基本信息
题目：LiLoc: Lifelong Localization using Adaptive Submap Joining and Egocentric Factor Graph
作者：Yixin Fang, Yanyan Li, Kun Qian, Federico Tombari, Yue Wang, Gim Hee Lee
年份：2024
方向：LiDAR Localization、Lifelong Localization、多 Session 定位、因子图优化、长期定位
核心关键词：Lifelong Localization、Multi-session Mapping、Adaptive Submap Joining、Egocentric Factor Graph、Relocalization、Incremental Localization、Scan Match Factor、Joint Factor Graph Optimization
是否开源：论文中给出了 GitHub 地址，并说明代码将公开。
一句话总结：
LiLoc 是一个面向长期定位任务的图优化框架，它通过维护一个中心 Session 作为先验地图，再让后续子 Session 在已知区域重定位、未知区域增量定位，并利用自适应子图拼接和 Egocentric Factor Graph 将 IMU、LiDAR odometry、scan-to-map 先验约束统一优化，从而提升多 Session 长期定位的精度和稳定性。
Introduction
长期定位是移动机器人在真实场景中必须解决的问题。机器人并不是只在一次建图后就结束任务，而是会多次回到同一片区域，甚至在环境发生变化后继续运行。例如地下矿区、工业园区、仓储物流、校园道路、长期巡检等场景，都要求机器人能够利用过去的地图，同时适应当前环境的变化。
传统 LiDAR SLAM 或 LiDAR-Inertial Odometry 方法，例如 LOAM、LIO-SAM、FAST-LIO2，通常更关注单次 Session 内部的里程计估计和建图精度。这类方法在单次运行中表现很好，但当任务变成长期多 Session 定位时，会遇到几个问题：
-
先验地图可能很大，直接维护完整大地图会增加内存和匹配开销。
-
当前环境和历史地图之间可能存在差异，直接使用 scan-to-map 结果作为强约束容易引入错误。
-
机器人可能既会经过历史地图覆盖区域，也会进入历史地图没有覆盖的新区域。
-
多 Session 之间的位姿关系不仅需要对齐，还需要在优化层面合理融合。
LiLoc 的核心动机就是解决这些问题。它不是单纯提出一个新的 LiDAR odometry，而是把问题提升到 lifelong localization 的系统层面：如何在已有中心地图的基础上，让后续多次运行都能够稳定、准确地定位，并且在需要时更新地图。
研究问题与目标
本文关注的问题可以概括为：
在长期、多 Session、部分环境变化的场景中，如何利用已有中心 Session 的先验地图，实现后续子 Session 的稳定定位、重定位和增量更新？
具体目标包括：
-
建立一个适合长期定位的中心 Session 与子 Session 交互机制。
-
避免直接维护超大规模全局地图，降低先验地图使用成本。
-
在已知区域使用先验约束提升定位精度。
-
在未知区域允许系统进入增量定位模式，继续扩展先验地图。
-
将 IMU、LiDAR odometry、scan matching 先验约束统一到因子图中进行联合优化。
-
避免过度信任 scan-to-map 配准结果，降低错误先验对定位的负面影响。
主要贡献
论文的主要贡献可以归纳为四点。
第一，提出了一个面向长期定位的图优化框架 LiLoc。
LiLoc 使用一个中心 Session 保存先验知识，后续子 Session 根据是否与先验地图重叠，在 Relocalization Mode 和 Incremental Localization Mode 之间切换。这样系统既可以在旧区域利用先验约束提升精度，也可以在新区域继续增量扩展地图。
第二，提出 Adaptive Submap Joining 自适应子图拼接策略。
论文没有直接使用完整大地图进行定位，而是将中心 Session 划分为多个 prior submap。每个 submap 包含一定数量的关键帧和位姿节点。系统根据当前子 Session 的位置，动态选择或更新相关 submap。这样可以减少内存占用，同时保证先验地图具有时效性。
第三，提出 Egocentric Factor Graph，即 EFG。
EFG 将 IMU preintegration factor、LiDAR odometry factor 和 scan match factor 统一放入联合因子图中优化。相比直接把 scan-to-map 结果作为当前位姿的强约束，LiLoc 的设计更谨慎：它会把先验约束传播到多个相关的 prior pose nodes 上，并根据配准误差设置权重。
