D-01：設備總覽
認識主動測距、影像、運動與參考四類設備的外型與角色，並跟著轉換鏈看一次量測如何成為地圖上的一個點。
教學模擬：互動圖 D-01a、D-01b
學習路線
從設備如何量測、「一個點如何落到地圖上」，到「SLAM 點雲能否支撐某項營建任務」：給新手的設備起點、四個能力層次、依概念先後排列的精讀順序、由小到大的實作練習，以及一份常見誤解清單。每個階段都附可以檢驗的成果。
本頁內容
這條路線寫給想自己判讀 SLAM 點雲文獻與資料的讀者，也是本研究作者建立專業能力的工作清單。它的前提很簡單：讀過幾篇論文不代表具備專業判斷，每一段學習都要留下可以被檢查的理解或操作成果。
路線中的文獻全部取自本站已查證、具 DOI 的文獻，選用本研究已讀過全文的教學文、綜述與代表性研究。每篇旁的「閱讀程度」標記，是本研究查證時實際讀到的範圍，也決定了本頁能對該文獻說到什麼程度；學習時仍應回到原文全文。
起點：設備與點的生成
第一次接觸 SLAM 點雲的讀者，建議先依序走過「設備與生成」一區的 8 頁，再進入下方的能力層次與精讀順序。這些頁面以三維教學模擬說明 LiDAR、相機、IMU 與攜帶平台如何量測，以及一次量測如何經過處理管線成為地圖上的點；文獻敘述附引用與閱讀程度，文獻尚未回答的問題以證據缺口標示。這一段是「理解」層次的預備，頁面本身不列入精讀順序的篇數。
階段 0從設備到地圖上的一個點
D-02：測距原理
看脈衝飛行時間、相位式與頻率調變連續波如何量出距離，以及弱回波、混合像元、玻璃與粉塵如何讓點偏移或成為假點。
教學模擬：互動圖 D-02a 至 D-02c
D-03：掃描機構與掃描樣式
比較六類掃描機構產生的光束方向，理解重複與非重複掃描樣式的覆蓋如何隨積分時間與平台運動改變。
教學模擬：互動圖 D-03a、D-03b、E-01
D-04：相機與深度相機
理解單眼相機的尺度模糊、立體深度誤差隨距離平方成長、深度相機的失效情境，以及稀疏與稠密兩種成點方式。
教學模擬：互動圖 D-04a 至 D-04d
D-05：IMU 與多感測器融合
理解 IMU 量到的比力與角速度、單獨積分為何很快漂移、LiDAR 如何修正又在退化方向修正不到，以及時間偏移造成的重影。
教學模擬：互動圖 D-05a 至 D-05d
D-06：攜帶平台與作業方式
比較站點式 TLS、手持、背包、推車、輪式與四足機器人及無人機能到哪裡、留下哪些遮蔽，以及各自的運動特性。
教學模擬：互動圖 D-06a、D-06b
D-07：從量測到點雲地圖
逐步拆開四類代表性管線的中間產物，確認最後交付的是原始點、體素地圖、稀疏地標還是融合表面。
教學模擬：互動圖 D-07a 至 D-07e
D-08：彩色點雲：LiDAR 加相機
看 LiDAR 點如何投影到相機影像取得實際顏色，外參、時間、遮擋與曝光如何讓點取錯顏色，以及緊耦合系統如何用顏色回頭修正位姿。
教學模擬：互動圖 D-08a 至 D-08c
階段 0 檢核
不翻閱參考資料，說出一個 LiDAR 點由哪些量組成（距離、光束方向、外參與量測時刻的位姿）；以 cτ/2 算出 5 ns 脈衝可分辨的深度差；說明單眼相機為何無法決定尺度、立體相機的深度誤差為何隨距離平方成長，以及只積分 IMU 為何很快漂移、LiDAR 在長走廊中為何修正不到沿走廊的方向；再以 0.1° 的外參旋轉誤差估算 LiDAR 點投影到影像時偏移幾個像素，說明柱邊為何會取到背景的顏色。可以用判讀測驗中「設備與點的生成」一組題目自我檢查。
四個能力層次
四個層次由淺入深，但不是只能依序前進：比較方法時常常需要回頭確認座標與估計的細節，判斷工程適用性時也需要重現與評估的經驗。每一層都列出可以檢驗的成果，作為自我檢查的依據。
一個點如何落到地圖上
理解能解釋一個三維點如何由感測、位姿與座標轉換落到地圖上，以及哪些不確定性在過程中介入。
可檢驗成果
- 寫出 ，並說明感測器量測、外參與位姿各自的誤差來源。
- 手算航向誤差的槓桿效應：1° 的航向誤差使 20 m 外的點橫向偏移約 0.35 m（20 m × sin 1°，幾何計算）。
- 畫出前端與後端的分工，指出迴圈在哪一端偵測、在哪一端修正。
階段 0 設備起點 · 閱讀階段 1 至 2 · 互動 F-01a、F-01b
方法之間差在哪裡
比較能清楚說明不同方法的狀態、量測、資料關聯、全域處理、地圖表示與假設。
可檢驗成果
- 以同一欄位表比較四套代表系統，每一格附原文位置，未報告者標示未報告。
- 分辨配準元件、里程計、具全域修正的 SLAM 與地圖表示，並說明為何跨層級直接比較精度會誤導。
- 讀一篇新方法論文時，指出其貢獻落在前端、後端或地圖表示的哪一層。
閱讀階段 3 至 4 · 方法圖鑑的比較表
親手跑出來，也看見失敗
重現能在已知版本與資料上執行代表系統，辨識資料問題、參數影響與失敗，而非只展示成功的點雲。
可檢驗成果
- 交出重現紀錄：資料版本、commit、建置環境、完整指令、設定檔、軟硬體、失敗日誌與輸出。
- 以寫明的對齊方式計算絕對軌跡誤差（ATE）與相對位姿誤差（RPE），並以參考點雲計算至少一項地圖指標。
- 至少記錄一次失敗或退化，並說明可能原因來自資料、參數還是場景。
閱讀階段 5 · 實作練習 4 至 5
從工程任務反推需求
判斷能從工程任務與容許差，反推資料品質、參考量測、採集路徑與驗證需求。
可檢驗成果
- 為一項任務寫出被測量的定義、容許差來源、參考量測與其不確定度，以及決策規則。
- 對手上的證據分類：哪些來自施工中工地、哪些來自完工建築、公開基準或模擬。
- 讀一篇工地研究時，指出它的結論能支持與不能支持哪些工程決策。
閱讀階段 6 · 任務適用性
精讀順序
共 29 篇，分六個階段，依概念先後排列：先建立機率、位姿與配準的語言，再看元件如何組成系統、地圖如何表示，接著學會評估，最後回到營建任務。本研究查證時，29 篇都已讀全文；「讀後能力」中標註的章節位置，指向本研究查證時讀到的段落。
每個階段結尾的「檢核」是進入下一階段前應完成的成果。可以用下方的篩選只看某一個能力層次；編號維持全路線的順序。
每篇的「經典」與「近十年」標記依首次公開日期歸類，近十年指 2016-09-25 以後首次公開；標記旁的年份則是正式出版年。預印本或線上優先版本比正式卷期早公開時，以較早的日期歸類，因此同一出版年的文獻可能分屬兩類。
階段 1機率與位姿：SLAM 估計的是什麼
第 1 篇：SLAM tutorial Part I
Durrant-Whyte & Bailey, 2006Simultaneous localization and mapping: part IIEEE Robotics & Automation Magazine
閱讀程度：已讀全文文獻類型：教學經典 · 2006
- 為何必讀
- 以機率形式定義 SLAM，並整理 EKF-SLAM 與 Rao-Blackwellized 粒子濾波（FastSLAM）兩條解法；歷史一節交代地標估計為何會經由共同的載具位置誤差而彼此相關。這是閱讀後續文獻的共同語言。
- 先備知識
- 條件機率與貝氏定理；多變數高斯分布與共變異數矩陣的意義。
- 核心問題
- 為什麼定位與建圖必須同時估計，而不能分開各自求解？
- 讀後能力
- 能寫出 SLAM 的狀態、運動模型與觀測模型；能說明地標估計為何會經由共同的載具位置誤差而彼此相關（Sec. II）；能說明作者所稱「理論與概念上已解」與實務上建立感知豐富地圖之間的差距（Sec. I）。
