局地图 + 事件子图剪枝        │\n└──────────────────────────────────────────────────────────────────────────────┘\n``n\n**图示要点**：① 四个量测模块共享同一全局 LiDAR 地图但维护各自专属子图（解耦地图管理，Section III 首段）；② 事件更新内部为「粗（帧到帧）→ 细（帧到地图）」两级结构，用于扩大收敛域（Section III.C.3）；③ 全流程为滤波式在线推理，无离线训练或优化窗口。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## Module E：第三遍深度评审（Third-Pass Deep Review）\n\n### 1. 可复现性重构（Reconstructability）\n\n**总体判断**：系统流程在论文层面可重构，但缺少若干实现级超参数与开源代码，完整独立复现存在障碍。\n\n**重构伪代码（依据 Section III 与 Algorithm 1）**：\n\ntext\n每个融合周期:\n\n1. IMU 前向传播 → 状态先验 x̂ 与协方差 P̂ (式 (3), Section III.A)\n2. LiDAR 更新:\n   a. 反向传播补偿运动畸变至扫描结束时刻 [^21]\n   b. 查询稠密体素地图, 构建点到面残差 (式 (8))\n   c. ESIKF 迭代更新 (式 (6)-(7))\n3. 事件更新 (每次触发时):\n   a. AS-TS 生成 (Algorithm 1):\n        - 按 s×s cell 统计 Δt 内事件数 N_k^j → 局部事件率 r_k^j\n        - EMA 平滑活动度: λ_k^j = (1-α)λ_{k-1}^j + α·r_k^j (式 (9))\n        - 自适应衰减: τ_k^j = clip(γ/(λ_k^j+ε), τ_min, τ_max) (式 (10))\n        - 负极性 AS-TS: S_k^n = 255·(1-S_k) (式 (12)), 再高斯平滑\n   b. 粗校正: 对连续两帧 S^n 上跟踪的地图点做 LK 光流,\n   构建帧到帧几何残差 (式 (13)) → ESIKF 更新\n   c. 精对齐: 局部事件子图点投影到 S^n, 构建帧到图边缘残差 (式 (14)) → ESIKF 更新\n   d. 子图维护: 最新 LiDAR 点投影到 S^n, 激活像素处插入全局事件子图;\n   用局部子图做一致性剪枝 (投影到高值像素的点视为外点删除)\n4. 可选 RGB 更新: 稀疏直接光度对齐 (式 (15)) → ESIKF 更新\n\n``n\n**缺失的复现细节（重构风险点）**：\n\n- ESIKF 迭代次数上限与收敛判据未给出（Section III.A 仅给出更新公式 (6)-(7)）；\n- 事件更新的触发条件（按时间间隔还是事件数量阈值）未明确（Section III.C）；\n- 体素地图分辨率、全局/局部事件子图容量与滑窗策略未说明（Section III.C.2）；\n- LK 光流金字塔层数、窗口大小与跟踪失败判据未给出（Section III.C.3）；\n- 一致性剪枝中\"高值像素\"的量化阈值未定义（Section III.C.2）；\n- 代码与数据集链接均未提供（Module A 输入校验已确认），ECMD 上 DVXplorer–IMU 1.5 s 经验偏移无法独立验证（Section IV.A.1）。\n\n### 2. 关键假设（Assumptions）\n\n- **时间同步与外参精确已知**：Section III.A 明确假设 LiDAR、IMU、事件相机与 RGB 相机离线完成时间同步与外参标定；ECMD 实验还需经验性时间偏移补偿（DVXplorer–IMU 偏移 1.5 s，Section IV.A.1），说明该假设在实际数据上并不自然成立。\n- **模态量测条件独立且噪声高斯**：式 (4)-(5) 将后验分解为四次顺序贝叶斯更新，依赖各模态条件独立假设与高斯噪声模型。\n- **事件边缘与 LiDAR 几何边缘一致对应**：事件子图取自全局 LiDAR 地图的激活子集（Section III.C.2），隐含假设 LiDAR 点投影后应落在 AS-TS 低值边缘带上，即两传感器观测同一静态几何结构。\n- **局部事件计数可可靠表征边缘稳定性**：AS-TS 假设固定融合区间内的 cell 级事件计数（式 (9)-(10)）能反映局部活动度，从而自适应衰减能平衡边缘厚度与响应（Section III.C.1）。\n- **环境近似静态或动态外点可被剪枝剔除**：一致性剪枝假设动态/噪声点投影后落在高值像素上（Section III.C.2），对与静态边缘重合的动态物体缺乏显式建模。\n- **LiDAR 地图在事件更新时刻足够准确**：事件子图是 LiDAR 地图的子集，LiDAR 的短期漂移会直接传导至事件对齐（Section III.C.2），系统未对 LiDAR 地图误差单独建模。\n\n### 3. 失效模式与盲点（Failure Modes / Blind Spots）\n\n- **弱事件约束场景**：低纹理、弱边缘或事件活动极低时，AS-TS 响应不足，事件量测信息量下降；作者在 Section V 明确承认系统 \"may degrade under weak event constraints\"。\n- **多模态同时退化**：当 LiDAR 几何退化（走廊/单墙）与光照/事件退化同时发生时，缺乏退化检测与自适应加权机制，鲁棒性无保证（Section V）。\n- **时间戳误差敏感性**：ECMD 上 1.5 s 的经验偏移补偿（Section IV.A.1）与 FAST-LIVO2 在 Urban_day/night 序列上被迫退化为 LIO 模式（Section IV.A.2）表明，滤波式紧耦合对残余时间不一致高度敏感；实际部署若无离线经验校准手段，性能可能显著下降。\n- **衰减范围参数的边界失效**：Table II 显示 [τ_min, τ_max]=[^50] [^100] ms 时 Units_dolly1（ATE 4.639 m）与 Corridors_dolly1（1.147 m）严重退化，说明在 LiDAR 弱约束、事件约束关键的段落，不恰当的衰减范围会直接破坏边缘表示；该敏感性虽被分析，但无在线自适应机制兜底。\n\n### 4. 优点与不足（Strengths & Weaknesses）\n\n**优点**：\n\n1. **AS-TS 以极低开销解决固定衰减 TS 的空间不均衡**：事件更新总耗时仅 1.50 ms（Table IV）；消融实验显示一致增益——ECMD 全部 5 条序列 ATE 优于固定 30 ms TS（如 Tunnel_e_b 从 0.825 m 降至 0.476 m），自采数据集增益更显著（cob-2f-loop 从 5.530 m 降至 0.004 m，cn2-loop 从 3.183 m 降至 0.038 m）（Section IV.B.3，Table I/III）。\n2. **由粗到细事件更新扩大收敛域**：帧到帧几何校正先行降低对先验位姿的敏感性，缓解 FAST-LIEO 直接帧到图对齐在初始误差大时线性化失效的问题（Section III.C.3）；ECMD 高初速（约 20 m/s）序列上的稳定性对比（Fig. 2，Table I）支持该设计。\n3. **顺序更新 ESIKF 架构模块化且可扩展**：避免多模态量测维度不匹配，便于增删模态（FAST-LIEO2/FAST-LIEVO2 可配置，Section III.A，Fig. 1）。\n4. **实验覆盖面与基线充分**：公开基准（ECMD、VECtor）+ 自采 9 条序列，覆盖隧道、HDR、室内外过渡与 >2 km 大规模室外场景，对比 7 个 SOTA 基线（Section IV，Table I/III）。\n5. **参数鲁棒性有实证支撑**：单因素敏感性分析（Table II）表明默认参数在合理扰动下接近最优，γ 与 ε 因 clip 操作而不敏感。\n\n**不足**：\n\n1. **复现性不足**：关键超参数（迭代次数、体素分辨率、光流参数、剪枝阈值、事件更新触发条件）缺失，且无开源代码（Module A 输入校验），独立复现成本高。