第四，提出基于 overlap 的模式切换机制。
系统根据当前扫描和最近 prior submap 的重叠程度，在 RLM 和 ILM 之间切换。重叠度足够高时进入重定位模式，使用先验地图约束当前位姿；重叠度不足时进入增量定位模式，系统继续生成新的 submap 并更新先验数据库。
分析：
LiLoc 的创新并不在于单个低层残差形式，而在于长期定位系统设计。它把先验地图管理、初始化、因子图融合、模式切换四个问题串成了一个完整 pipeline，这一点对实际机器人系统很重要。
Related Works
论文主要对比和关联了以下几类工作。
1. 单 Session LiDAR SLAM / LIO
LOAM 通过提取平面和边缘特征进行 LiDAR odometry 和 mapping。LIO-SAM 在因子图中紧耦合 LiDAR 和 IMU。FAST-LIO2 使用 IESKF 和直接点云匹配提升实时性和精度。
这类方法的问题是：它们主要解决单次建图或单次定位问题，并不直接处理长期多 Session 场景下的先验地图更新、地图复用和环境变化。
2. Global Localization
MCL 和 BBS 等方法可以用于全局定位。它们适合解决初始位姿不确定的问题，但在大规模 3D LiDAR 场景中，计算成本和鲁棒性仍然是挑战。
3. Map-based Localization
HDL-Loc、Fastlio-Loc 等方法通过将当前 scan 和 prior map 匹配来修正 odometry。它们可以利用先验地图，但常见问题是：scan-to-map 配准结果可能受环境变化影响。如果直接把这个结果作为强约束，可能导致定位漂移甚至错误收敛。
4. Factor Graph Assisted Localization
Block-Loc 和一些 range-inertial localization 方法开始把 scan matching factor 加入因子图，通过优化提升定位稳定性。但论文认为，这些方法对 scan matching 约束的不确定性处理仍然不够充分，容易过度依赖先验配准结果。
分析：
LiLoc 和这些方法的区别在于，它不是简单地"当前帧匹配先验地图"，而是把先验地图中的相关位姿节点也纳入约束传播过程。也就是说，它试图让先验约束以更合理的形式进入联合优化，而不是把 scan-to-map 配准结果直接当成绝对真值。
Method
系统整体框架
LiLoc 由四个核心模块组成：
-
Adaptive Submap Joining
-
Coarse-to-Fine Pose Initialization
-
Egocentric Factor Graph
-
Mode Switching
论文第 3 页 Fig. 2 给出了完整系统框架。整体流程可以理解为：
中心 Session 建立 prior submap database
↓
子 Session 输入 LiDAR 和 IMU
↓
通过 coarse-to-fine 方法获得初始位姿
↓
根据 overlap 判断进入 RLM 或 ILM
↓
RLM 中选择先验 submap 并构建 scan match factor
↓
ILM 中生成新 submap 并更新先验数据库
↓
EFG 联合优化 IMU、LiDAR odometry、scan matching 约束
↓
输出当前优化位姿
这个框架的重点在于：先验地图不是静态使用的，而是被动态管理；定位模式不是固定的，而是根据场景覆盖关系自动切换；scan matching 不是简单加边，而是通过 propagation model 加入联合图优化。
核心模块一：Adaptive Submap Joining
Adaptive Submap Joining 的作用是管理中心 Session 中的先验地图。
论文将中心 Session 的关键帧和位姿节点划分成多个 submap。每个 submap 最多包含一定数量的关键帧，论文中设定最大关键帧数量为 20，同时还设置了平移阈值 20 m。当关键帧数量达到上限，或者当前位姿相对上一个 submap 的末端位姿平移超过阈值时，就生成新的 submap。
该模块包含三个操作：
1. Generate
在中心 Session 中，根据关键帧数量和 SE(3) 位姿距离生成 prior submap。每个 submap 保存局部关键帧点云和对应 pose graph 信息。
2. Select
当子 Session 运行在已知区域，也就是 RLM 模式时，系统根据当前位姿在 prior pose kd-tree 和 submap centroid kd-tree 中搜索最近的先验节点和先验 submap。
3. Update
当子 Session 进入未知区域，也就是 ILM 模式时，系统不再强行使用已有 prior submap，而是根据当前运行结果生成新的 submap，并更新先验数据库。
分析：