第 2 篇：Stochastic map
Smith et al., 1990Estimating Uncertain Spatial Relationships in RoboticsAutonomous Robot Vehicles (book, Springer New York)
閱讀程度：已讀全文文獻類型：方法經典 · 1990
- 為何必讀
- 提出「隨機地圖」（stochastic map）：把機器人與物件之間的空間關係放進同一個狀態向量，同時保存平均值與完整共變異數，並以一階線性化推導位姿複合的不確定度傳遞。點雲座標的不確定性從哪裡來，可以從這篇的運算開始理解。
- 先備知識
- 上一篇的狀態空間表示；二維剛體轉換與矩陣相乘；一階泰勒展開與 Jacobian。
- 核心問題
- 一連串相對位姿量測串接之後，終點位姿的不確定度如何累積？
- 讀後能力
- 能以兩段二維位姿的複合為例，寫出平均值與一階共變異數傳遞式（Sec. 2.1, 3.2）；能說明作者自述的前提：角度誤差須夠小以支持線性化，且只估計前兩階動差（Sec. 6）。
第 3 篇：Graph-based SLAM tutorial
Grisetti et al., 2010A Tutorial on Graph-Based SLAMIEEE Intelligent Transportation Systems Magazine
閱讀程度：已讀全文文獻類型：教學經典 · 2010
- 為何必讀
- 把 SLAM 寫成位姿圖（pose graph）：節點是不同時刻的位姿，邊是由里程計或重複觀測同一區域得到的相對約束，後端以最小平方求出最符合所有約束的配置。作者區分依賴感測器的前端與不依賴感測器的後端，並說明在流形上參數化旋轉的作法。
- 先備知識
- 非線性最小平方與 Gauss-Newton 迭代；稀疏矩陣的基本概念；前兩篇的不確定度觀念。
- 核心問題
- 迴圈閉合形成的約束，如何透過最佳化把累積誤差分配回整條軌跡？
- 讀後能力
- 能寫出二維位姿圖的殘差、Jacobian 與正規方程式，並說明演算法為何固定第一個節點；能分辨前端（建圖與迴圈偵測）與後端（圖最佳化）各自負責的工作（Sec. II），並知道本文假設前端提供一致的資料關聯（Sec. IV）。
第 4 篇：Past, Present, and Future of SLAM
Cadena et al., 2016Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception AgeIEEE Transactions on Robotics
閱讀程度：已讀全文文獻類型：綜述經典 · 2016
- 為何必讀
- 整理現代 SLAM 的共同架構：前端把感測資料抽象成可估計的模型並做資料關聯，後端以最大後驗（MAP）與因子圖（factor graph）推論。作者指出現行後端形式源自 Lu 與 Milios，主張捨棄迴圈閉合（loop closure）的 SLAM 即退化為里程計（odometry），並在第 V 節整理點雲、網格、截斷有號距離函數（truncated signed distance function, TSDF）等度量地圖表示。
- 先備知識
- 位姿圖與最小平方（前一篇）；能閱讀英文綜述中的系統架構圖。
- 核心問題
- 「SLAM 是否已經解決」為什麼必須依機器人、環境與效能需求的組合來回答？
- 讀後能力
- 能用前端、後端、地圖表示三個層次，定位任一篇方法論文的貢獻；能說明里程計與具全域修正的 SLAM 在誤差累積上的差別（Sec. I）；能引述作者對點雲與 TSDF 表示的評論：耗記憶體且缺乏高階幾何理解（Sec. V）。
第 5 篇：Factor Graphs for Robot Perception
Dellaert & Kaess, 2017Factor Graphs for Robot PerceptionFoundations and Trends in Robotics
閱讀程度：已讀全文文獻類型：教學近十年 · 2017
- 為何必讀
- 以因子圖作為機器人感知推論的統一表示，說明非線性因子圖的 MAP 推論如何化為反覆求解稀疏線性系統，並把濾波與固定延遲平滑解釋為在圖上邊際化舊狀態。第 7.1 節說明如何以慣性量測單元（IMU）預積分，銜接頻率較低的 LiDAR（光達）或相機量測。
- 先備知識
- 位姿圖最佳化（Grisetti 等人）；線性代數中 QR 或 Cholesky 分解的概念。
- 核心問題
- 濾波、固定延遲平滑與完整平滑的差別，在於保留或邊際化了哪些狀態？
- 讀後能力
- 能畫出一個含 IMU 預積分因子、LiDAR 相對位姿因子與迴圈因子的因子圖，並指出每個因子連接哪些變數；能說明固定延遲平滑如何交替進行量測更新與邊際化最舊狀態（Sec. 5.3.2）。
階段 1 檢核
不翻閱參考資料，寫出點的世界座標與兩段位姿的複合，並以數值例說明航向誤差如何隨距離放大；畫出前端與後端的分工，指出迴圈在哪一端偵測、在哪一端修正。
階段 2配準：兩片點雲如何對齊
第 6 篇：Efficient ICP variants
Rusinkiewicz & Levoy, 2001Efficient variants of the ICP algorithmProceedings Third International Conference on 3-D Digital Imaging and Modeling (3DIM)
閱讀程度：已讀全文文獻類型：評估研究經典 · 2001
- 為何必讀
- 把迭代最近點（Iterative Closest Point, ICP）拆成選點、配對、加權、剔除、誤差度量與最小化六個階段，逐項比較各階段的變體對收斂速度的影響。之後閱讀任何配準或 LiDAR 里程計論文，都可以用這六個階段拆解其設計。
- 先備知識
- 剛體轉換與最小平方；最近鄰搜尋的概念。
- 核心問題
- ICP 的收斂速度與成敗，分別受六個階段中的哪些選擇影響？
- 讀後能力
- 能把任一配準方法對應到六個階段，並指出它改動了哪一段（Sec. 1）；能說明作者承認的比較範圍：主要是三個合成場景上的收斂速度，其中平面帶細小刻痕的場景讓多數變體失敗（Sec. 2）。
第 7 篇：GICP
Segal et al., 2009Generalized-ICPRobotics: Science and Systems V
閱讀程度：已讀全文文獻類型：方法經典 · 2009
- 為何必讀
- 把點對點與點對平面 ICP 納入同一個機率框架：每個點視為來自高斯分布，依局部平面假設設定沿法向小、沿平面大的共變異數，形成「平面對平面」配準；對應點仍以歐氏距離與 k-d 樹搜尋。
- 先備知識
- ICP 的六個階段（上一篇）；多變數高斯分布與最大概似估計；以主成分分析估計法向量。
- 核心問題
- 點對點、點對平面與平面對平面三種作法，寫成殘差與權重時究竟差在哪裡？
- 讀後能力
- 能寫出三種殘差的形式，並說明點對點是 GICP 的特例、點對平面是其極限情形（Sec. III-A）；能指出作者的局部平面假設，以及真實資料中方向相同的錯誤對應未被模型處理（Sec. IV）。