\n2. **经验性时间补偿缺乏验证**：DVXplorer–IMU 1.5 s 偏移被描述为 \"empirical stream-alignment offset\"（Section IV.A.1），无消融实验量化该处理对结果的影响，ECMD 结论可信度依赖作者报告。\n3. **长期一致性无保障**：无回环检测，事件子图继承 LiDAR 地图误差，长序列漂移累积无法消除（Section III.C.2、Section V）。\n4. **视觉融合条件性有效且无自适应机制**：ECMD 上高速运动与同步问题使视觉残差退化（FAST-LIVO2 需退化为 LIO 模式，Section IV.A.2），系统采用固定量测噪声，无在线退化检测/加权（Section V 承认为未来工作）。\n5. **旋转精度提升不均衡**：部分序列 ARE 非最优（如 Tunnel_e_a 上 3.81° 略高于 TS 消融的 3.76°，Units_dolly1 上 1.66° 高于 FAST-LIO2 的 1.25°，Table I），说明事件边缘约束对平移的帮助大于旋转。\n6. **表格排版缺陷**：Table I 表头出现两次 \"FAST-LIEO2(ours)\"，疑似 FAST-LIEVO2 列名缺失或错误，影响结果解读。\n\n### 5. 下一步研究方向（Next-Step Research Directions）\n\n- **退化检测与自适应加权**：在线估计各模态量测的可观测性/信息量（如基于 H 矩阵奇异值或残差统计），动态调整量测噪声协方差或剔除退化更新——作者在 Section V 已将其列为未来工作，是提升多模态同时退化鲁棒性的直接路径。\n- **在线时间戳校准**：将模态间时间偏移扩展为状态量或采用在线标定方法，消除对 ECMD 式经验偏移补偿的依赖（Section IV.A.1 暴露的痛点）。\n- **长期一致性与子图管理**：引入轻量回环检测或对全局事件子图做位姿图优化，抑制 LiDAR 漂移向事件子图的传导，支撑更大规模/更长时间运行（Section III.C.2、Section V）。\n- **动态环境与语义扩展**：结合事件活动度与 AS-TS 时序特性做动态物体检测与外点剔除，超越当前仅依赖投影高值像素的一致性剪枝（Section III.C.2）；同时建议开源代码、自采数据集与完整超参数配置，并补充时间偏移消融以支持社区独立验证（对应 Module A 缺失材料清单）。\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（共 35 条）\n\n每条包含：英文术语 / 中文译名、定义、直觉、在论文中的作用、先修知识。\n\n### 1. SLAM（Simultaneous Localization and Mapping，同步定位与建图）\n\n- **定义**：在未知环境中同时估计自身位姿并增量构建环境地图的技术体系（[^1]）。\n- **直觉**：机器人边走边画地图，同时确定自己在地图中的位置。\n- **在论文中的作用**：论文所属研究领域（Index Terms），FAST-LIEO2 是其中的多传感器融合里程计系统。\n- **先修知识**：机器人学基础、概率状态估计。\n\n## 2. Odometry（里程计）\n\n- **定义**：仅利用传感器递推估计运动、不含回环校正的位姿估计方法，误差随时间累积。\n- **直觉**：像闭眼数步数估计走了多远，走得越久偏差越大。\n- **在论文中的作用**：本文系统输出为里程计轨迹；Section IV.B.2 明确所有对比系统均无回环，故用端到端误差评估漂移。\n- **先修知识**：SLAM 基本概念、位姿表示。\n\n## 3. LiDAR（激光雷达）\n\n- **定义**：发射激光并测量返回时间以获取精确距离点云的主动传感器。\n- **直觉**：用激光\"扫描\"周围，得到带深度的 3D 点集。\n- **在论文中的作用**：提供主要几何约束（点-面残差，Section III.B），其全局地图是各模态子图的几何基础。\n- **先修知识**：点云、刚体坐标变换。\n\n## 4. IMU（Inertial Measurement Unit，惯性测量单元）\n\n- **定义**：测量角速度与线加速度的高频惯性传感器。\n- **直觉**：类似手机中的陀螺仪+加速度计，感知\"正在怎么动\"。\n- **在论文中的作用**：在 ESIKF 中做前向传播生成状态先验 p(x)（Section III.A），是滤波框架的时间骨架。\n- **先修知识**：运动学、传感器噪声与偏置模型。\n\n## 5. Event Camera（事件相机）\n\n- **定义**：异步感知逐像素亮度变化并输出事件流的仿生传感器，具有微秒级时间分辨率与高动态范围（[^6][^7]）。\n- **直觉**：不拍整幅图，而是每个像素独立\"报告\"亮度变化，快且不怕强光差。\n- **在论文中的作用**：第三种模态，在 HDR、快速运动、LiDAR 几何退化场景下提供边缘约束（Section I、IV.B.4）。\n- **先修知识**：事件生成模型（亮度变化触发）、异步数据特性。\n\n## 6. Tightly-Coupled Fusion（紧耦合融合）\n\n- **定义**：将多传感器原始量测直接放入同一估计器联合修正状态，而非先各自解算再融合结果。\n- **直觉**：所有传感器\"坐在一起开会\"共同决定位姿，而不是各自汇报再汇总。\n- **在论文中的作用**：标题与核心框架；LiDAR/事件/RGB 量测直接进入同一 ESIKF（Section III）。\n- **先修知识**：贝叶斯滤波、量测模型。\n\n## 7. ESIKF（Error-State Iterated Kalman Filter，误差状态迭代卡尔曼滤波）\n\n- **定义**：在误差状态空间中围绕当前估计线性化量测模型并迭代求解的卡尔曼滤波变体（式(5)-(8)）。\n- **直觉**：反复\"猜—修正\"直到收敛，修正量用切空间误差表示。\n- **在论文中的作用**：统一融合引擎，四个量测按 LiDAR→帧到帧事件→帧到地图事件→RGB 顺序更新（Section III.A）。\n- **先修知识**：卡尔曼滤波、MAP 估计、李群基础。\n\n## 8. Sequential Update（顺序更新）\n\n- **定义**：将多模态联合后验按条件独立分解为连乘，逐个量测依次做贝叶斯更新（式(4)）。\n- **直觉**：与其一次拼接所有维度不匹配的量测，不如\"一个一个来\"，结果等价且模块更灵活。\n- **在论文中的作用**：解决不同模态量测维度不一致问题，思想继承自 FAST-LIVO2（[^12]）。\n- **先修知识**：条件独立、贝叶斯公式链式分解。\n\n## 9. Time Surface, TS（时间面）\n\n- **定义**：每个像素存储最近事件时间戳并按固定指数衰减形成的事件表示（[^22]）。\n- **直觉**：把事件流\"压\"成一幅灰度图，越新的事件响应越强。\n- **在论文中的作用**：事件表示基线；固定衰减导致高活动区边缘过厚、低活动区边缘断裂（Section III.C.1），是 AS-TS 的直接对照（消融实验见 Table I/III）。\n- **先修知识**：指数衰减、事件流。\n\n## 10. AS-TS（Activity-Adaptive Smoothed Time Surface，活动自适应平滑时间面）\n\n- **定义**：本文提出的事件表示，用固定融合区间内的区域事件计数估计局部活动度，并映射为逐单元自适应时间衰减参数（式(9)-(12)、Algorithm 1）。\n- **直觉**：热闹的地方让旧事件快点\"褪色\"以免边缘糊成一团，冷清的地方让边缘\"留久一点\"以免断裂。\n- **在论文中的作用**：核心贡献之一，为跨模态 ESIKF 残差提供稳定的边缘一致性场；消融显示其在非均匀活动场景显著优于固定衰减 TS（Section IV.B.3）。\n- **先修知识**：TS、EMA、clip 函数。\n\n## 11. Temporal Decay Parameter τ（时间衰减参数）\n\n- **定义**：控制时间面中事件值随时间指数衰减速度的参数；AS-TS 中按 τ=clip(γ/(λ+ε), τ_min, τ_max) 逐单元自适应（式(11)）。\n- **直觉**：τ 大则旧事件保留久（边缘厚），τ 小则边缘细但易断。\n- **在论文中的作用**：Table II 参数敏感性分析显示 [τ_min, τ_max] 是最敏感参数：过短致边缘断裂（School [^5] [^20]），过长致边缘增厚退化（Units/Corridors [^50] [^100]）。