退化几何：走廊、隧道与视觉/激光 SLAM 的可观性崩溃

走廊里激光里程计沿隧道方向漂、白墙前视觉前端乱飘——算法还在跑、RViz 里轨迹还在更新，但某些自由度已经不可观了。退化不是「精度差」，是信息矩阵在某些方向上接近奇异，优化器却在这些方向上给出看似 confident 的更新。我在长直隧道里见过 LIO 把 Z 轴漂移 2m 而系统毫无 warning。

退化长什么样

视觉 SLAM：

• 特征共面（大平面白墙）→ 法向深度不可观
• 特征共线（长廊）→ 沿走廊方向平移弱可观
• 纯旋转或小视差 → 平移不可观
• 对极几何退化 → E/H 模型切换失败

激光 SLAM：

• 长直隧道 → 沿隧道方向平移 + 绕隧道轴旋转耦合
• 大平面（单面墙）→ 法向平移不可观
• 开阔地 → 几何约束稀疏

共同本质：Hessian H 或信息矩阵 Ω 的最小特征值 λ_min → 0，对应方向的状态更新无约束。

检测方法

特征值分解：

H = V Λ Vᵀ

λ_min / λ_max = 条件数。条件数 > 10³ 或 λ_min < threshold → 标记退化。

退化方向 v_min（最小特征值对应特征向量）告诉你哪个自由度不可观——不是笼统说「退化了」，而是「沿 X 平移不可观」。

其他检测：

• 匹配残差对扰动的敏感度：沿某方向微扰位姿，残差几乎不变
• 点云协方差（LOAM 系）：特征值比
• 视觉：有效特征的空间分布 entropy（全在一面墙上 → 危险）

应对策略

1. 退化方向降权/冻结

Δξ = V Λ⁺ Vᵀ · g    （伪逆，小特征值方向不更新）

或在不可观方向不加新约束，只传播协方差增大。

2. 融合其他传感器

• IMU 短时约束旋转和部分平移
• 轮速约束非完整约束（平面运动）
• GPS / UWB（若有）

不可观方向上加视觉/LiDAR 权重 = 更自信地错。正确做法是让 IMU/轮速提供先验。

3. 主动激励

原地旋转增加视差（视觉）；之字形走（激光）——但这是行为层面，不能依赖。

4. 回环/重定位门槛提高

退化时几何验证更严，防止错误约束锁死。

视觉 vs 激光退化的差异

评测提醒

退化场景报 ATE 时要说明：在不可观方向上精度无意义。更好的指标是在退化段内的 RPE + 是否检测到退化 + 恢复时间。

该量什么

• Hessian 特征值谱（时间序列）
• 条件数 vs 场景类型
• 退化标志触发频率 / 持续时间
• 退化段 RPE vs 非退化段 RPE
• 融合 IMU/轮速前后退化段精度变化

LOAM 系的做法

LOAM 在特征值比低于阈值时标记退化，并在优化中去掉对应方向的分量。若你用的是 LO/LIO 开源栈，先确认 degeneracy 模块没被人为关掉——为了「跑通 demo」关 degeneracy 是长期漂移的常见原因。

隧道场景的实测

120m 直线隧道里，我们的 16 线激光 LO 沿前进方向 RPE 到 3%——不是匹配失败，是 forward direction 在 Hessian 里特征值接近 0。接上轮速后 RPE 降到 0.8%，但 yaw 仍靠 IMU。没有 ground truth 时，我会画「沿轨迹切向 vs 法向」的误差分解，比单一 ATE 更能说明退化。

视觉退化的快速自检

每帧算特征点的 2D 凸包面积 / 图像面积。比值 < 0.3 且点几乎共线 → 高概率退化。比算完整 Hessian 便宜，适合前端 WARN。

规划层配合

Nav2 收到 SLAM degeneracy WARN 时，应限速或禁止进入已知退化区（隧道入口）。感知和规划共享同一份 degeneracy 标志，比事后看 ATE 更有用。

小结

退化不是偶发 edge case——长廊、隧道、大平面是工业现场默认几何。检测 + 降权 + 异源传感器，三件套缺一则长期必漂。把 degeneracy flag 接入 health monitor，比事后看 ATE 更早救场。退化段日志应单独导出，便于和地图几何对照复盘。这条我写在值班 runbook 里。

参考

• Zhang & Singh, LOAM (point cloud degeneracy)
• Tardós et al., Dealing with Perceptual Aliasing in SLAM
• Observability analysis in VIO (Li & Mourikis)