第 8 篇：Beyond points: NDT and MUMC vs ICP benchmark (Magnusson et al. 2015)
Magnusson et al., 2015Beyond points: Evaluating recent 3D scan-matching algorithms2015 IEEE International Conference on Robotics and Automation (ICRA), Seattle, WA, USA
閱讀程度：已讀全文文獻類型：評估研究經典 · 2015
- 為何必讀
- 在同一個公開資料集與評估協定下（真值位姿以全測站追蹤），比較兩種常態分布轉換（NDT）、平面片全域配準 MUMC 與點對平面 ICP 基準，共進行超過十萬次配準。它示範了「同資料、同協定、具獨立參考量測」的受控比較，並明列協定本身的缺點。
- 先備知識
- ICP 與 GICP；累積誤差分布圖（分位數）的判讀。
- 核心問題
- 在低重疊或初始對位不佳時，不同配準方法的穩健性差異從何而來？比較結論又受協定的哪些設定影響？
- 讀後能力
- 能說出作者在其資料上的結論：低重疊或初始對位差時，NDT 與 MUMC 一般比 ICP 穩健（Sec. VI）；並能同時列出作者自述的限制：初始偏移常不實際、重疊率普遍偏低、執行時間在不同電腦上量測（Sec. I, IV-A, V-C）。
第 9 篇：Degeneracy factor / solution remapping
Zhang et al., 2016On degeneracy of optimization-based state estimation problems2016 IEEE International Conference on Robotics and Automation (ICRA)
閱讀程度：已讀全文文獻類型：元件經典 · 2016
- 為何必讀
- 把退化（degeneracy）定義為解對約束擾動的剛度，以系統矩陣的特徵值與特徵向量找出退化方向，最佳化時只在條件良好的方向更新位姿，退化方向保留預測值。缺乏幾何結構時配準為何會失效，可從這個觀念開始診斷。
- 先備知識
- Gauss-Newton 的正規方程式與 Hessian；特徵值分解。
- 核心問題
- 當環境在某個方向缺乏約束時，最佳化會發生什麼事？能否在求解時就偵測出來？
- 讀後能力
- 能以特徵值分解判斷一個配準問題在哪些方向退化，並說明 solution remapping 的作法（Sec. IV, Algorithm 1）；能指出退化門檻是由包含良好與退化場景的樣本資料經驗決定（Fig. 4）。
階段 2 檢核
以自己的程式對一對掃描執行點對點與點對平面 ICP，記錄每次迭代的殘差與收斂情形；在走廊型資料上以特徵值分解指出退化方向。
階段 3LiDAR（慣性）系統：元件如何組成系統
第 10 篇：On-manifold IMU preintegration
Forster et al., 2017aOn-Manifold Preintegration for Real-Time Visual–Inertial OdometryIEEE Transactions on Robotics
閱讀程度：已讀全文文獻類型：方法經典 · 2017
- 為何必讀
- 把兩個關鍵影格之間的大量 IMU 量測預先積分（preintegration）成單一相對運動約束，並正確處理旋轉群 SO(3) 的流形結構，推導殘差、雜訊傳播與偏差事後修正的解析 Jacobian。本階段稍後的 LIO-SAM 就在因子圖中使用 IMU 預積分因子。
- 先備知識
- 因子圖（Dellaert 與 Kaess）；旋轉矩陣、指數映射與 SO(3) 的基本概念；IMU 的角速度與加速度量測模型。
- 核心問題
- 為什麼不能把 IMU 積分結果直接當成已知位姿？偏差估計改變時，預積分量如何修正而不必整段重算？
- 讀後能力
- 能寫出預積分的相對旋轉、速度與位置量，並說明偏差事後修正的用途（abstract），以及推導時假設兩個關鍵影格之間的偏差維持不變（Sec. VI）；能指出本文的實驗是單目視覺慣性里程計，實測場地為具動作捕捉真值的室內空間與既有建物內外，不是營建工地，也未評估點雲幾何（Sec. VIII-B）。
第 11 篇：LOAM
Zhang & Singh, 2014LOAM: Lidar Odometry and Mapping in Real-timeRobotics: Science and Systems X (RSS 2014)
閱讀程度：已讀全文文獻類型：方法經典 · 2014
- 為何必讀
- 3D LiDAR 里程計與建圖的經典設計：高頻里程計以掃描對掃描配準估計運動，並校正掃描期間運動造成的畸變（去畸變，deskew），低頻建圖再把去畸變點雲精配準到地圖；兩者只使用依局部平滑度挑出的邊緣點與平面點。
- 先備知識
- ICP 的點對線與點對平面殘差；Levenberg-Marquardt；旋轉式 LiDAR 的掃描方式。
- 核心問題
- 為什麼要把里程計與建圖拆成兩個頻率？沒有迴圈閉合會留下什麼問題？
- 讀後能力
- 能解釋掃描期間運動造成的點雲畸變與其校正方式；能說明作者自述的限制：沒有迴圈閉合，累積漂移無法修正；掃描內假設速度平滑連續，劇烈運動需要 IMU（Sec. I, III, VII-B, VIII）。
第 12 篇：LIO-SAM
Shan et al., 2020LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
閱讀程度：已讀全文文獻類型：方法近十年 · 2020
- 為何必讀
- 把 IMU 預積分、LiDAR 里程計、GNSS 與迴圈閉合四種因子放進同一個因子圖，以 iSAM2 增量最佳化；IMU 積分的運動同時用於點雲去畸變與配準初值。它把前面的因子圖觀念落實成完整的 LiDAR 慣性 SLAM。
- 先備知識
- LOAM 的特徵與殘差；因子圖與 IMU 預積分。
- 核心問題
- 緊耦合的 IMU 因子與迴圈因子，分別處理了 LOAM 的哪些問題？又留下哪些問題？
- 讀後能力
- 能畫出 LIO-SAM 的因子圖並說明每種因子的來源；能說明新關鍵影格只與近期子關鍵影格組成的局部體素地圖配準的理由；能引述作者自述的限制：缺乏絕對量測或迴圈時，LiDAR 慣性里程計仍會長期漂移（Sec. III-D, V）。
第 13 篇：FAST-LIO2
Xu et al., 2022FAST-LIO2: Fast Direct LiDAR-Inertial OdometryIEEE Transactions on Robotics
閱讀程度：已讀全文文獻類型：方法近十年 · 2022
- 為何必讀
- 延續緊耦合迭代卡爾曼濾波，但取消手工特徵擷取，直接以原始點對地圖中的局部平面做點對平面配準，並以增量式 k-d 樹（ikd-Tree）維護地圖。與 LIO-SAM 對照閱讀，可以看出濾波式與因子圖式兩種設計的差異。
- 先備知識
- 擴展卡爾曼濾波的預測與更新；點對平面殘差；k-d 樹最近鄰搜尋。
- 核心問題
- 不擷取特徵、直接用原始點配準，對不同掃描樣式的 LiDAR 有什麼影響？地圖只保留一個移動立方體內的點，又代表什麼？
- 讀後能力