\n- **先修知识**：指数函数、区间截断。\n\n## 12. EMA（Exponential Moving Average，指数移动平均）\n\n- **定义**：新值权重 α、历史累积权重 1−α 的递推加权平均（式(10)）。\n- **直觉**：平滑抖动估计——\"新信息占一点，老记忆占大头\"。\n- **在论文中的作用**：平滑逐单元活动度估计 λ_k^j，避免活动度突变导致衰减参数跳变。\n- **先修知识**：基本统计。\n\n## 13. Frame-to-Frame Alignment（帧到帧对齐）\n\n- **定义**：利用连续两帧负 AS-TS 图像间由 LK 光流跟踪的点对应构造几何重投影残差 h_eg（式(13)）。\n- **直觉**：先\"看相邻两帧怎么动\"快速粗修位姿，完全不依赖地图。\n- **在论文中的作用**：粗到细事件更新第一阶段，降低对先验位姿的敏感性、扩大收敛域（Section III.C.3）。\n- **先修知识**：光流、重投影误差。\n\n## 14. Frame-to-Map Alignment（帧到地图对齐）\n\n- **定义**：将事件子图中的 3D 边缘点投影到当前 AS-TS 图像，最小化与低值边缘带的偏差 h_ee（式(14)）。\n- **直觉**：把已知地图边缘\"贴\"到当前事件图像上，贴得准即位姿对。\n- **在论文中的作用**：粗到细更新第二阶段精修；FAST-LIEO 仅用此法故对大初始误差敏感（Section III.C.3-4）。\n- **先修知识**：相机投影模型、可微场。\n\n## 15. Coarse-to-Fine Update（由粗到细更新）\n\n- **定义**：先帧到帧几何对齐粗校正、再帧到地图边缘对齐精修的两阶段事件更新策略。\n- **直觉**：先粗对准再细调，类似先目测再微调旋钮。\n- **在论文中的作用**：核心贡献之二，扩大收敛域并保持实时性（Section III.C.3；Table IV 中事件更新总耗时仅 1.50 ms）。\n- **先修知识**：帧到帧/帧到地图对齐概念、非线性优化收敛性。\n\n## 16. Event Submap（Global/Local，事件子图：全局/局部）\n\n- **定义**：从全局 LiDAR 地图中筛选与最近激活 AS-TS 像素关联的点构成的两个事件专用地图（Section III.C.2）。\n- **直觉**：从大地图里挑出\"事件看得见的部分\"单独管理，不干扰 LiDAR 点面地图。\n- **在论文中的作用**：解耦事件地图维护与 LiDAR 地图；局部子图用于帧到地图对齐，全局子图配合一致性剪枝抑制误差累积。\n- **先修知识**：地图管理、外参投影。\n\n## 17. Point-to-Plane Residual（点到面残差）\n\n- **定义**：LiDAR 点与其对应体素平面之间的法向距离约束（式(7)）。\n- **直觉**：点应\"贴\"在所属平面上，法向偏差即残差。\n- **在论文中的作用**：LiDAR 量测模型，驱动 LiDAR 更新（Section III.B）。\n- **先修知识**：平面拟合、法向量。\n\n## 18. Voxel Map（体素地图）\n\n- **定义**：将空间划分为立方体单元的稠密地图，每个平面体素存储平面中心 q_i、法向 n_i 及协方差（Section III.B）。\n- **直觉**：把空间切成小方块，每块记录\"这里是不是平面、平面长什么样\"。\n- **在论文中的作用**：LiDAR 量测查询的基础数据结构。\n- **先修知识**：空间索引结构（如 ikd-tree 概念）。\n\n## 19. Lucas–Kanade Optical Flow（LK 光流）\n\n- **定义**：基于亮度恒常假设在图像间跟踪像素运动的经典稀疏光流方法。\n- **直觉**：回答\"这个点在上一帧和这一帧分别在哪\"。\n- **在论文中的作用**：在连续负 AS-TS 图像上跟踪地图点像素，建立帧到帧对应（Section III.C.3）。\n- **先修知识**：图像金字塔、亮度恒常假设。\n\n## 20. Sparse Direct Photometric Alignment（稀疏直接光度对齐）\n\n- **定义**：直接最小化参考图像块与当前图像间的光度残差、无需特征提取的视觉对齐方法（式(15)，继承自 FAST-LIVO [^10]）。\n- **直觉**：不找角点，直接比较像素灰度\"对不对得上\"。\n- **在论文中的作用**：可选 RGB 量测模型（FAST-LIEVO2），其有效性依赖可靠的时间同步与光照条件（Section IV.A.2）。\n- **先修知识**：光度一致性、直接法。\n\n## 21. SO(3) 与 ⊞/⊟ 算子（旋转群与流形算子）\n\n- **定义**：三维旋转群；⊞/⊟ 将欧氏加减推广到流形，用 Exp/Log 映射处理旋转扰动（式(2)-(3)，[^20]）。\n- **直觉**：旋转不能直接相减，要\"绕轴\"做差。\n- **在论文中的作用**：在非欧状态空间上定义扰动与差分，是 ESIKF 推导的数学前提。\n- **先修知识**：李群李代数基础。\n\n## 22. MAP Estimation（最大后验估计）\n\n- **定义**：在给定先验与量测似然下最大化后验概率的估计准则（式(4)-(6) 的推导基础）。\n- **直觉**：找\"最说得通\"的状态——既符合预测又符合观测。\n- **在论文中的作用**：由 IMU 先验与顺序似然连乘导出 ESIKF 更新公式（Section III.A）。\n- **先修知识**：贝叶斯统计、高斯分布。\n\n## 23. ATE / ARE（绝对轨迹误差 / 绝对旋转误差）\n\n- **定义**：估计轨迹与真值对齐后的平移/旋转 RMSE（Table I，用 EVO [^25] 计算）。\n- **直觉**：整体轨迹\"偏了多少米 / 多少度\"。\n- **在论文中的作用**：公开基准（ECMD、VECtor）上的主要精度指标。\n- **先修知识**：刚体变换对齐、RMSE。\n\n## 24. End-to-End Error（端到端误差）\n\n- **定义**：对固定起终点位姿的 loop 序列，用起点与终点相对位姿计算的平移/旋转误差（Table III）。\n- **直觉**：走一圈回到原点，看\"终点离起点差多远\"。\n- **在论文中的作用**：自采数据集（9 条序列）上的漂移量化指标（Section IV.B.1-2）。\n- **先修知识**：相对位姿、loop 序列采集（Fig. 3(b) 固定安装）。\n\n## 25. HDR（High Dynamic Range，高动态范围）\n\n- **定义**：场景亮暗差异极大、超出常规相机单次曝光响应范围的光照条件。\n- **直觉**：从暗隧道冲进阳光的瞬间，普通相机要么过曝要么全黑。\n- **在论文中的作用**：事件相机的优势场景、RGB 量测失效的诱因（Section I、IV.B.4，Fig. 5）。\n- **先修知识**：相机曝光模型。\n\n## 26. Geometric Degeneracy（几何退化）\n\n- **定义**：走廊、隧道、单墙等约束不足环境导致估计沿某些方向不可观（[^2]）。\n- **直觉**：在长直走廊里，沿走廊方向\"走多远\"激光看不出差别。\n- **在论文中的作用**：论文动机场景；trb-deg-loop 实验显示事件约束可将端到端误差从 FAST-LIO2 的 18.842 m 降至 0.007 m（Section IV.B.4，Fig. 4）。\n- **先修知识**：可观测性概念。\n\n## 27. Motion Distortion / Backward Propagation（运动畸变与反向传播补偿）\n\n- **定义**：LiDAR 一帧扫描期间传感器运动导致的点云扭曲；用扫描末时刻状态将各点反向补偿到扫描末时刻（Section III.B，[^21]）。\n- **直觉**：扫描有先后、期间在动，点云会\"拖影\"，需要拉直。\n- **在论文中的作用**：LiDAR 预处理步骤，保证点-面残差有效。\n- **先修知识**：扫描时间戳、坐标插值。\n\n## 28. Polarity（极性）\n\n- **定义**：事件携带的亮度变化方向（增/减）符号；AS-TS 构造无极性负图并重映射到 [^0] [^255]（式(12)）。