这个模块解决的是长期定位系统中非常实际的问题：先验地图既不能完全固定，也不能无限膨胀。LiLoc 通过 submap 级别的动态管理，让系统在已知区域"复用地图"，在未知区域"扩展地图"。
核心模块二：Coarse-to-Fine Pose Initialization
子 Session 要想进入中心 Session 的全局坐标系，首先需要一个较好的初始位姿。LiLoc 使用 coarse-to-fine 的初始化策略。
整体过程为：
-
给定一个粗略初始位姿。
-
根据粗略位姿选择最相关的 prior submap。
-
将当前 keyframe 点云转换到极坐标表示。
-
将点云划分为方位角 sector 和半径 ring。
-
使用类似 Scan Context 的垂直结构描述方式进行候选关键帧识别。
-
从 prior submap 中找到最相似的候选 keyframe。
-
使用 ICP 进一步细化初始位姿。
论文中的初始化实验显示，该方法在精度和时间之间取得了较好平衡。相比 FPFH + RANSAC、FPFH + Teaser、FPFH + Quatro 等方法，LiLoc 初始化速度明显更快；相比 BBS++，精度接近但耗时略高。
论文中 Table I 的结果可以概括为：
| 方法 | xyz 误差 | rpy 误差 | F-Score | 时间 |
|---|---|---|---|---|
| FPFH + RANSAC | 0.33 m | 0.12 rad | 0.24 | 56.36 s |
| FPFH + Teaser | 0.19 m | 0.10 rad | 0.17 | 35.50 s |
| FPFH + Quatro | 0.14 m | 0.11 rad | 0.16 | 31.62 s |
| BBS | 5.00 m | - | - | 9.82 s |
| BBS++ | 0.05 m | - | - | 0.87 s |
| Ours | 0.07 m | 0.08 rad | 0.12 | 1.63 s |
分析：
这部分的设计比较工程化。它不是直接在全局地图里做昂贵搜索，而是在选中的 submap 内做候选识别和 ICP refinement，从而减少搜索空间。对长期定位系统来说，初始化模块很关键，因为后续因子图优化通常依赖较合理的初值。
核心模块三：Egocentric Factor Graph
EFG 是 LiLoc 的核心。它将多个传感器和先验信息放入统一因子图中优化。
论文中的优化目标可以理解为：
当前子 Session 的位姿估计，不仅要满足 IMU 运动约束和 LiDAR odometry 约束，还要在 RLM 模式下满足来自中心 Session 的 scan matching 先验约束。
EFG 主要包含三类因子。
1. IMU Preintegration Factor
IMU preintegration 用于在相邻关键帧之间提供高频运动预测。它约束旋转、位置和速度，并联合优化 IMU bias。
作用：
-
提供短时间内的运动连续性。
-
支持点云去畸变。
-
提供 LiDAR odometry 的初始估计。
-
在点云退化场景中增强状态估计稳定性。
2. LiDAR Odometry Factor
当新的 LiDAR scan 到来时，系统先利用 IMU preintegration 进行点云去畸变，然后使用 ikd-tree 管理地图点。对于新的 keyframe，系统搜索近邻点并构建点到局部平面的距离残差，再通过 LM 算法求解当前 LiDAR 位姿。
作用：
-
估计子 Session 内部相邻关键帧之间的相对运动。
-
为局部因子图提供主要几何约束。
-
保证即使在没有 prior map 的区域，系统仍能进行增量定位。
3. Scan Match Factor
这是 LiLoc 相比其他 map-based localization 方法最值得关注的部分。
传统做法通常是：将当前 scan 与 prior map 配准，得到一个相对位姿，然后直接把这个相对位姿作为当前节点的约束加入因子图。
问题是：scan-to-map 配准并不总是可靠。环境变化、动态物体、遮挡、结构重复、初值误差都可能导致配准误差。如果把错误的 scan matching 结果当成强约束，系统反而会被先验地图拉偏。
LiLoc 的做法是引入 propagation model。
具体来说，系统先用 NDT 计算当前 scan 在全局坐标系下的配准变换，然后在 prior pose tree 中搜索最近的 3 个 prior pose nodes。接着系统计算当前 scan 和这些 prior keyframes 的 registration fitness score，并将 scan matching 约束分配到多个相关 prior nodes 上，同时根据配准误差设置噪声权重。
这样做的好处是：
-
不把先验约束集中压到一个单点上。
-
让当前图和先验图之间形成更多边。
-