- 能說明迭代卡爾曼濾波一次更新中完成哪些步驟；能指出本系統是里程計，不含迴圈偵測或全域修正（Sec. VI-C），且地圖只保留邊長 L 的移動立方體區域內的點（Sec. V-A）。
第 14 篇：KISS-ICP
Vizzo et al., 2023KISS-ICP: In Defense of Point-to-Point ICP – Simple, Accurate, and Robust Registration If Done the Right WayIEEE Robotics and Automation Letters
閱讀程度：已讀全文文獻類型：方法近十年 · 2023
- 為何必讀
- 回到最基本的點對點 ICP，只保留等速運動預測與逐點去畸變、體素降採樣、依運動模型偏差自適應的對應門檻，以及穩健核函數等少數元件。作者主張同一組參數可用於車載、無人機、Segway 與手持 LiDAR，適合用來思考「哪些元件真正必要」。
- 先備知識
- ICP、去畸變與體素降採樣；穩健核函數的作用。
- 核心問題
- 一個不含 IMU、迴圈與位姿圖的里程計，在什麼運動與場景條件下會失效？
- 讀後能力
- 能列出系統的七個參數及其作用（Table I; Sec. IV）；能說明作者假設掃描期間運動很小（Sec. III-A），以及地圖保留原始點座標而非體素中心的理由（Sec. III）。後續研究報告的失效條件，見本頁的完整系統表。
第 15 篇：LO component evaluation (Potokar and Kaess)
Potokar & Kaess, 2025A Comprehensive Evaluation of LiDAR Odometry Techniques2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
閱讀程度：已讀全文文獻類型：評估研究近十年 · 2025
- 為何必讀
- 不提出新系統，而是把 LiDAR 里程計拆成初始化、去畸變、曲率計算與殘差型式等元件，在七個公開資料集上逐項做消融（ablation）比較。它示範如何把「整套系統對整套系統」的比較，改成「元件對元件」的受控實驗。
- 先備知識
- LOAM、FAST-LIO2 與 KISS-ICP 的元件組成；相對軌跡誤差的定義。
- 核心問題
- 兩套系統表現不同時，差異究竟來自哪一個元件？
- 讀後能力
- 能引述作者在其設定下的結論：多數情況 IMU 去畸變最佳（Sec. V-B），結構化環境中平面特徵搭配平面對平面殘差表現最好（Sec. V-E）；並能指出其限制：多數實驗以真值初始化，等速與 IMU 去畸變所用的速度與偏差來自真值或離線最佳化，屬理想化條件（Sec. IV, V-A, V-B）；而且只評估掃描對掃描配準、未測試掃描對地圖，較長的軌跡也只取前 5 分鐘（Sec. III, IV, IV-A）。
第 16 篇：LiDAR odometry survey
Lee et al., 2024bLiDAR odometry survey: recent advancements and remaining challengesIntelligent Service Robotics
閱讀程度：已讀全文文獻類型：綜述近十年 · 2024
- 為何必讀
- 依感測器整合方式整理 LiDAR 里程計，並在第 7 節列出剩餘挑戰：資料量、運動畸變、異質 LiDAR、隧道與長廊等幾何退化，以及天候與玻璃反射造成的感測劣化。適合在讀完代表系統之後，用來整理全貌。
- 先備知識
- 本階段前面幾篇代表系統。
- 核心問題
- LiDAR 里程計還有哪些未解的挑戰？其中哪些與採集規劃或驗證方式有關（推論）？
- 讀後能力
- 能把讀過的系統放進作者的分類（純 LiDAR、LiDAR 與 IMU 鬆耦合或緊耦合、多 LiDAR 與其他感測器融合）；能列出作者整理的五種真值來源：RTK-GNSS 結合 INS、SLAM、追蹤系統、地面控制點（常以全測站建立），以及地面光達掃描（terrestrial laser scanning, TLS），並說明各有限制（Sec. 8.2.1）。
階段 3 檢核
用同一張欄位表（感測輸入、狀態估計、資料關聯、去畸變、迴圈與全域修正、地圖表示）比較 LOAM、LIO-SAM、FAST-LIO2 與 KISS-ICP，每一格附原文位置；原文沒有報告的欄位標示「未報告」，不以推測補值。
階段 4地圖表示：點雲之後的幾何
第 17 篇：Volumetric range-image integration (TSDF origin; VRIP)
Curless & Levoy, 1996A volumetric method for building complex models from range imagesProceedings of the 23rd Annual Conference on Computer Graphics and Interactive Techniques (SIGGRAPH '96)
閱讀程度：已讀全文文獻類型：方法經典 · 1996
- 為何必讀
- 把已對齊的距離影像沿感測器視線轉成有號距離函數與權重，加權累加到體素格網，再擷取零等值面成為網格；這套作法常被視為 TSDF 融合的源頭。作者自述薄面會被增厚、尖角會被圓化（Sec. 7），這項限制與構件尺寸量測直接相關（推論）。
- 先備知識
- 體素與隱式表面（等值面）的概念；感測器視線與深度量測。
- 核心問題
- 把點融合成連續表面時，哪些幾何細節會被系統性改變？
- 讀後能力
- 能解釋有號距離與權重的累加規則，以及補洞時使用的空、未觀測、近表面三種體素狀態（Sec. 3-4），並知道補洞產生的表面不是量測到的幾何（Sec. 4）；能由作者的限制推論薄牆、翼板與構件邊緣在 TSDF 類融合下的尺寸偏差風險（推論；原研究掃描的是龍、約 20 cm 高的佛像與 1.6 mm 鑽頭等小型物件，未在營建場域驗證）。
第 18 篇：PUMA
Vizzo et al., 2021Poisson Surface Reconstruction for LiDAR Odometry and Mapping2021 IEEE International Conference on Robotics and Automation (ICRA)
閱讀程度：已讀全文文獻類型：方法近十年 · 2021
- 為何必讀
- 以 Poisson 表面重建把局部點雲轉成網格，依頂點密度修剪低支持的外插表面，再以射線投射做點對網格配準。它在合成資料上以真值位姿評估地圖，把地圖表示本身的誤差與位姿誤差分開，是值得模仿的評估設計（Sec. IV-B）。
- 先備知識
- TSDF 與網格的差異；倒角距離（Chamfer distance）、精確率與召回率的定義。
- 核心問題
- 同一組位姿與量測，換成不同的地圖表示，評估結果會差多少？為什麼要用真值位姿才能回答？
- 讀後能力
- 能說明密度修剪移除 Poisson 外插表面的目的（Sec. III-B）；能指出作者自述的限制：每次掃描建網格約需 5 秒而無法線上運作、沒有迴圈修正（Sec. IV-F, V），且只在合成城市資料與 KITTI 上驗證。
第 19 篇：NeRF/3DGS-SLAM survey (Tosi et al.)
