退化处理

多传感器SLAM系统的鲁棒性,取决于它能否察觉某个传感器正在”说谎”。**退化处理(Degradation handling)**是指检测某一模态已变得不可靠、并优雅地退回到其余传感器上的机制——并在退化的传感器重新变得可用时恢复对它的使用。

典型的退化场景

LiDAR 在雨、雾、雪中(光束散射),或在几何退化场景中:一条又长又缺乏特征的走廊对沿走廊轴向的运动约束很弱;开阔的场地上少有可供锁定的平面或边缘。
相机在黑暗、隧道出口的过曝、无纹理墙面,或剧烈运动下的运动模糊中失效。
IMU 始终可用,但如果没有外部感知传感器的修正,几秒钟内就会漂移。

请注意两类LiDAR失效之间的区别:天气退化产生的是带噪声或缺失的测量值(可作为异常值被检测出来),而几何退化产生的是干净、自洽的测量值,只是恰好未能约束某个运动方向。第二类要危险得多,因为单看每个残差本身都不会显得有问题。

检测退化

残差监控。 如果某个子系统的配准或重投影残差突然升高——或者可用测量的数量骤减——它就会将自身标记为退化。LVI-SAM采用了这种模式:每个子系统监控自身的健康状况,其中一个的失效不会拖垮另一个。

估计问题的退化分析。 配准是通过对线性化的正规方程进行迭代求解的,其信息矩阵为

\mathbf{H} \;=\; \mathbf{J}^\top \mathbf{J} \;=\; \sum_i \mathbf{J}_i^\top \mathbf{J}_i ,

其中每个 $\mathbf{J}_i$ 是某一个(例如点到平面)残差相对于位姿的雅可比矩阵。对 $\mathbf{H} = \sum_k \lambda_k \mathbf{v}_k \mathbf{v}_k^\top$ 进行特征分解,可以揭示状态空间各个方向被约束的程度:接近零的特征值 $\lambda_k$ 意味着测量值几乎没有告诉我们沿 $\mathbf{v}_k$ 方向的运动信息。

举例说明——走廊场景:视野中只有两面平行的墙时,每一个点到平面残差的法向量 $\mathbf{n}_i$ 都垂直于走廊轴向。沿轴向的平移不会改变任何残差,因此 $\mathbf{J}$ 对应的行空间在该方向上没有分量, $\mathbf{H}$ 相应的特征值就会坍缩为零。优化器仍会”收敛”——但会收敛到走廊上一个任意的位置。具备退化感知能力的估计器会将 $\lambda_{\min}$ 与阈值比较,然后仅在退化方向上冻结或降权更新(解重映射),从而保留约束良好的分量。

回退与恢复

回退策略构成一个连续谱:

重新加权:提高退化模态测量协方差(或缩小其因子权重),使健康的传感器在融合估计中占主导,而无需硬性切换。
方向门控:如上所述,仅在条件良好的子空间中施加更新——这是应对几何退化的精细手段。
子系统隔离:完全丢弃退化的测量值,仅依靠剩余传感器运行;IMU在其可靠期内以高频率弥补缺口。
跨系统重新初始化:LVI-SAM在出现退化几何后,从视觉-惯性位姿估计重新启动其LiDAR-惯性子系统,并在启动时用LiDAR-惯性估计来引导视觉-惯性初始化——恢复是双向的。

恢复应该得到与检测同等的重视:当某个传感器恢复时,其子系统必须以与当前融合状态(位姿及不确定度)一致的方式重新初始化,否则重新纳入的测量值会与它本应精细化的估计相互冲突。

常见陷阱

只信任残差。 在退化场景中,残差可能很小,而位姿却在零空间中自由滑动——这就是”自信的垃圾”。对 $\mathbf{H}$ 的退化分析能够捕捉到残差监控无法发现的问题。
静态阈值。 在办公室里调好的特征值阈值,在仓库中就会失效;具有尺度感知或经过归一化的条件数度量,比原始幅值更具可迁移性。
二元切换。 各模态之间硬性的开/关切换会导致估计跳变;基于协方差的重新加权则能平滑地退化和恢复。
只测试良性数据。 退化处理恰恰是标准基准很少测试到的代码路径;隧道、夜间行驶和雨天正是融合系统真正体现价值的地方。

对SLAM的意义

融合系统的卖点在于”各传感器互相弥补彼此的弱点”,但这一承诺只有在退化被明确检测和处理时才能实现——一个紧耦合的估计器如果被喂入来自退化LiDAR扫描的自信垃圾,会心甘情愿地污染整个状态。退化处理是区分演示级融合系统与能在隧道、夜间驾驶和雨天中存活下来的系统的关键所在,也是LVI-SAM和FAST-LIVO2等LVI系统的一个主要评估维度。