\n- **直觉**：只关心\"哪里变了\"，不关心\"变亮还是变暗\"。\n- **在论文中的作用**：简化事件图像处理，使新事件边缘表现为图像中的稳定低值带（Section III.C.1）。\n- **先修知识**：事件生成模型。\n\n## 29. Edge-Consistency Field（边缘一致性场）\n\n- **定义**：将 AS-TS 视为逐像素可微的边缘一致性度量，用于构造跨模态 ESIKF 残差（Section III.C.1）。\n- **直觉**：图像每个像素给出\"这里像不像边缘\"的连续打分，且可直接求导。\n- **在论文中的作用**：帧到地图量测模型 h_ee 的数学基础（式(14)）。\n- **先修知识**：可微性、图像梯度。\n\n## 30. Consistency-based Pruning（基于一致性的剪枝）\n\n- **定义**：每次更新后将局部子图点用更新后位姿重投影到负 AS-TS，落在高值像素的点视为噪声/动态外点并从全局子图移除（Section III.C.2）。\n- **直觉**：地图点若总对不上最新边缘，就当它是错的删掉。\n- **在论文中的作用**：抑制全局事件子图的误差累积。\n- **先修知识**：重投影、外点剔除。\n\n## 31. AGDP（Adaptive Global Decay Process，自适应全局衰减过程）\n\n- **定义**：用事件间时间戳间隔估计全局活动度并自适应调整时间衰减与事件权重的方法（[^16]）。\n- **直觉**：根据事件流\"多忙\"动态调节记忆长度。\n- **在论文中的作用**：AS-TS 活动自适应思想的来源之一；区别在于 AS-TS 用固定滤波同步融合区间内的区域计数映射到逐单元衰减（Section II.B）。\n- **先修知识**：事件活动度概念。\n\n## 32. Convergence Basin（收敛域）\n\n- **定义**：迭代优化能从给定初始误差收敛到正确解的初始误差范围。\n- **直觉**：\"锅口有多大\"——初始误差落在锅内才能滚到锅底。\n- **在论文中的作用**：帧到帧粗校正的设计目标即扩大事件更新的收敛域（Section III.C.3）。\n- **先修知识**：非线性优化、局部线性化有效性。\n\n## 33. Affine Warp（仿射亮度变换）\n\n- **定义**：补偿光照变化对图像块灰度影响的线性模型 A_n（式(15)）。\n- **直觉**：允许参考块与当前块之间\"整体变亮/变暗一点\"仍可匹配。\n- **在论文中的作用**：视觉量测模型中处理曝光差异（Section III.D）。\n- **先修知识**：直接法、光度模型。\n\n## 34. Image Pyramid（图像金字塔）\n\n- **定义**：同一图像的多分辨率表示，用于由粗到细的图像处理。\n- **直觉**：同一张图的大中小三档\"缩放版\"。\n- **在论文中的作用**：稀疏直接视觉对齐中参考块 Q_n 与当前帧匹配的载体（Section III.D）。\n- **先修知识**：图像重采样。\n\n## 35. Extrinsic Calibration / Temporal Synchronization（外参标定与时间同步）\n\n- **定义**：传感器间固定刚体变换（^I T_L、^E T_I、^I T_C）的离线标定，以及各模态时间戳对齐。\n- **直觉**：确定\"各传感器装在哪、朝哪、时钟是否一致\"。\n- **在论文中的作用**：论文假设各模态离线标定且时间同步（Section III.A）；ECMD 实验中的经验时间偏移补偿（如 DVXplorer–IMU 偏移 1.5 s）说明同步质量直接影响滤波稳定性（Section IV.A.1）。\n- **先修知识**：刚体变换、时间戳概念。\n\n### 二、概念依赖图（纯文字版）\n\ntext\nSLAM / 状态估计\n├── 里程计 Odometry（无回环）\n├── 多传感器紧耦合融合\n│ ├── ESIKF（误差状态迭代卡尔曼滤波）\n│ │ ├── MAP 最大后验估计\n│ │ ├── SO(3) 与 ⊞/⊟ 流形算子（李群）\n│ │ └── 顺序更新（条件独立分解）\n│ │ ├── LiDAR 量测：运动畸变补偿 → 体素地图 → 点到面残差\n│ │ ├── 事件量测（由粗到细两阶段）\n│ │ │ ├── AS-TS 事件表示\n│ │ │ │ ├── 时间面 TS（固定衰减基线，消融对照）\n│ │ │ │ ├── 局部活动度估计（区域事件计数 + EMA）\n│ │ │ │ ├── 自适应衰减参数 τ = clip(γ/(λ+ε), τ_min, τ_max)\n│ │ │ │ ├── 极性无关负图 + 高斯平滑\nn│ │ │ │ └── 边缘一致性场（可微，供 h_ee 使用）\n│ │ │ ├── 事件子图（全局/局部，筛选自全局 LiDAR 地图）\n│ │ │ │ └── 一致性剪枝（抑制全局子图误差累积）\n│ │ │ ├── 阶段一：帧到帧对齐（LK 光流 + 重投影残差 h_eg）→ 粗校正、扩大收敛域\n│ │ │ └── 阶段二：帧到地图边缘对齐（子图点投影到 AS-TS，h_ee）→ 精修\n│ │ └── 可选 RGB 量测：稀疏直接光度对齐（继承 FAST-LIVO）\n│ │ ├── 图像金字塔 + 参考块 Q_n\n│ │ └── 仿射亮度变换 A_n\n├── 传感器前提：外参标定 + 时间同步（ECMD 需经验时间偏移补偿）\n└── 动机场景\n    ├── 几何退化（走廊/隧道/单墙）→ LiDAR 约束不足\n    └── HDR / 运动模糊 → 光度一致性假设失效 → 引入事件相机\n\n评价体系\n├── 公开基准（ECMD / VECtor）：ATE / ARE（EVO 工具）\n├── 自采数据集（9 条序列）：端到端误差（loop 固定起终点安装）\n├── 消融：AS-TS vs 固定 30 ms 衰减 TS\n├── 参数敏感性：[τ_min, τ_max] 最敏感；γ、ε、s、α 次之（Table II）\n└── 实时性：事件 1.50 ms / LiDAR 7.99 ms / 视觉 23.59 ms（Table IV）\n\n相关工作谱系\n├── LiDAR-视觉-惯性：LVI-SAM → R2LIVE → FAST-LIVO → R3LIVE(++) → FAST-LIVO2（顺序更新思想来源）\n└── 事件 SLAM：ESVO → IMU-aided ESVO → ESVO2（AA 表示）→ FAST-LIEO（直接基线）→ FAST-LIEO2\n    └── 活动自适应思想脉络：AGDP → ESVO2-AA → AS-TS（本文）\n``n\n**依赖关系要点**：\n\n1. AS-TS 依赖 TS、EMA 与区域活动度估计；AS-TS 又是边缘一致性场、事件子图筛选与两阶段事件更新的共同基础，是全文概念枢纽。\n2. 帧到帧对齐依赖 LK 光流与连续 AS-TS 帧；其粗校正输出作为帧到地图对齐的先验，二者构成由粗到细链条，共同服务于 ESIKF 事件更新。\n3. 事件子图依赖全局 LiDAR 地图与外参投影；帧到地图对齐依赖局部事件子图与 AS-TS 低值边缘带；一致性剪枝依赖局部子图与最新 AS-TS 的一致性检验。\n4. ESIKF 顺序更新是所有量测模型（h_l、h_eg、h_ee、h_c）的统一入口，依赖流形算子（⊞/⊟）与 MAP 准则；各量测模型又分别依赖各自的地图结构与噪声来源。\n5. 评价端：端到端误差依赖 loop 序列的固定起终点安装；消融与参数敏感性均围绕 AS-TS 的衰减参数展开，实时性结论依赖 Table IV 的分模块计时。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G：验证、冲突与参考文献核查\n\n### 1. 关键事实性主张核查（每条主张附至少两个文内来源/定位）\n\n### 主张1：系统通过顺序更新的 ESIKF 按 LiDAR→事件（frame-to-frame→frame-to-map）→可选视觉的顺序融合四类量测。\n\n- 来源1：摘要（\"sequentially updated error-state iterated Kalman filter (ESIKEF)\"）。