Tosi et al., 2026How NeRFs and 3-D Gaussian Splatting Are Reshaping SLAM: A SurveyIEEE Transactions on Robotics
閱讀程度：已讀全文文獻類型：綜述近十年 · 2026
- 為何必讀
- 整理以神經輻射場（neural radiance fields, NeRF）與三維高斯潑濺（3D Gaussian Splatting, 3DGS）為地圖表示的 RGB-D、RGB 與 LiDAR SLAM。討論一節指出 3DGS 高度依賴初始化、在未觀測區域缺乏對基元生長的控制，以及缺乏標準化基準造成評估不一致。讀它是為了知道新式表示在量測意義上還缺什麼。
- 先備知識
- TSDF 與網格表示；外觀（渲染）品質與幾何精度是不同的評估面向。
- 核心問題
- 照片級的渲染品質，能否代表幾何量測品質？評估所用的真值本身可靠嗎？
- 讀後能力
- 能說明作者指出的評估不一致問題，例如 ScanNet 的真值位姿來自 BundleFusion 而引起可靠性疑慮（Sec. V-F）；能說明此綜述以機器人與視覺為出發點，未以工程量測幾何為核心（推論）。
階段 4 檢核
以同一組量測比較點雲、體素、TSDF 與網格表示，說明每一種在薄構件、邊緣與未觀測區域的行為，並指出哪些表面有量測支持、哪些是重建補出來的。
階段 5評估：軌跡、地圖與參考量測
第 20 篇：TUM RGB-D (ATE/RPE)
Sturm et al., 2012A benchmark for the evaluation of RGB-D SLAM systems2012 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
閱讀程度：已讀全文文獻類型：評估研究經典 · 2012
- 為何必讀
- 定義兩個軌跡指標：相對位姿誤差（relative pose error, RPE）比較固定間隔 Δ 內估計與真實的相對運動，可反映漂移；絕對軌跡誤差（absolute trajectory error, ATE）先以 Horn 閉式解做剛體對齊，再計算平移誤差的均方根。作者也提醒：好的軌跡不必然代表好的地圖（Sec. VII）。
- 先備知識
- 剛體轉換與均方根誤差；以最小平方做剛體對齊（絕對定向）的概念。
- 核心問題
- ATE 與 RPE 各自回答什麼問題？為什麼只比較起點與終點會誤導？
- 讀後能力
- 能依原文公式實作 ATE 與 RPE（Sec. VII, Eq. 1-5），並說明作者建議 SLAM 評估對所有 Δ 取平均、只比較起終點位姿會誤導（Sec. VII-A）；能引述作者的說明：動作捕捉位姿 0.34 至 0.49 度的方向誤差在 5 m 處約造成 30 至 43 mm 誤差，因此不能直接用來建立或評估高精度三維模型（Sec. VI-C）；能指出本資料集為室內動作捕捉範圍，不代表工地的尺度與幾何（推論）。
第 21 篇：Trajectory-evaluation tutorial
Zhang & Scaramuzza, 2018A Tutorial on Quantitative Trajectory Evaluation for Visual(-Inertial) Odometry2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
閱讀程度：已讀全文文獻類型：教學近十年 · 2018
- 為何必讀
- 把軌跡評估拆成「對齊」與「誤差指標」兩步，並依感測模態的不可觀測自由度選擇對齊轉換：單目用相似轉換 Sim(3)、雙目用剛體轉換 SE(3)、視覺慣性用僅含偏航的 4 自由度轉換（Table I）。讀完即可理解：對齊方式與所用狀態未寫明時，不同論文的 ATE 為何難以直接比較（推論）。
- 先備知識
- ATE 與 RPE（上一篇）；尺度、重力方向與可觀測性的直觀概念。
- 核心問題
- 對齊時允許的自由度越多，誤差是否也被吸收得越多？
- 讀後能力
- 能說明用於對齊的狀態不同會改變平移 ATE，並知道作者只以 EuRoC MH01 上的 VINS-Mono 一例示範（Table III, Sec. VI-B），以及 ATE 對誤差發生時間敏感（Sec. IV-A）；能為 LiDAR 慣性系統選擇並說明對齊方式（推論：重力使翻滾與俯仰可觀測，4 自由度對齊是類比的選擇）。
第 22 篇：MapEval
Hu et al., 2025MapEval: Towards Unified, Robust and Efficient SLAM Map Evaluation FrameworkIEEE Robotics and Automation Letters
閱讀程度：已讀全文文獻類型：評估研究近十年 · 2025
- 為何必讀
- 把評估從軌跡推進到點雲地圖：以 TLS 等參考地圖為基準，除了準確度、完整度、倒角距離與平均地圖熵，另提出平均 Wasserstein 距離（AWD）衡量全域幾何、空間一致性分數（SCS）衡量局部一致性。作者在實測中比較 FAST-LIO2 與具迴圈修正的 PALoc，報告迴圈修正提升了全域精度，但有時降低局部一致性（Sec. IV-C）。
- 先備知識
- 點對平面 ICP；最近鄰距離、精確率與召回率；高斯分布之間距離的概念。
- 核心問題
- 全域精度與局部一致性為什麼要分開量？地圖指標的數值又受哪些設定影響？
- 讀後能力
- 能說明 AWD 隨體素大小近似線性增加（Sec. IV-E），因此不同設定下的數值不可直接比較（推論）；能引述作者在討論中的提醒：點雲地圖稀疏時體素高斯指標的可靠度會下降，體素大小須依場景複雜度與地圖密度調整（Sec. IV-F）；能指出評估前先以 ICP 把 SLAM 地圖對齊到參考地圖，全域剛體偏移與地理參考誤差因此不在量測範圍內（推論）。
第 23 篇：Hilti-Oxford (Hilti 2022)
Zhang et al., 2023cHilti-Oxford Dataset: A Millimeter-Accurate Benchmark for Simultaneous Localization and MappingIEEE Robotics and Automation Letters
閱讀程度：已讀全文文獻類型：資料集近十年 · 2023
- 為何必讀
- 部分序列位於施工中的營建工地。真值借用測量實務：以地面光達掃描（TLS）建立參考點雲，並把裝置尖端放在地面十字標記上，得到每個序列 5 到 10 個毫米級的稀疏控制點；評分先以 SE(3) 對齊控制點，再依誤差分段給分（Sec. V）。
- 先備知識
- ATE 與軌跡對齊；全測站、TLS 與控制點的基本測量觀念。
- 核心問題
- 只有 5 到 10 個稀疏控制點時，評分能說明什麼、不能說明什麼？
- 讀後能力
- 能說明分段評分與平均 ATE 大致一致、但在誤差落在高分區間以外或軌跡不完整時會分歧（Sec. VI-B）；能引述作者的觀察：較長的序列中，迴圈閉合有時把某一段的誤差擴散到整條軌跡（Sec. VI-B）；能說明評分量測的是控制點處的裝置位置，而非點雲表面幾何（推論）。
