本文从扫描匹配的 Hessian 结构出发，用公式解释两件事：
- 为什么 KITTI（远距离户外）场景的 Hessian 特征值/迹被撑大；
- 这一放大如何让退化检测误判，进而导致方案失效。
1. Hessian的迹
trace(H) = Σᵢ (‖pᵢ‖²·sin²φᵢ + 1)，其中 ‖pᵢ‖ 是点到雷达的距离：
- 平移项
Σ 1只由点数决定，与距离无关； - 旋转项
Σ ‖pᵢ‖²·sin²φᵢ随距离的平方暴涨。
KITTI 的点在几十米外，‖pᵢ‖² 比室内大两个数量级，旋转项把 trace 撑到巨大；而退化检测看的 λ_min 落在平移方向、几乎不随距离涨，于是 λ_min / trace 被压小，阈值 trace·0.01 恒把健康帧误判成"退化"。
2. 迹的三个等价定义
对 6×6 的 Hessian H，"迹"（trace）是同一个数的三种读法：
Σλᵢ 特征值之和
= Σₖ Hₖₖ 对角线之和（迹的定义）
= Σᵢₖ Jᵢₖ² 所有雅可比元素的平方和（因为 H = JᵀJ）其中：
- 迹 = 对角线之和：迹的定义就是把对角元加起来；
- 迹 = 雅可比平方和 ：
H = JᵀJ，其对角元Hₖₖ = Σᵢ Jᵢₖ²（第 k 列的平方和），全加起来就是 J 所有元素平方和，也等于按行读的Σᵢ ‖Jᵢ‖²； - 迹 = 特征值之和 ：
H实对称可对角化，而迹在相似变换下不变。
3. 完整推导
3.1 残差：点到平面的距离
LOAM/LIO-SAM 的 scan-to-map 优化，最小化点到对应平面的距离：
rᵢ = nᵢᵀ ( R·pᵢ + t − qᵢ )符号：
| 符号 | 含义 |
|---|---|
pᵢ |
当前扫描点（雷达坐标系），‖pᵢ‖ = 点到雷达的距离 |
qᵢ |
地图中对应平面上的参考点 |
nᵢ |
平面单位法向量（‖nᵢ‖ = 1） |
R, t |
待优化的旋转、平移 |
3.2 雅可比：对 6 个自由度求导
优化变量是扰动 ξ = [δθ; δt]（3 旋转 + 3 平移），小角度下 R ≈ I + [δθ]×。分别求导：
平移：∂rᵢ/∂δt = nᵢᵀ
旋转：∂rᵢ/∂δθ = (pᵢ × nᵢ)ᵀ合起来，每个点贡献一行雅可比（1×6）：
Jᵢ = [ (pᵢ × nᵢ)ᵀ , nᵢᵀ ]
└── 旋转 ──┘ └平移┘3.3 Hessian 与迹
Gauss-Newton 的 Hessian（等权，加权情形完全一致）：
H = Σᵢ Jᵢᵀ Jᵢ它的迹等于所有点雅可比模长平方之和（见第 2 节）：
trace(H) = Σᵢ ‖Jᵢ‖²3.4 拆成"平移项 + 旋转项"
代入 Jᵢ：
‖Jᵢ‖² = ‖pᵢ × nᵢ‖² + ‖nᵢ‖²由叉积模长 ‖pᵢ × nᵢ‖ = ‖pᵢ‖·‖nᵢ‖·sinφᵢ，且 ‖nᵢ‖ = 1：
‖Jᵢ‖² = ‖pᵢ‖²·sin²φᵢ + 1其中 φᵢ 是 pᵢ 与法向量 nᵢ 的夹角。于是：
trace(H) = Σᵢ ( ‖pᵢ‖²·sin²φᵢ + 1 )
= Σᵢ ‖pᵢ‖²·sin²φᵢ + N
└────── 旋转项 ──────┘ └─平移项┘N 为参与优化的点数。
3.5 距离以平方形式出现
对照两项，距离的存在一清二楚：
平移项 = N （每个点贡献 1，无距离）
旋转项 = Σᵢ ‖pᵢ‖²·sin²φᵢ （每个点贡献 距离² × 角度因子）‖pᵢ‖²字面就是"点到雷达的距离，再平方"；sin²φᵢ是 0~1 之间的角度因子，与距离无关。
结论：旋转项随距离平方增长，平移项完全不涨。
4. KITTI 与室内的量级对比
| 场景 | 典型 ‖pᵢ‖ | ‖pᵢ‖² |
|---|---|---|
| 室内 / 停车场 | ~3 m | 9 |
| KITTI 户外高速 | ~40 m（远景更远） | 1600 |
距离差 1 个数量级，‖pᵢ‖² 差 2 个数量级（约 180 倍）。
点数 N 两边相近（LOAM 每帧特征点有筛选上限），所以：
trace(KITTI) ≈ N·1600·⟨sin²φ⟩ + N
trace(室内) ≈ N·9·⟨sin²φ⟩ + N旋转项把 KITTI 的 trace 顶高两个数量级------实测 trace ≈ 4.4×10⁵ 正是这个量级。
5. 六个特征值不是一起涨的
- 3 个平移特征值 ∝
N，不随距离变； - 3 个旋转特征值 ∝
N·‖p‖²，随距离平方暴涨。
因此 KITTI 下 Hessian 变得极端不对称：3 个旋转方向的特征值巨大，3 个平移方向的相对小，trace 实质被旋转方向主导。
6. 退化检测为什么因此失效
退化检测看的是最小特征值 λ_min ，它落在某个平移/弱平移方向，量级 ∝ N，几乎不随距离涨。
而自适应阈值 thresh = trace × 0.01 ∝ N·‖p‖²，被旋转项按距离平方撑大。于是比值：
λ_min / thresh ∝ N / (N·‖p‖²) = 1 / ‖p‖²KITTI 距离大 → 该比值被压得极小 → λ_min < thresh 恒成立 → 每帧判"退化"。
后端随之把 LiDAR 因子协方差放大 1 + covar_scale_factor × factor ≈ 850×，LiDAR 约束在因子图中逐帧失效，轨迹退化为纯 IMU 推演而发散（RMSE 2.99 m → 630.9 m）。
7. 失效因果链（总结）
远处点
→ 旋转雅可比含 (pᵢ × nᵢ)
→ 模长含 ‖pᵢ‖²
→ 旋转特征值按距离平方暴涨
→ trace ∝ ‖p‖² 被撑大
→ 阈值 trace·0.01 虚高
→ λ_min（平移向）没涨，恒 < 阈值
→ 100% 帧误判退化
→ 后端把 LiDAR 协方差放大 ~850×
→ 轨迹发散本质：退化应定义为"某方向约束相对其他方向弱"（尺度无关，如 λᵢ/λ_max 或旋转/平移子块各自的条件数），而 trace·ratio 把"整体尺度的距离平方放大"混进了判据，把健康场景误当成了退化。