\n- 来源2：Section III.A 式(4)–(8)：p(x|y_l, y_eg, y_ee, y_c) ∝ p(y_c|x)·p(y_ee|x)·p(y_eg|x)·p(y_l|x)·p(x)，以及增益 K 与状态更新式。\n- 来源3：Fig. 1 系统总览与 Section III 首段（IMU 传播后按 LiDAR、事件、视觉顺序更新）。\n- 核查结论：多处一致，主张成立。\n\n**主张2：AS-TS 以固定融合区间内的区域事件计数估计局部活动（EMA 平滑），并按 τ_k^j = clip(γ/(λ_k^j+ε), τ_min, τ_max) 逐 cell 自适应设置时间衰减参数。**\n\n- 来源1：Section I 贡献1（count-based local activity 调整 temporal decay parameter）。\n- 来源2：Section III.C.1 式(9)–(12) 与 Algorithm 1（N_k^j、r_k^j、λ_k^j、τ_k^j 的完整计算流程）。\n- 来源3：Section IV.B.3 消融实验（AS-TS 对比固定 30 ms 衰减 TS）。\n- 核查结论：设计机理、公式与实验证据相互一致。\n\n**主张3：AS-TS 默认参数为 s=16 px、α=0.1、γ=200、ε=1、τ_min=20 ms、τ_max=50 ms，且除敏感性分析外全部实验共用同一组参数。**\n\n- 来源1：Section III.C.1 明文列出默认值，并声明 \"the same parameters are used in all experiments except for the parameter sensitivity analysis\"。\n- 来源2：Table II Default 行（Units 0.200/1.66、School 0.170/1.65、Corridors 0.165/1.85）与 Table I 中 VECtor 三序列第1列数值一致。\n- 核查结论：一致。\n\n### 主张4：ECMD 基准上 FAST-LIEO2 在全部 5 条序列取得最低或接近最低 ATE；FAST-LIO2、R3LIVE、ESVIO、ESVO2、Ultimate SLAM 在 ECMD 上全部失败。\n\n- 来源1：Table I（Tunnel_e_b 第1列 0.476 m 对比第5列 FAST-LIEO 12.366 m；Tunnel_e_c 1.177 m 对比 FAST-LIEO 27.500 m、FAST-LIVO2 47.700 m；第7–11列全部标注 fail）。\n- 来源2：Section IV.A.2 文字（ECMD 序列初始速度约 20 m/s 导致初始化困难；\"R3LIVE, ESVIO, ESVO2, and Ultimate SLAM are prone to failure once initialization is inaccurate\"）。\n- 核查结论：表文一致；注意表头存在错位（见冲突2），引用具体数值时应以列位置结合正文交叉确认。\n\n### 主张5：AS-TS 消融：ECMD 全部 5 条序列上 AS-TS 的 ATE 低于固定 30 ms 衰减 TS；自采数据集上差距更明显（coe-5f-loop 0.017→0.334 m、cn2-loop 0.038→3.183 m、coe-loop 0.033→1.587 m、cob-2f-loop 0.004→5.530 m）。\n\n- 来源1：Section IV.B.3 文字。\n- 来源2：Table I 第1/2列（Tunnel_e_b 0.476 vs 0.825；Urban_day_e_b 2.920 vs 3.687）与 Table III 第1/2列对应数值。\n- 来源3：Section III.C.1 机理说明（固定衰减在高活动区导致边缘过厚、低活动区边缘断裂）。\n- 核查结论：一致；VECtor 上 AS-TS 与 TS 差异小，正文归因于运动规整与同步可靠，与 Table I 相符。\n\n## 主张6：自采数据集共 9 条序列（3 室内、4 室外、2 室内外过渡），采集平台为 DAVIS346（346×260）+ 海康 MV-CA013-A0UC（1280×1024）+ Livox Avia。\n\n- 来源1：Section IV.B.1 与 Fig. 3(a)。\n- 来源2：Table III 列出的 9 条序列名（cob-2f-loop、ug-loop、coe-5f-loop、cob-ioi-loop、coe-ioi-loop、cn2-loop、coe-loop、trb-loop、trb-deg-loop）。\n- 核查结论：一致；但数据集无公开链接，数值无法独立复核。\n\n## 主张7：实时性：事件更新 1.50 ms（子图构建 0.74、几何更新 0.38、边缘更新 0.08、全局地图整合 0.27、外点剔除 0.02）、LiDAR 更新 7.99 ms、视觉更新 23.59 ms（均值，括号内为跨序列标准差）。\n\n- 来源1：Table IV 分项与总耗时。\n- 来源2：Section IV.B.5 文字与硬件环境（Ubuntu 20.04、AMD Ryzen 7 9700X、32 GB RAM，Section IV 首段）。\n- 核查结论：一致；耗时依赖具体硬件平台，跨平台比较需谨慎。\n\n## 主张8：LiDAR 退化序列 trb-deg-loop 上 FAST-LIEO2 端到端平移误差 0.007 m，远低于 FAST-LIO2 的 18.842 m。\n\n- 来源1：Table III trb-deg-loop 行（第1列 0.007/0.24；第6列 18.842/8.16）。\n- 来源2：Section IV.B.4 文字与 Fig. 4(b)–(e)。\n- 核查结论：数值一致；但该数值所在列的表头标注为 FAST-LIVO2，与正文归属 FAST-LIO2 不符，属表头错位（见冲突2）。\n\n## 主张9：与相关工作的机制区分：FAST-LIEO [^19] 采用直接 frame-to-map 事件对齐、对先验位姿敏感；AGDP [^16] 基于全局活动自适应，ESVO2 [^15] 的 AA 以区域活动终止累积；AS-TS 则在滤波同步融合区间内以区域事件计数映射为逐 cell 衰减参数。\n\n- 来源1：Section II.B 相关工作对比段。\n- 来源2：Section III.C.3（对 FAST-LIEO 局限的分析）与 Section II.B 末段（AS-TS 与 AGDP/AA 的机制区分）。\n- 核查结论：文内自洽；对外部方法行为的描述属作者转述，建议回溯 [^13][^15][^16][^19] 原文核验。\n\n## 主张10：事件相机具备微秒级时间分辨率与高动态范围，适用于 HDR 与快速运动场景。\n\n- 来源1：摘要与 Section I（\"microsecond-level temporal resolution and a high dynamic range\"）。\n- 来源2：参考文献 [^6]（240×180、130 dB、3 μs 延迟事件传感器）与 [^7]（事件视觉综述）。\n- 核查结论：与引用文献及领域共识一致。\n\n## 主张11：评估协议：公开基准使用 EVO [^25] 计算 ATE(RMSE) 与 ARE(RMSE)；自采数据集因无回环检测，采用固定安装的起止位姿计算端到端平移/旋转误差。\n\n- 来源1：Section IV.A.1（\"All methods are evaluated using EVO [^25]\"）与 Section IV.B.2。\n- 来源2：Fig. 3(b)（loop 序列固定安装保证起止位姿一致）。\n- 核查结论：一致；EVO 为公开工具（文献 [^25] 给出 GitHub 链接），指标口径可独立复核。\n\n### 2. 冲突与不确定性说明\n\n1. **发表信息缺失**：正文未给出期刊/会议名称与日期；IEEE 期刊排版（Index Terms、Fellow/Member 标注）与参考文献含 2025 年 T-RO 文献（[^12][^15]）仅能支持“2025 年或之后”的推断，非文内明示。\n2. **表格表头错位/重复（重要）**：Table I 表头出现两次 \"FAST-LIEO2(ours)\"，按数值行为推断第3、4列应为 FAST-LIEVO2(ours) 与 FAST-LIEVO2(TS)；Table III 中正文归属 FAST-LIO2 的 18.842 m（trb-deg-loop）位于表头标注为 FAST-LIVO2 的第6列，证实表头与数据列存在系统性错位。