第 24 篇：ConSLAM
Trzeciak et al., 2023ConSLAM: Construction Data Set for SLAMJournal of Computing in Civil Engineering
閱讀程度：已讀全文文獻類型：資料集近十年 · 2023
- 為何必讀
- 作者稱就其所知，這是第一個在同一個施工中工地每月重複收集的公開 SLAM 資料集。參考資料是測量團隊以 TLS 取得、部分定位到控制點的點雲；軌跡真值則以 ICP 把關鍵 LiDAR 掃描配準到 TLS 點雲取得。
- 先備知識
- ATE 與軌跡評估工具的用法；TLS 參考點雲的產生方式。
- 核心問題
- 當「真值」本身是由配準產生時，它的誤差會如何限制評估？
- 讀後能力
- 能列出作者說明的資料限制：軟體時間同步的整體誤差略高於 10 ms、只校正 LiDAR 與 IMU 之間的旋轉、序列 1 因硬體問題以較低頻率錄製且受測 SLAM 在其上失效而沒有真值軌跡、序列 2 至 5 約 2% 的關鍵掃描無法配準，以及作者承認若要作更多實驗用途，真值配準需要更嚴格的不確定度分析；能說明作者示範的絕對位姿誤差（absolute pose error, APE）評估（LIO-SAM 與 A-LOAM）只以第一個位姿對齊，並在遠離起點處觀察到明顯漂移。
階段 5 檢核
在一個公開序列上，以明確寫出的對齊方式計算 ATE 與 RPE，另以參考點雲計算至少一項地圖指標；軌跡層與地圖層的結果分開報告，並寫明真值的來源、覆蓋範圍與限制。
階段 6營建判斷：從任務反推品質需求
第 25 篇：Yarovoi & Cho 2024
Yarovoi & Cho, 2024Review of simultaneous localization and mapping (SLAM) for construction robotics applicationsAutomation in Construction
閱讀程度：已讀全文文獻類型：綜述近十年 · 2024
- 為何必讀
- 以營建機器人定位為導向的 SLAM 綜述，整理營建現場的特殊條件（例如鋼材與運轉中的引擎干擾磁力計、無紋理乾牆、室內外光線劇變），並以 Hilti 2022 的營建工地序列（Exp04 至 Exp06）比較 LeGO-LOAM、LIO-SAM 與 ART-SLAM 三套開源系統，同時報告軌跡誤差與地圖距離；其中 ART-SLAM 的開源版本使用 IMU 時在所有序列都失去追蹤，因此改以不含 IMU 的設定執行（Sec. 5）。
- 先備知識
- LIO-SAM 等代表系統；ATE；Hilti-Oxford 資料集。
- 核心問題
- 營建現場有哪些一般機器人基準沒有涵蓋的條件？
- 讀後能力
- 能說明作者在 Exp04 到 Exp06 的觀察：其測試中只有 LIO-SAM 在三個序列都維持追蹤（Sec. 5, Table 2），而這三個序列來自同一工地、樓層配置相似（Sec. 5）；能指出其地圖指標是與「以真值位姿累積同一批原始掃描」的參考點雲比較，只隔離位姿造成的地圖誤差，並非相對獨立測量成果的精度（推論）。
第 26 篇：Feng et al. 2025 construction-site LiDAR SLAM evaluation
Feng et al., 2025Evaluation of LiDAR SLAM algorithms for construction robots in large public construction sitesLow-carbon Materials and Green Construction
閱讀程度：已讀全文文獻類型：評估研究近十年 · 2025
- 為何必讀
- 在施工中的醫院門診大樓（主體封頂、機電與裝修並行）與依施工圖建立的 Gazebo 模擬工地，以官方預設參數比較十套開源 3D LiDAR SLAM。在本站收錄的文獻中，它是少數直接在施工中建築比較多套系統的研究，也很適合練習批判式閱讀。
- 先備知識
- LOAM、LIO-SAM、FAST-LIO2；ATE 與參考軌跡；模擬與實地驗證的差別。
- 核心問題
- 一項工地比較研究要提供哪些資訊，它報告的誤差才能當作幾何精度的證據？
- 讀後能力
- 能引述作者的觀察：純 LiDAR 方法普遍出現 z 軸漂移與地圖翹曲，緊耦合 LiDAR-IMU 方法較能抑制（Sec. 5.2-5.3）；並能指出本研究查證時記錄的缺口：實際工地 APE 所用參考軌跡的來源與計算前的軌跡對齊方式都未說明；作者稱地圖品質兼作定量與定性評估，但只以高程著色三視圖呈現，未報告指標數值；所有方法僅用預設參數；第 5.2 節把 FAST-LIO2 與 Point-LIO 列為支援迴圈最佳化的緊耦合方法，與第 4.2 節及表 2 所述兩者不含迴圈閉合不一致（Sec. 4.2, 5.2, Table 2）。
第 27 篇：ZEB-REVO drift and sectional post-processing
Keitaanniemi et al., 2023Drift analysis and sectional post-processing of indoor simultaneous localization and mapping (SLAM)-based laser scanning dataAutomation in Construction
閱讀程度：已讀全文文獻類型：評估研究近十年 · 2023
- 為何必讀
- 以商用手持 SLAM 掃描儀（GeoSLAM ZEB-REVO）單次掃描一棟 1960 年代四層校舍的兩層走廊、四個房間與一段戶外區域（約 950 平方公尺），並以 63 站 TLS 為參考、以 M3C2 分析漂移：漂移主要在垂直方向，最大 10.6 cm，出現在距起終點最遠的軌跡中段。作者並依窄門、窄樓梯、小半徑內迴圈與室內外轉換等位置，提出控制點配置建議。
- 先備知識
- 點雲對點雲比較（C2C、M3C2）的觀念；TLS 參考量測；剛性與非剛性轉換。
- 核心問題
- 漂移在哪裡累積？後處理修正後的殘差，還算是獨立的精度證據嗎？
- 讀後能力
- 能說明分段後處理把漂移降到約 0.2 cm（Abstract），但這個殘差是以提供控制區塊的同一套 TLS 資料評估，不是獨立檢核（推論，Sec. 3.2）；能引述作者自己的評語：同時需要 SLAM 點雲與更精確 TLS 點雲的後處理流程並不理想（Sec. 5.2）；能分辨該研究的場地是完工建築而非施工中工地，且只有單一設備、單次掃描（Sec. 6）。
第 28 篇：Rebolj et al. 2017 (point cloud quality for Scan-vs-BIM)
Rebolj et al., 2017Point cloud quality requirements for Scan-vs-BIM based automated construction progress monitoringAutomation in Construction
