MEMO 001 · FAILURE ANALYSIS
延迟 LiDAR 噪声实验：MIMOSA 为什么失败，Ours 为什么成功
这次对照的关键并不是谁在干净阶段拟合得更好，而是谁能在 30 秒后 LiDAR 由可靠观测突然变成系统性坏观测时，识别退化、切断污染传播，并继续维持一个有界的状态估计。
一、实验现象与结论边界
前 30 秒无噪声阶段，两套系统都可以正常工作；噪声开启后，MIMOSA 的误差持续累积并最终发散，轨迹末端偏离约 414.8 m。Ours 的误差也会上升，但始终保持有界并完成整段轨迹。
因此，这组结果支持的是“退化识别与隔离机制更有效”，而不是简单证明某一种前端在任何烟雾环境里都更准确。噪声只施加在 LiDAR 点云上，且带有明显的人工分布特征。
二、MIMOSA 的失败链路
MIMOSA 的 LiDAR 几何项仍把被污染的点云当作可优化约束。实测噪声尺度约 0.4539 m，而配置中的 LiDAR 噪声假设约为 0.07 m，相差约 6.5 倍。Huber 鲁棒核主要抑制孤立离群点，但这批噪声具有很强的空间相关性（扇区相关系数约 0.92），会形成一组彼此一致、却整体错误的约束。
Photometric Factor 在噪声后也没有提供稳定支撑：图像梯度数量由约 383 增至 1386，候选数由约 13.0 增至 36.9，但有效 survivor 的中位数从约 50 降到 0。也就是说，候选看似更多，真正能跨帧存活并约束位姿的特征反而消失。
代码路径中没有足够强的“当前扫描已退化”门禁：退化投影默认关闭，管理器仍持续尝试几何与光度因子；地图更新也缺少按扫描质量阻止坏点进入地图的隔离阀。关键帧阈值（约 2 m / 30°）又让错误状态不断建立新的局部参考。MIMOSA 只有 LiDAR 与 IMU 主链路，没有可在此时接管的相机位姿轨迹。
- 01相关噪声形成伪平面/伪结构
- 02错误 LiDAR 残差进入优化
- 03错误位姿写入新关键帧与地图
- 04下一帧在已污染地图上配准
- 05正反馈累积，轨迹最终发散
三、Ours 保持成功的原因
Ours 的优势来自“识别—切换—隔离”整条链路。干净阶段 Fast-LIO 判定 229/229 帧健康；进入噪声段后，仅 277/956 帧继续由 Fast-LIO 接受，说明退化检测确实对观测质量变化作出了响应。
融合窗口稳定后，LiDAR 仅在 101/973 个状态上被视为有效，视觉在 972/973 个状态上有效，热红外在 953/973 个状态上有效。最终主导模态约为：视觉 871 帧、LiDAR 101 帧、无可用模态 1 帧；热红外保持可用但由于优先级没有成为主导源。
更关键的是，退化 LiDAR 不再无条件更新 iKD-tree：地图更新仅在 LiDAR 健康时继续，并有约 622 帧使用融合后的状态维护地图。这样既保留了地图连续性，又避免将噪声扫描反复写入地图形成错误反馈。结果中最大单步位移约 0.186 m，总路径约 49.4 m，没有依赖 hold 或 slew 限制把轨迹“锁住”。
四、误差如何随时间分化
将两条轨迹在干净段对齐后，噪声刚出现时差距并不大；随后 MIMOSA 呈持续加速发散，而 Ours 缓慢增长后保持有界。
| 时间区间 | MIMOSA 位置误差 | Ours 位置误差 |
|---|---|---|
| 噪声前 | 0.0091 m | 0.0197 m |
| 噪声后 0–10 s | 0.165 m | 0.068 m |
| 噪声后 10–20 s | 1.110 m | 0.245 m |
| 噪声后 20–30 s | 9.274 m | 0.673 m |
| 噪声后 40–50 s | 42.003 m | 1.594 m |
| 噪声后 90 s 至结束 | 350.256 m | 2.381 m |
五、哪些是事实，哪些仍是推断
可以直接确认：噪声仅在 30 秒后加入 LiDAR；MIMOSA 的光度特征 survivor 明显下降；Ours 的 LiDAR 有效状态显著减少并转由视觉主导；Ours 阻止了多数退化扫描污染地图；两者最终误差量级明显分开。
最强的因果解释是：MIMOSA 的主要失败源是相关几何噪声进入位姿与地图形成正反馈，同时 Photometric Factor 在噪声段失去支撑；Ours 则依靠退化检测、视觉接管和地图隔离打断了反馈环。MIMOSA 轨迹中约 177° 的固定旋转更像坐标系约定差异，并不是这次位置发散的主因。
目前还不能仅凭这一次实验断言 Photometric Factor 本身就是首要原因。若要拆清贡献，需要继续做三组消融：只加几何噪声、只扰动强度、同时加噪但关闭 Photometric Factor。