回环验证：召回可激进，进图须保守

1. 一次误回环叠两层墙

回环不是「又匹配成功了一次」。它是往因子图插入长程、高信息量相对位姿约束。约束对了，全局漂移被钉死；错了，整张地图可能被掰成不可恢复的形状——对称仓库里误回环让 Nav2 地图叠两层墙，AMCL 永远收敛到错误模式。

核心原则：召回可激进，接纳进图必须保守。 误回环一次造成的位姿图扭曲，往往需要删边重优化或整图重建才能恢复——比漏检十次真回环的代价大一个数量级。对称结构场景里，召回层 top-10 候选常含多个几何相似帧，几何验证必须逐对独立做，不能「第一个过就停」。

2. 回环在估计里的角色

里程计因子链 ≈ 软弹簧，累积误差。回环因子把相距很远的两个位姿用短硬弹簧连接：

$r_{\text{loop}}$ 错时，优化宁可拧弯整条轨迹也要满足——长程约束杠杆极大。分开报 Recall@K（召回层）和 precision@geometry（几何验证后），不要只报一个「回环成功率」。

3. 召回层

DBoW2：描述子 → visual word → 倒排索引；快、对视角变化有一定鲁棒；感知混叠（perceptual aliasing）——相似会议室得分都高。

学习型全局描述子（NetVLAD / MixVPR）：复杂外观下召回更强，「长得像 ≠ 同一地点」仍在。LiDAR：Scan Context、Iris——走廊/隧道重复结构同样混叠。

用里程计 drift covariance + 空间索引门控 impossible pairs，减少进入几何验证的候选——详见回环位姿先验专文。

4. 几何验证：唯一可信门禁

视觉候选 $(a,b)$ 须通过：

1. 特征匹配 + ratio test（Lowe 0.7–0.8）
2. 本质矩阵 $E$ / 单应 $H$ RANSAC（视场景平面性）
3. PnP + RANSAC → $T_{ab}$
4. 内点率 > 30–50%，重投影 RMSE < 2–3 px
5. Chi2 检验：$r^{\top }\Omega r<{\chi }_{0.95,\text{dof}}^2$

激光：初始位姿粗对齐 → ICP/NDT，限制 max correspondence distance → fitness score、overlap ratio、退化方向 uncertainty。验证失败 → 丢弃，不要「差不多 optimize 看看」。

5. 优化层防御

几何通过仍可能是相似结构下的幸运内点：

1. 鲁棒核：Cauchy / Geman-McClure on loop edges
2. Switchable constraints：优化器可关边（$s\to 0$）
3. 渐进接纳：先 PGO 试探，局部 consistency OK 再 Global BA
4. Conservative information：初始 ${\Omega }_{\text{loop}}$ 小，Chi2 收敛后收紧
5. 时间/拓扑一致性：短 time 内矛盾回环 → suspend

ORB-SLAM3 Atlas：不确定时新建 map，确认后 merge——产品级策略。

6. 感知混叠典型场景

压力测试：数据集中插入相似场景片段，故意制造混叠。实现上候选生成、几何验证、优化接纳三模块应独立可单测——阈值按 sensor noise 标定，错误回环要能复盘 frame pair、matches、$T$、chi2，否则现场「成功回环」无法区分是算法进步还是阈值放松。

7. 验收

• 正确回环 / 应回环机会；误回环数单列
• 误回环后 ATE 恶化量
• 拒绝原因分布（匹配 / ransac / chi2 / switch）
• 候选 / 几何 / 优化接纳三模块独立可单测
• 错误回环可复盘（frame pair、matches、$T$、residual、chi2）
• 回环后限制高速导航直到定位 stable

回环深度在四层：召回 → 先验门控 → 几何验证 → 优化拒绝 + 可复盘日志。缺任何一层，系统会在最像「成功」的时刻把地图写坏——我宁愿漏，也不想要一次错误约束。KPI 评审时误回环数必须和正确回环数并列，只报 recall 会鼓励团队放松几何门槛。