用 registration error 调整约束可信度。
-
降低错误 scan matching 对当前位姿的破坏。
-
更适合环境变化下的长期定位。
分析：
这部分是 LiLoc 最核心的创新。它的思想不是"有 prior map 就强行相信 prior map"，而是"让 prior constraint 以带不确定性的形式参与联合优化"。这对长期定位非常重要，因为长期场景中先验地图一定会老化，当前观测和历史地图之间一定会存在差异。
核心模块四：Mode Switching
LiLoc 支持两种模式：
1. RLM：Relocalization Mode
当当前 scan 与最近 prior submap 的 overlap 足够高时，系统进入 RLM。在这个模式下，说明机器人正在经过已有地图覆盖区域，因此可以利用 prior submap 构建 scan match factor，提高定位精度。
2. ILM：Incremental Localization Mode
当当前 scan 与 prior submap 的 overlap 不足时，系统进入 ILM。在这个模式下，说明机器人可能进入了先验地图未覆盖区域，因此系统不再强行使用 prior constraints，而是基于自身 LiDAR-Inertial Odometry 继续增量定位，并生成新的 submap 更新数据库。
论文使用 overlap ratio 判断模式切换，阈值设为 0.7。
分析：
这个设计很实用。长期定位系统最大的难点之一是"什么时候该相信先验地图，什么时候不该相信先验地图"。LiLoc 用 overlap 来判断模式，虽然方法比较简单，但可以避免系统在未知区域仍然强行与历史地图匹配。
Experiments
论文在两个公开数据集和一个自采数据集上进行了实验：
-
NCLT
-
M2DGR
-
Custom dataset
对比方法包括：
-
LIO-SAM
-
FAST-LIO2
-
HDL-Loc
-
Fastlio-Loc
-
Block-Loc
评价指标主要包括：
-
xyz RMSE
-
xyz rpy RMSE
-
time cost
-
pose initialization error
-
ICP fitness score
-
multi-session localization success / failure
单 Session 实验分析
在 ILM 模式下，LiLoc 更接近一个 LiDAR-Inertial Odometry 系统。实验中 FAST-LIO2 在部分序列上表现稳定且效率高，而 LiLoc 的 ILM 表现整体与主流 LIO 方法接近。
在 RLM 模式下，LiLoc 的优势更明显。它利用 prior submap 和 EFG 中的 propagation model，在多个公开序列上取得了比 HDL-Loc、Fastlio-Loc、Block-Loc 更好的 xyz 和 xyz rpy 精度。
从 Table II 可以看到，LiLoc 在 RLM 下的定位精度通常优于 Block-Loc。例如在多个 NCLT 和 M2DGR 序列中，LiLoc 的 xyz RMSE 能达到 0.1 m 到 0.7 m 量级，表现比较稳定。
但同时，RLM 模式下 LiLoc 的时间成本也更高。这是因为它需要进行 joint factor graph optimization，并构建更多 prior constraints。
分析：
LiLoc 的精度收益主要来自两个方面：
-
使用 prior map 提供全局约束。
-
通过 propagation model 更合理地利用 scan matching 约束。
但精度提升不是免费的，代价是优化耗时增加。
多 Session 实验分析
多 Session 实验是这篇论文最重要的验证部分。
论文在 NCLT 和自采数据集上进行多 Session 定位实验。结果显示，HDL-Loc 和 Block-Loc 在部分多 Session 场景中会失败，因为它们不能灵活切换到 ILM；Fastlio-Loc 虽然速度较快，但稳定性不足；LiLoc 由于支持 RLM / ILM 自动切换，在多 Session 场景中表现更可靠。
论文第 5 页 Fig. 3 展示了多 Session 轨迹融合结果，第 6 页 Fig. 4 展示了 NCLT 和自采数据集上的 merged maps。可以看到，不同 Session 的轨迹和点云地图被统一到了中心 Session 的全局坐标系中。右侧局部细节图用于说明不同 Session 点云之间的对齐质量。
Table III 中还对 active prior nodes 数量进行了分析。结果显示，prior nodes 数量过少时，系统可能失败或精度下降；prior nodes 数量更多时，定位精度通常更好，但时间成本也会增加。
分析：