引用具体数值时必须以“列位置 + 正文交叉验证”为准。\n3. **Table II 排版伪影**：衰减范围取值被渲染为 \"[^5] [^20]\"、\"[^20] [^80]\"、\"[^50] [^100]\"，实为 [τ_min, τ_max]=[^5] [^20]/[^20] [^80]/[^50] [^100] ms，属脚注语法与数值的排版冲突。\n4. **ECMD 时间偏移为经验补偿**：DVXplorer(左)–IMU 偏移 1.5 s 被作者明示为 \"empirical stream-alignment offset, rather than physical event-camera latency or an official hardware calibration result\"（Section IV.A.1）；RGB–IMU 偏移 0.14/0.13/0.12 s（Tunnel_e_a/b/c）亦为经验修正。无代码/补充材料可验证该处理对 Table I 结果的影响。\n5. **FAST-LIVO2 评估模式不完全对等**：在 Urban_day_e_b 与 Urban_night_e_a 上因 RGB 采样不规则改为 LIO 模式评估（Section IV.A.1），与 Table I 中其他方法的全模态配置存在差异。\n6. **自采数据集不可独立复核**：无公开链接与外部真值（如 GNSS/动捕）；Table III 中 Ultimate SLAM 列多数单元格为空（仅 cn2-loop 标注 fail），该方法在自采数据集上的完整结果缺失。\n7. **实现细节缺失**：ESIKF 迭代次数、体素分辨率、事件更新频率、外参与时间同步标定流程未完整给出，且无代码链接，复现风险较高。\n8. **作者单位不完整**：正文仅明确 Jiang Wu、Jing Wu、Zhenzhong Jia、Boyu Zhou 隶属南方科技大学（Section I 脚注）；Zirui Wang 与 I-Ming Chen 的单位未在文内给出。\n9. **条件性结论**：视觉更新的收益依赖同步与光照条件（ECMD 上可能退化、VECtor 上有效，Section IV.A.2 / IV.B.2），不应泛化为“视觉融合总是有益”。\n10. **参数敏感性边界**：Table II 显示 [^50] [^100] ms 衰减范围使 Units_dolly1 ATE 恶化至 4.639 m、Corridors_dolly1 至 1.147 m；默认设置为“接近最优”而非逐序列最优（Section IV.A.3），且未提供统计显著性检验。\n11. **对外部方法失败原因的归因**（如 Ultimate SLAM 在 VECtor 失败源于低纹理/弱边缘，Section IV.A.2）为作者解释，未附独立消融证据。\n\n### 3. 参考文献列表（文内 [^n] 对应）\n\n- [^1] C. Cadena et al., \"Past, present, and future of simultaneous localization and mapping,\" IEEE T-RO, 32(6):1309–1332, 2016.\n- [^2] J. Hatleskog, K. Alexis, \"Probabilistic degeneracy detection for point-to-plane error minimization,\" IEEE RA-L, 9(12):11234–11241, 2024.\n- [^3] Z. Zhang, C. Forster, D. Scaramuzza, \"Active exposure control for robust visual odometry in HDR environments,\" ICRA 2017, pp. 3894–3901.\n- [^4] T. Shan et al., \"LVI-SAM,\" ICRA 2021, pp. 5692–5698.\n- [^5] J. Lin, F. Zhang, \"R3LIVE,\" ICRA 2022, pp. 10672–10678.\n- [^6] C. Brandli et al., \"A 240×180 130 dB 3 μs latency global shutter spatiotemporal vision sensor,\" IEEE JSSC, 49(10):2333–2341, 2014.\n- [^7] G. Gallego et al., \"Event-based vision: A survey,\" IEEE TPAMI, 44(1):154–180, 2022.\n- [^8] D. Wisth, M. Camurri, M. Fallon, \"VILENS,\" IEEE T-RO, 39(1):309–326, 2023.\n- [^9] J. Lin et al., \"R2LIVE,\" IEEE RA-L, 6(4):7469–7476, 2021.\n- [^10] C. Zheng et al., \"FAST-LIVO,\" IROS 2022, pp. 4003–4009.\n- [^11] J. Lin, F. Zhang, \"R3LIVE++,\" IEEE TPAMI, 46(12):11168–11185, 2024.\n- [^12] C. Zheng et al., \"FAST-LIVO2,\" IEEE T-RO, 41:326–346, 2025.\n- [^13] Y. Zhou, G. Gallego, S. Shen, \"Event-based stereo visual odometry,\" IEEE T-RO, 37(5):1433–1450, 2021.\n- [^14] J. Niu, S. Zhong, Y. Zhou, \"IMU-aided event-based stereo visual odometry,\" ICRA 2024, pp. 11977–11983.\n- [^15] J. Niu et al., \"ESVO2,\" IEEE T-RO, 41:2164–2183, 2025.\n- [^16] U. M. Nunes, R. Benosman, S.-H. Ieng, \"Adaptive global decay process for event cameras,\" CVPR 2023, pp. 9771–9780.\n- [^17] P. Chen, W. Guan, P. Lu, \"ESVIO,\" IEEE RA-L, 8(6):3661–3668, 2023.\n- [^18] A. R. Vidal et al., \"Ultimate SLAM?,\" IEEE RA-L, 3(2):994–1001, 2018.\n- [^19] Z. Wang et al., \"FAST-LIEO,\" IEEE RA-L, 10(2):1680–1687, 2025.\n- [^20] C. Hertzberg et al., \"Integrating generic sensor fusion algorithms with sound state representations through encapsulation of manifolds,\" Information Fusion, 14(1):57–77, 2013.\n- [^21] W. Xu et al., \"FAST-LIO2,\" IEEE T-RO, 38(4):2053–2073, 2022.\n- [^22] X. Lagorce et al., \"HOTS,\" IEEE TPAMI, 39(7):1346–1359, 2017.\n- [^23] P. Chen et al., \"ECMD: An event-centric multisensory driving dataset for SLAM,\" IEEE T-IV, 9(1):407–416, 2024.\n- [^24] L. Gao et al., \"VECtor: A versatile event-centric benchmark for multi-sensor SLAM,\" IEEE RA-L, 7(3):8217–8224, 2022.