閱讀程度：已讀全文文獻類型：應用研究近十年 · 2017
- 為何必讀
- 以工程任務反推點雲品質的明確前例：依構件投影到三個正交平面的面積總和分為四級，以模擬行動雷射掃描產生的 108 組不同品質點雲，推導每級構件在 Scan-vs-BIM 中能被正確辨識所需的最低局部點密度、覆蓋率與深度精度準則（Sec. 3, Table 2）。它不是 SLAM 研究，但示範了從任務需求推導品質規格的方式。
- 先備知識
- 點密度、覆蓋率與深度精度的定義；Scan-vs-BIM 進度監測的流程。
- 核心問題
- 一項工程任務需要的點雲品質，如何由任務成果（構件是否被正確辨識）反推？
- 讀後能力
- 能說明作者報告的密度準則（大、中、小、極小構件分別為每平方公尺至少 14、70、530、4500 點）依附於其辨識演算法與無遮蔽假設（Sec. 1.2, 4.4）；能指出驗證中多段掃描合併使品質劣化，並造成缺漏構件被誤判為存在（Sec. 4.3-4.4）；能指出方法假設點雲已與 BIM 對齊，未評估配準與定位誤差（Sec. 2.2），這正是 SLAM 點雲需要另外處理的部分（推論）。
第 29 篇：JCGM 106:2012
JCGM, 2012aEvaluation of measurement data – The role of measurement uncertainty in conformity assessmentJCGM 106:2012
閱讀程度：已讀全文文獻類型：標準或指南經典 · 2012
- 為何必讀
- 說明在有容許界限的符合性評鑑（conformity assessment）中，因量測不確定度存在，合格判定永遠是帶有機率的推論；並定義容許區間、允收區間、防護帶（guard band）與決策規則（decision rule）。它把「點雲夠不夠準」轉成「判定錯誤的風險是否可接受」。
- 先備知識
- GUM 的標準不確定度與擴展不確定度概念；工程容許差。
- 核心問題
- 當量測不確定度接近容許差時，合格判定應依什麼規則訂定？
- 讀後能力
- 能寫出量測能力指標 Cm = T/(2U)（T 為容許區間寬度，U 為涵蓋因子 k = 2 的擴展不確定度）並解釋其意義（7.6.2, Eq. 12）；能說明文件範圍限於單一純量特性與二元判定，並指出其概念可延伸到一組純量被測量（Clause 1）；套用到點雲構件檢核前，須先為每項檢核定義純量的被測量（推論）。
階段 6 檢核
選一項工程任務（例如牆面平整度檢核或 Scan-vs-BIM 進度判定），寫出被測量的定義、容許差與其來源、參考量測與其不確定度、決策規則、採集路徑與控制點配置，並標出目前文獻缺少的證據。
由小到大的實作練習
練習的尺度從一個點開始，逐步擴大到一對掃描、一段估計、一張地圖，最後才是一整套系統。前三級用合成資料或單一對掃描，在能做矩陣運算的程式環境中即可完成；後兩級才需要公開資料集與開源系統。前四級各連到本站對應的互動圖，互動圖一律是合成資料的教學模擬，不代表任何系統的實測表現。
1單一點
座標轉換
實作點的座標轉換與兩段位姿的複合；對同一個點加入航向誤差並改變距離，畫出點位偏移隨距離的變化。再對一次旋轉掃描加入等速運動，觀察未去畸變時牆面接縫的錯位。
完成條件：一張「距離 × 航向誤差 → 點位偏移」圖，數值與手算一致。
2一對掃描
配準
對一對掃描分別執行點對點、點對平面與 GICP，系統性改變初始偏移與重疊率，記錄收斂、錯誤收斂與失敗。先自己寫一次最簡單的 ICP，再改用函式庫。
完成條件：一張「初始偏移 × 重疊率 → 成功率」表，並寫明判定成功的門檻。
3一段估計
殘差與退化
輸出每次迭代的殘差，以及正規方程式矩陣的特徵值與特徵向量；在長走廊或大平面主導的資料上找出退化方向，比較有無運動先驗時的結果。
完成條件：一份殘差與特徵值隨迭代變化的紀錄，並把退化方向對應到場景中的實際方向。
4一張地圖
局部與全域評估
同一條估計軌跡分別以 SE(3)、4 自由度與 Sim(3) 對齊，比較 ATE 的變化；再以參考點雲計算至少一項地圖指標，把全域精度與局部一致性分開報告。
完成條件：一張「對齊方式 → ATE」比較表，寫明用於對齊的狀態，以及是否允許尺度。
5一套系統
完整系統
選一套候選系統與一個公開資料集，從原始資料跑到輸出點雲，完成軌跡層與地圖層評估。重點不是得到好看的點雲，而是能解釋每一次失敗。
完成條件：下方所列的重現紀錄，以及至少一次失敗的分析。
完整系統的重現候選
下表從本站文獻紀錄中已核對程式碼網址的系統選出五套，涵蓋里程計與具全域修正的 SLAM；授權欄位為本站查核儲存庫時的紀錄，使用前應再確認當前版本。「已知條件與限制」只列原作者自述或其他研究報告的內容，並註明出處；本站自己的推論另標「推論」。
| 系統 | 本站分類 | 感測輸入 | 程式碼授權 | 已知條件與限制 |
|---|---|---|---|---|
| KISS-ICP | 里程計＋局部建圖 | 3D LiDAR | MIT | 作者假設掃描期間運動很小 (Vizzo et al., 2023, Sec. III-A)；COIN-LIO 作者報告它在 ENWIDE 五類幾何退化場景（Tunnel、Intersection、Runway、Field、Katzensee）的序列全部失敗 (Pfreundschuh et al., 2024, Sec. IV-C, Table II)；RKO-LIO 作者指出，它採用的等速模型在四足與背包平台的運動下表現不佳 (Malladi et al., 2026, Sec. II)。 |
| KISS-SLAM | 具全域修正的完整 SLAM | 3D LiDAR | MIT | 迴圈偵測先做地面對齊，再以鳥瞰密度影像比對，並以 3D 配準與 40% 重疊率門檻驗證 (Guadagnino et al., 2025a, Sec. III-C)；原文的評估資料來自道路、校園與辦公室 (Guadagnino et al., 2025a, Sec. IV-A, IV-D)。各樓層平面配置相近的多層室內，鳥瞰影像可能難以區分樓層，本站未找到相關驗證（推論）。 |
| FAST-LIO2 | 里程計＋局部建圖 | LiDAR、IMU | GPL-2.0（ikd-Tree 亦為 GPL-2.0） | 不含迴圈偵測或修正 (Xu et al., 2022, Sec. VI-C)；Voxel-SLAM 作者報告它從高動態初始狀態啟動時發散，並歸因於以平均加速度估計重力 (Liu et al., 2026, arXiv v1, Sec. X-A)；COIN-LIO 作者報告它在 ENWIDE 的 Tunnel 與 Runway 序列發散，只在有微弱植被結構的場景避免發散，且仍明顯漂移 (Pfreundschuh et al., 2024, Sec. IV-C, Table II)。 |
| LIO-SAM | 具全域修正的完整 SLAM | LiDAR、IMU；因子圖可納入 GNSS 因子 | BSD 3-Clause | 缺乏絕對量測或迴圈時，LiDAR 慣性里程計仍會長期漂移 (Shan et al., 2020, Sec. III-D, V)；LiLi-OM 作者指出它需要九軸 IMU 讀值，因此無法用於只有六軸 IMU 的 UTBM 資料 (Li et al., 2021b, Sec. 5.2)。 |