这说明 LiLoc 的 prior knowledge 数量和质量对性能非常关键。它不是一个完全不依赖先验地图规模的方法，而是通过 submap joining 和 kd-tree 管理来尽量控制先验使用成本。
Time Cost 分析
论文第 6 页 Fig. 5 展示了 LM solver 和 EFG 中 JFGO 的耗时变化。作者指出 JFGO 大约需要 10-20 ms，相比部分 baseline 会稍慢。
这个结果说明 LiLoc 是一个偏精度和鲁棒性的长期定位框架，而不是极限轻量化方法。对于长期定位、多 Session 任务来说，这个时间成本可能是可以接受的；但如果部署到资源受限平台，例如低功耗 ARM 或无人机板载计算平台，则需要进一步优化。
创新点总结
创新点一：长期定位任务建模更完整
LiLoc 没有只做单帧 scan-to-map localization，而是从 multi-session lifelong localization 的角度建模问题。中心 Session 提供先验知识，子 Session 根据场景覆盖情况选择重定位或增量定位。
这一点很适合真实机器人长期运行。
创新点二：Adaptive Submap Joining
论文通过 submap 级别管理 prior map，而不是直接加载完整大地图。这种设计兼顾了地图复用、地图更新和内存控制。
对长期定位来说，这比单纯维护全局点云地图更合理。
创新点三：EFG 中的 propagation model
传统 scan matching factor 往往直接把当前 scan 与 prior map 的配准结果作为约束。LiLoc 则把这个约束传播到多个相关 prior pose nodes，并根据 registration fitness score 设置噪声权重。
这个设计可以看作对 prior constraint 的不确定性建模，减少错误先验导致的定位漂移。
创新点四：RLM / ILM 自动切换
LiLoc 通过 overlap 判断当前是否处于已有地图覆盖区域。已知区域使用 RLM，未知区域使用 ILM。这使系统可以同时处理重定位和新区域增量建图。
创新点五：系统工程完整度较高
论文不是只提出一个模块，而是把初始化、地图管理、因子图优化、模式切换、边缘化、实验验证都串起来，形成了完整系统。
论文优势
1. 面向实际长期定位问题
很多 SLAM 方法只关注单次运行精度，但 LiLoc 关注的是多 Session 长期定位，这更接近真实机器人部署需求。
2. 先验地图使用方式更合理
LiLoc 没有盲目使用完整 prior map，而是通过 submap joining 动态选择相关先验。这种方式更适合大规模环境。
3. 对 scan matching 约束的不确定性处理更充分
Propagation model 是本文最有价值的设计之一。它避免了直接相信 scan-to-map 配准结果，使先验约束更加柔性。
4. 支持已知区域和未知区域
RLM / ILM 模式切换使系统不仅可以在历史地图中定位，也可以在新区域继续运行并更新地图。
5. 多 Session 实验验证充分
论文不仅做了单 Session 对比，还做了多 Session 轨迹和地图融合实验，这与 lifelong localization 的任务目标一致。
6. 指标设计适合作为论文对比对象
论文使用 xyz RMSE、xyz rpy RMSE、time cost、初始化误差、F-Score、多 Session 成功率等指标，比较适合作为长期定位或地图复用类论文的对比基准。
对自己论文可以借鉴的地方
如果这篇论文是你论文中主要的方法和指标对比对象，可以重点借鉴以下几个方面。
1. 任务定义方式
LiLoc 将 lifelong localization 定义为一个 central session + subsidiary sessions 的多 Session 定位问题。这个定义很清晰，适合在论文中作为长期定位任务的背景描述。
可以借鉴的表述是：
给定一个中心 Session 的先验地图和位姿图，目标是在后续子 Session 中持续估计机器人在中心坐标系下的 LiDAR 位姿，并在必要时更新先验地图。
2. 对比指标
可以参考 LiLoc 的指标体系：
| 指标 | 含义 | 适用场景 |
|---|---|---|
| xyz RMSE | 平移误差 | 定位精度评价 |
| xyz rpy RMSE | 平移 + 姿态综合误差 | 6DoF 定位评价 |
| time cost | 单帧处理时间 | 实时性评价 |
| initialization xyz / rpy | 初始位姿估计误差 | 全局初始化评价 |
| F-Score | 点云配准质量 | 初始化或 scan matching 评价 |
| success / failure | 系统是否失效 | 多 Session 鲁棒性评价 |
| active prior nodes | 先验节点数量 | 地图规模影响分析 |
3. Baseline 选择