\n- [^25] M. Grupp, \"evo: Python package for the evaluation of odometry and SLAM,\" 2017. <https://github.com/MichaelGrupp/evo>\n\n### 4. 外部核验路径建议（可选）\n\n- **代码**：本文未公开代码；顺序更新 ESIKF 的实现细节可对照公开的 FAST-LIVO2 / FAST-LIO2 / R3LIVE 仓库核验 Section III.A 的对应关系。\n- **数据**：ECMD [^23] 与 VECtor [^24] 可经官方渠道获取以复核 Table I；复现时需自行处理文中所述的时间偏移问题。\n- **指标**：EVO [^25] 公开可用，可复核 ATE/ARE 的计算口径。\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：图表提取与索引\n\n### 1. 图表完整索引\n\n#### 1.1 图（Figures）与算法索引\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 深读优先级(1–5) |\n|---|---|---|---|---|---|\n| Fig. 1 | FAST-LIEO2 系统总览；可配置为 LIEO2 或 LIEVO2（含可选视觉量测） | 系统架构图 | 图注位于 Section II 附近，正文引用于 Section III 开头 | 系统架构：IMU 传播后按 LiDAR→事件→视觉顺序在 ESIKF 中顺序更新；各模态维护独立子图（Section III） | 5 |\n| Fig. 2 | FAST-LIEO2 与 FAST-LIO2 在 ECMD Urban_day_e_b 上的建图/轨迹对比（蓝线为估计路径） | 定性轨迹对比图 | Section IV.A.2 | FAST-LIEO2 借助 AS-TS 与由粗到细事件更新获得稳定边缘约束与早期位姿修正；FAST-LIO2/FAST-LIVO2 短期漂移更大 | 4 |\n| Fig. 3 | 自采数据集设置：(a) 手持平台；(b) 起终点位姿重合的 loop 序列 | 实验设置照片 | Section IV.B.1 | 传感器配置（DAVIS346 事件相机 346×260、HKVision MV-CA013-A0UC RGB 1280×1024、Livox Avia LiDAR）与端到端误差评估协议（固定支架保证起终点一致） | 3 |\n| Fig. 4 | LiDAR 退化场景结果：(a) 室外退化场景；(b)(c) 室外场景中 FAST-LIEO2 与 FAST-LIO2 对比；(d)(e) 室内退化场景对比 | 定性对比图 | Section IV.B.4 | 面对走廊单墙等退化结构时 FAST-LIO2 显著漂移，FAST-LIEO2 依靠事件量测保持稳定 | 4 |\n| Fig. 5 | 挑战性光照下建图：(a) coe-5f-loop、(b) coe-ioi-loop；(a1)–(a3)、(b1)–(b3) 展示实际光照条件 | 定性建图 + 光照实拍 | Section IV.B.4 | 强曝光变化（HDR）下 FAST-LIEO2 保持低漂移，验证事件量测在 HDR 条件下的价值 | 3 |\n| Fig. 6 | 大规模实验：(a) cn2-loop、trb-loop、coe-loop 卫星视角轨迹；(b)–(d) FAST-LIEVO2 彩色点云 | 定性大规模轨迹与彩色点云 | Section IV.B.4 | 总长超 2 km 的室外序列上收敛可靠，具备长程一致性与大规模建图能力 | 3 |\n| Algorithm 1 | AS-TS 生成伪代码（输入：Δt 内事件流与上一活动度 λ_{k-1}^j；输出：负 AS-TS 图 S_k^n） | 算法伪代码 | Section III.C.1 | AS-TS 完整计算流程：分格计数→EMA 平滑活动度→自适应衰减 τ_k^j=clip(γ/(λ+ε), τ_min, τ_max)→负 TS 映射→高斯平滑 | 4 |\n\n#### 1.2 表（Tables）索引\n\n| 编号 | 标题/说明 | 类型 | 位置 | 支持的论断 | 深读优先级(1–5) |\n|---|---|---|---|---|---|\n| Table I | ECMD 与 VECtor 基准序列 RMSE，每项为 ATE(RMSE, m) / ARE(RMSE, deg) | 定量基准对比（主结果表） | Section IV.A | FAST-LIEO2/FAST-LIEVO2 在多数序列取得最优 ATE 且 ARE 有竞争力（Section IV.A.1）；ECMD 上 R3LIVE、ESVIO、ESVO2、Ultimate SLAM、FAST-LIO2 全部 fail；AS-TS 消融列显示 AS-TS 在 ECMD 五序列 ATE 均低于固定衰减 TS（Section IV.B.3：Tunnel_e_b 0.476 vs 0.825 m；Urban_day_e_b 2.920 vs 3.687 m） | 5 |\n| Table II | AS-TS 在 VECtor 上的参数敏感性，每项为 ATE/ARE | 参数敏感性（单因素）分析表 | Section IV.A.3 | 默认参数在三条序列上稳定接近最优（Avg 0.178/1.72）；[τ_min, τ_max] 影响最大（[^50] [^100] 时 Units 序列 ATE 恶化至 4.639 m），γ、ε 因 clip 机制不敏感，s、α 影响轻微 | 4 |\n| Table III | 自采数据集各序列端到端位姿误差，每项为平移误差(m) / 旋转误差(deg) | 定量对比 + AS-TS 消融表 | Section IV.B.2 | FAST-LIEO2 在 9 条序列中 6 条平移误差最低、5 条旋转误差最低；AS-TS 相对固定 30 ms TS 增益显著（cob-2f-loop 0.004 vs 5.530 m；cn2-loop 0.038 vs 3.183 m；coe-loop 0.033 vs 1.587 m；coe-5f-loop 0.017 vs 0.334 m）；trb-deg-loop 上 0.007 m vs FAST-LIO2 的 18.842 m | 5 |\n| Table IV | 每次更新平均运行时间（均值(标准差), ms） | 运行时剖析表 | Section IV.B.5 | 事件更新 1.50(1.02) ms、LiDAR 更新 7.99(6.99) ms、视觉更新 23.59(12.99) ms，确认实时性；事件更新内子图构建 0.74 ms 与几何更新 0.38 ms 占主要开销 | 4 |\n\n**提取注意事项（表头疑似排版损坏）**：markdown 转换后的 Table I 与 Table III 表头中「FAST-LIEO2(ours)」出现两次且含孤立的「FAST-LIEO2」列。结合正文交叉验证（Section IV.A.1 对比方法列表、Section IV.B.2 对 FAST-LIEVO2 的分析、Section IV.B.4 明确指出 trb-deg-loop 上 FAST-LIO2 误差为 18.842 m），推断 Table III 实际方法列应为：FAST-LIEO2(ours)、FAST-LIEO2(TS)、FAST-LIEVO2(ours)、FAST-LIEO、FAST-LIVO2、FAST-LIO2、R3LIVE、Ultimate SLAM；Table I 另含 ESVIO、ESVO2 列。Table III 中 Ultimate SLAM 列在转换后数值缺失（仅 cob-2f 行含 36.734 等值）。引用具体基线数值时建议以正文文字交叉验证，避免依赖损坏的表头映射。\n\n### 2. 优先深读清单（3–5 项）\n\n1. **Table I（优先级 5）——主精度证据**。读法：先按 ECMD/VECtor 分组，再横向比较 ATE/ARE；注意 ECMD 结果与 Section IV.A.1 的经验时间偏移补偿（DVXplorer–IMU 偏移设为 1.5 s；RGB–IMU 偏移 0.12–0.14 s）耦合，且 FAST-LIVO2 在 Urban_day_e_b/Urban_night_e_a 上降级为 LIO 模式评估；结论应限定为「在该补偿协议与评估设置下」成立。