| GLIM | 具全域修正的完整 SLAM | 3D LiDAR 或深度相機、IMU | MIT（作者稱多數程式碼已釋出） | 運算量遠高於傳統方法，即時運作依賴 GPU (Koide et al., 2024, abstract; Sec. I)；超出有界最佳化視窗的長時間退化仍具挑戰 (Koide et al., 2024, Sec. VII)。 |
一份可以被別人檢查的重現紀錄，至少應包含：
- 資料集名稱、版本與序列，以及下載來源與授權；
- 程式碼的 commit、相依套件版本與建置環境；
- 完整指令與設定檔，特別是與原始論文預設值不同的參數；
- 硬體（CPU、GPU、記憶體）與是否即時執行；
- 對齊方式、評估工具與指標定義；
- 失敗、未收斂與無輸出的序列，照實記錄，不填成零，也不從平均值中默默剔除。
常見誤解
以下每一條都先寫出常見的說法，再給簡短修正與依據。依據分為兩種：附引用者來自文獻紀錄；標示「推論」者是本研究的推理，尚未有文獻直接檢驗。
「KISS-ICP、FAST-LIO2 與 LIO-SAM 都是 SLAM，可以直接比精度。」
誤解 · 方法層級修正 三者的範圍不同。KISS-ICP 不含迴圈或位姿圖 (Vizzo et al., 2023, Sec. II)，FAST-LIO2 是里程計、不含迴圈偵測或修正 (Xu et al., 2022, Sec. VI-C)，LIO-SAM 則在因子圖中納入迴圈因子 (Shan et al., 2020, Sec. III-E)。Cadena 等人指出，捨棄迴圈閉合的 SLAM 即退化為里程計 (Cadena et al., 2016, Sec. I)。FAST-LIO2 的作者在精度比較中，也關閉了 LiLi-OM 與 LIO-SAM 的迴圈功能以求公平 (Xu et al., 2022, Sec. VI-C)。比較前先確認對象屬於同一層級。
「ATE 就是 ATE，數字小的比較準。」
誤解 · 尺度與對齊修正 ATE 是對齊之後才計算的 (Sturm et al., 2012, Sec. VII-B)。對齊轉換應依感測模態選擇，單目用 Sim(3)、雙目用 SE(3)、視覺慣性用 4 自由度，而用於對齊的狀態不同也會改變平移 ATE (Zhang & Scaramuzza, 2018, Table I, III)。允許尺度的 Sim(3) 對齊會把整體尺度偏差吸收掉，使它不出現在 ATE 中；對要量尺寸的點雲而言，這是必須另外檢查的誤差（推論）。報告 ATE 時，應同時寫明對齊方式、所用狀態與是否含尺度。
「資料集提供的真值就是真實值；參考系統的精度就是受測 SLAM 的精度。」
誤解 · 真值修正 真值本身也是量測。LiDAR 里程計常見的真值來源包括 RTK-GNSS 結合 INS、SLAM、追蹤系統、地面控制點（常以全測站建立）與 TLS，各有限制 (Lee et al., 2024b, Sec. 8.2.1)。ConSLAM 的軌跡真值是把關鍵掃描以 ICP 配準到 TLS 點雲取得，序列 2 至 5 約有 2% 的關鍵掃描無法配準；作者沒有量化此真值軌跡的不確定度，並承認若要作更多實驗用途，真值配準需要更嚴格的不確定度分析 (Trzeciak et al., 2023)；Hilti-Oxford 的控制點雖達毫米級，每個序列卻只有 5 到 10 個 (Zhang et al., 2023c, Sec. V-B)。本研究查證 Feng 等人的工地比較時，也未在全文中找到實際工地 APE 所用參考軌跡的來源與對齊方式 (Feng et al., 2025, Sec. 5.1, 5.3)。報告結果時，應說明真值的來源、不確定度與覆蓋範圍。
「點越密，點雲越準。」
誤解 · 點密度修正 密度、覆蓋與精度是不同的品質面向。Rebolj 等人為 Scan-vs-BIM 構件辨識分別訂定密度、覆蓋率與深度精度準則，且密度需求依構件大小而異 (Rebolj et al., 2017, Sec. 3, Table 2)；其 Kinect 2 驗證中，三段部分掃描合併後品質劣化，並有缺漏構件被誤判為存在 (Rebolj et al., 2017, Sec. 4.3-4.4)。地圖指標也受密度影響：MapEval 作者指出倒角距離對密度與離群點敏感，完整度低時準確度指標並不可靠 (Hu et al., 2025, Sec. III-B)。密度需求應由任務與構件尺寸決定，並另外驗證精度與覆蓋。
「地圖看起來清楚、沒有重影，幾何就是正確的。」
誤解 · 視覺效果修正 外觀與幾何要分開檢查。Sturm 等人提醒，好的軌跡不必然代表好的地圖 (Sturm et al., 2012, Sec. VII)。表面融合也會系統性改變幾何：Curless 與 Levoy 的體積融合（常被視為 TSDF 融合的源頭）會增厚薄面、圓化尖角 (Curless & Levoy, 1996, Sec. 7)；Poisson 重建會在無資料處外插出表面，PUMA 因此以頂點密度修剪 (Vizzo et al., 2021, Sec. III-B)。Tosi 等人也指出，3DGS 類方法在未觀測區域缺乏對基元生長的控制 (Tosi et al., 2026, Sec. V)。Feng 等人的工地比較以高程著色三視圖呈現地圖品質，未報告相對參考量測的指標數值 (Feng et al., 2025, Sec. 5.1)；這類目視判讀不能取代對獨立參考量測的數值比較（推論）。
「加了迴圈閉合，整張點雲就一定變好。」
誤解 · 迴圈閉合修正 迴圈閉合改善的是全域一致性，不保證每一處局部都更好。MapEval 作者在實測中比較 FAST-LIO2 與具迴圈修正的 PALoc，報告迴圈修正提升了全域精度，但有時降低局部一致性 (Hu et al., 2025, Sec. IV-C)；Hilti-Oxford 作者觀察到，較長序列中迴圈閉合有時把某一段的誤差擴散到整條軌跡 (Zhang et al., 2023c, Sec. VI-B)。全域精度與局部一致性應分開評估。
「這個方法已經在工地測過、也正式發表了，所以可以用於工程量測。」
誤解 · 工程適用性修正 適用性要針對特定任務、容許差與場域條件判斷。「在工地測過」可能只是單一工地、單一感測配置：Feng 等人以一處醫院工地與一層模擬樓層主張可推廣到其他大型公共建築 (Feng et al., 2025, Sec. 6)，這個推廣尚未被其他場域檢驗（推論）。Hilti 2021 資料集的摘要稱含營建環境序列，但逐地點描述中只有名為 Construction Site 的地點明確是營建工地 (Helmberger et al., 2022)。即使有獨立參考量測，JCGM 106:2012 也指出合格判定永遠是帶有機率的推論，並把決策規則定義為說明如何在允收或拒收判定中納入量測不確定度的書面規則 (JCGM, 2012a, 7.1.1, 3.3.12)；工程檢核宜在量測前就訂定這類規則（推論）。反過來說，缺少工地研究也不等於已證明不適用。