LiLoc 对比了 SLAM、LIO 和 localization 方法。自己的论文如果也是长期定位方向，可以考虑类似分组：
-
LIO baseline：LIO-SAM、FAST-LIO2
-
Map-based localization baseline：HDL-Loc、Fastlio-Loc
-
Factor graph prior map localization baseline：Block-Loc
-
自己的方法
这样对比逻辑比较完整：既能证明在单 Session 下不差，也能证明在多 Session 和 prior map 使用上有优势。
4. Ablation 设计
LiLoc 对 active prior nodes 数量进行了实验分析。自己的论文可以进一步设计更完整的消融：
-
去掉 mode switching
-
去掉 prior constraint
-
直接 scan matching factor vs propagation factor
-
固定 submap vs adaptive submap
-
不同 prior map size
-
不同 overlap threshold
-
不同 dynamic scene ratio
这样可以更清楚地说明每个模块带来的贡献。
5. 系统图表达方式
论文第 3 页 Fig. 2 的系统图值得借鉴。它把四个模块分区展示，每个模块只表达核心输入输出关系。自己的论文中也可以采用类似方式，把系统分成：
-
Prior map management
-
Initialization
-
Local odometry
-
Prior factor construction
-
Graph optimization
-
Mode switching
论文不足
1. 对初始粗位姿仍有依赖
LiLoc 的 coarse-to-fine initialization 需要一个 coarse pose estimate。虽然后续有 vertical recognition 和 ICP refinement，但如果初始位姿偏差过大，或者环境结构高度重复，初始化仍可能失败。
改进方向：
可以引入更全局的 place recognition，例如 Scan Context、M2DP、OverlapNet、LCDNet 或学习型点云描述子，降低对粗位姿的依赖。
2. Overlap-based mode switching 比较简单
论文使用 overlap ratio 判断 RLM 和 ILM，阈值设置为 0.7。这种规则简单有效，但可能对 submap 尺寸、定位误差、场景开阔程度比较敏感。
例如在长走廊、稀疏场景、结构重复区域中，overlap 高不一定代表 scan matching 可靠；overlap 低也不一定表示应该放弃 prior map。
改进方向：
可以把 overlap、NDT fitness、ICP residual、局部几何退化程度、历史模式稳定性一起作为模式切换依据，构建 uncertainty-aware switching。
3. 对动态环境的处理还不够充分
LiLoc 使用 registration fitness score 调整 scan matching factor 的噪声，这可以一定程度上降低错误配准影响。但论文没有显式处理动态物体、长期结构变化、遮挡变化等问题。
改进方向：
可以加入动态点剔除、语义分割、长期稳定结构提取、change detection，尽量只使用稳定结构构建 prior constraints。
4. 计算成本相对更高
RLM 模式下需要进行 prior submap 查询、scan matching factor 构建以及 joint factor graph optimization，因此耗时高于一些轻量级 localization 方法。论文中也提到 JFGO 约为 10-20 ms，并且 RLM 表格中的整体 time cost 相对更高。
改进方向：
可以引入局部图裁剪、稀疏先验节点选择、GPU 加速、并行 scan matching、固定 lag smoother 或增量式优化策略。
5. Prior nodes 数量对性能影响较明显
Table III 显示 active prior nodes 数量会影响多 Session 定位结果。节点太少时，系统可能失败；节点更多时精度更好，但时间成本增加。这说明系统对 prior map 覆盖和节点选择策略仍然敏感。
改进方向：
可以设计自适应 prior node selection 策略，根据当前不确定性、环境复杂度和计算预算动态选择先验节点数量。
6. 实验还可以更全面
论文已经包含 NCLT、M2DGR 和自采数据集，但对于 lifelong localization 来说，还可以增加更多长期变化维度，例如季节变化、施工变化、动态障碍密集场景、大规模地下场景、跨设备 LiDAR 场景等。
此外，论文主要报告 RMSE 和时间，缺少内存占用、CPU 使用率、地图增长率、失败率统计、重定位成功率等工程指标。