\n2. **Table III（优先级 5）——自采数据 + AS-TS 消融双重证据**。读法：同时对比 FAST-LIEO2(ours) 与 FAST-LIEO2(TS) 两列以量化 AS-TS 增益（Section IV.B.3），并重点关注 trb-deg-loop（LiDAR 退化）与四条 HDR 序列（cob-2f、coe-5f、cob-ioi、coe-ioi）的针对性表现。\n3. **Fig. 1（优先级 5）——系统架构总图**。读法：与 Section III.A 的顺序更新贝叶斯链式分解（式 (4)–(8)）及 Section III 开头的模态专属子图描述对照，确认更新顺序 LiDAR→事件（frame-to-frame→frame-to-map）→视觉，以及所有子图均从全局 LiDAR 地图按模态专属准则选取这一关键设计。\n4. **Table II（优先级 4）——AS-TS 参数敏感性**。读法：以 Default 行为基准逐参数比较 Avg 列；重点理解 [τ_min, τ_max] 的失效机理：过短导致断边与响应不足（School 序列 [^5] [^20]：0.470 m），过长保留陈旧事件致边缘增厚（Units/Corridors 序列 [^50] [^100]：1.147–4.639 m），尤其在 LiDAR 约束弱的走廊/单墙段（Section IV.A.3）。\n5. **Table IV（优先级 4）——实时性证据**。读法：结合硬件平台（AMD Ryzen 7 9700X、32 GB RAM，Section IV 开头）解读；事件更新各分项之和（0.74+0.38+0.08+0.27+0.02≈1.49 ms）与总时间 1.50 ms 自洽；LiDAR/视觉更新标准差较大（6.99/12.99 ms）反映其对场景结构与观测复杂度的敏感性。\n\n### 3. 图表关系 / 实验设置关系图\n\n~~~text\n                 ┌─────────────────────────────────────┐\n                 │ 方法侧源头：                            │\n                 │  Fig. 1 系统架构（ESIKF 顺序更新）        │\n                 │  Algorithm 1 AS-TS 生成流程             │\n                 └──────────────────┬──────────────────┘\n                                    │ 支撑实现\n          ┌─────────────────────────┼──────────────────────────┐\n          ▼                         ▼                          ▼\n   公开基准实验                自采数据集实验                 运行时剖析\n   ECMD + VECtor          Fig. 3 平台与传感器设置            Table IV\n   (Section IV.A)         9 条序列(3室内/4室外/2过渡)    (基于 Table III 的 9 序列)\n          │                         │\n          ▼                         ▼\n   Table I 基准精度     Table III 端到端误差 + TS 消融\n          │                         │\n          ▼                         ├───────────┬───────────┬───────────┐\n   Fig. 2 轨迹定性对比              ▼           ▼           ▼           ▼\n   (Urban_day_e_b)            Fig. 4       Fig. 5       Fig. 6    Section IV.B.3\n                              LiDAR 退化    HDR 光照    大规模 >2km   AS-TS 消融分析\n\n   Table II AS-TS 参数敏感性（基于 VECtor 三序列，支撑 AS-TS 在 Table I/III 中增益的稳健性）\n~~~\n\n关系要点：\n\n- Fig. 1 与 Algorithm 1 是方法侧源头，其余图表均为验证侧证据。\n- Table I 与 Table III 是两大定量支柱；Fig. 2/4/5/6 分别为对应结论的定性可视化。\n- Table II 与 Table IV 分别回答「参数是否稳健」与「是否实时」两个部署问题。\n- Fig. 3 是自采数据实验（Table III、Fig. 4–6）的设置前提：传感器型号与 loop 协议决定了端到端误差这一评估指标的选择。\n\n### 4. 图表 → 结论映射\n\n| 论文结论 | 支撑图表 | 关键证据/数值 |\n|---|---|---|\n| FAST-LIEO2 精度与鲁棒性优于多传感器 SLAM 基线（摘要、Section IV、V） | Table I、Table III、Fig. 2 | ECMD Tunnel_e_b：0.476 m（vs TS 0.825 m）；VECtor 三序列 ATE 均 ≤0.200 m；自采 6/9 序列平移误差最低、5/9 旋转误差最低 |\n| AS-TS 优于固定衰减 TS（贡献 1；Section IV.B.3） | Table I（TS 列）、Table III（TS 列）、Table II | ECMD 五序列 AS-TS 的 ATE 全部更低（Tunnel_e_b 0.476 vs 0.825 m；Urban_day_e_b 2.920 vs 3.687 m）；自采 cob-2f-loop 0.004 vs 5.530 m；Table II 显示默认参数近最优且失效模式可解释 |\n| 由粗到细事件更新降低对先验位姿敏感性、扩大收敛域（贡献 2；Section III.C.3） | Fig. 1、Table I（与 FAST-LIEO 对比列）、Algorithm 1 | ECMD 高初速（约 20 m/s）启动下 FAST-LIEO2 稳定而 FAST-LIEO 漂移大（Section IV.A.2 文字 + Fig. 2 轨迹对比） |\n| LiDAR 退化场景鲁棒（Section IV.B.4） | Fig. 4(b)–(e)、Table III（trb-deg-loop 行） | trb-deg-loop：0.007 m vs FAST-LIO2 18.842 m；室内走廊单墙场景 FAST-LIO2 漂移而 FAST-LIEO2 稳定 |\n| HDR 光照下鲁棒（Section IV.B.4） | Fig. 5、Table III（cob-2f/coe-5f/cob-ioi/coe-ioi-loop 行） | 四条 HDR 序列保持低漂移，多个基线出现米级误差 |\n| 大规模场景长程一致性（Section IV.B.4） | Fig. 6、Table III（coe-loop/cn2-loop/trb-loop 行） | 三条序列总长超 2 km，均可靠收敛且误差低于基线；FAST-LIEVO2 彩色点云展示建图能力 |\n| 系统实时（Section IV.B.5） | Table IV | 事件 1.50 ms / LiDAR 7.99 ms / 视觉 23.59 ms（均值） |\n| 视觉融合条件性有益（Section IV.A.2、IV.B.2） | Table I、Table III 中 FAST-LIEO2 与 FAST-LIEVO2 列对比 | VECtor（同步好、光照规则）上 FAST-LIEVO2 部分序列更优（如 Units_dolly1 列 0.148 m）；ECMD 高速/同步差与强曝光变化序列上 FAST-LIEO2 更稳，FAST-LIEVO2 会规避不可靠视觉更新 |\n| 局限：弱事件约束与多模态同时退化时可能退化（Section V） | 无直接图表支撑（文中承认的局限） | 结论部分定性陈述；未来工作为退化检测与自适应加权，对应图表证据暂缺，可作为复现验证点 |"
}