改进方向：
在后续工作中可以补充：
-
memory cost
-
CPU usage
-
map size growth
-
relocalization success rate
-
localization recovery time
-
failure case analysis
-
robustness under environmental change
7. 多机器人扩展仍未完成
论文结论中提到未来会扩展到 multi-robot exploration，但当前系统主要还是 central session 与 subsidiary session 的单机器人长期定位框架。
改进方向：
可以进一步研究分布式因子图、多机器人地图合并、通信受限条件下的 submap sharing、多机器人冲突约束处理等问题。
可以改进的研究方向
结合论文内容，我认为后续可以从以下方向扩展。
1. Uncertainty-aware Prior Factor
当前 propagation model 使用 registration fitness score 调整噪声，但这个不确定性仍然比较启发式。可以考虑从 NDT Hessian、ICP covariance、局部几何退化指标中估计更严格的配准协方差。
2. Switchable Constraint / Robust Kernel
在因子图中加入 switchable constraint 或 dynamic covariance scaling，让系统自动判断某个 prior factor 是否可信。如果先验约束与当前 odometry 严重冲突，可以自动降低其权重甚至关闭。
3. Semantic Stable Landmark
长期定位最可靠的约束通常来自稳定结构，例如墙面、柱子、路缘、建筑立面，而不是车辆、行人、临时障碍。可以通过语义分割或长期观测频率提取稳定 landmark，再构建 prior constraints。
4. Hierarchical Map Management
目前 LiLoc 使用 submap 和 kd-tree 管理先验地图。进一步可以构建层次化地图：
-
global place descriptor layer
-
submap retrieval layer
-
local geometric matching layer
-
factor graph constraint layer
这样可以更好地兼顾全局检索和局部优化。
5. Learning-based Place Recognition
Coarse-to-fine initialization 可以加入学习型点云检索模型，提升在弱结构、重复结构和大初值误差下的定位成功率。
6. 更完整的长期 Benchmark
如果自己的论文要与 LiLoc 对比，可以设计更强的 lifelong benchmark，不只比较 RMSE，还比较：
-
多次运行后的地图增长情况
-
跨时间定位一致性
-
环境变化下的鲁棒性
-
无 prior 覆盖区域的恢复能力
-
从 ILM 切回 RLM 的稳定性
-
长时间运行的内存和 CPU 曲线
总结
LiLoc 是一篇系统性较强的长期定位论文。它的重点不是提出一个全新的 LiDAR odometry 前端，而是围绕 lifelong localization 的实际需求，设计了一个包含先验地图管理、位姿初始化、联合因子图优化和模式切换的完整框架。
论文最值得关注的创新是 Egocentric Factor Graph 中的 propagation model。它没有直接把 scan-to-map 配准结果当作强约束，而是将先验约束传播到多个相关 prior pose nodes，并根据 registration fitness score 调整噪声。这种处理方式更符合长期定位中"先验地图有用，但不一定完全可靠"的现实情况。
从实验结果看，LiLoc 在 RLM 和多 Session 场景中表现较好，尤其适合作为长期定位、多 Session 定位、先验地图辅助定位类论文的主要对比对象。它的不足主要在于对初始粗位姿仍有依赖、模式切换机制较简单、动态环境处理不足、计算成本偏高，以及 prior node 数量对性能影响明显。
如果在自己的论文中借鉴 LiLoc，可以重点学习它的任务建模方式、指标设计、baseline 选择、系统图表达和多 Session 实验设置。同时，也可以针对它的不足设计改进方法，例如不确定性感知先验因子、鲁棒约束开关、动态物体剔除、层次化地图管理和更完整的长期定位 benchmark。
整体来看，LiLoc 的价值在于：它把长期定位中的几个关键工程问题串成了一个完整系统，并通过因子图方式对先验约束进行更合理的融合。对于做长期定位、地图复用、多 Session SLAM 或 prior map localization 的研究来说，这篇论文非常值得作为方法对比和指标设计参考。