精读笔记

Problem Setting

《Relative Localizability and Localization for Multirobot Systems》（IEEE Transactions on Robotics / 2025）处理的不是传统意义上的 localization filtering，而是一个更结构化的问题：给定机器人自身位移增量，以及机器人、leader、landmark 之间的距离/方位/角度等部分相对测量，判断相对位置是否可唯一确定，并给出有限步、代数、分布式的求解方法。

关键矛盾在于：单时刻的角/距/方位约束通常只给出形状或尺度不完整信息，本身是非线性的；而多机器人系统又没有全局锚点，且各机器人局部坐标系可能旋转不一致。已有方法通常绕过这个矛盾：要么假设能直接测相对位姿，要么做非线性滤波，要么假设坐标系朝向对齐。本文试图正面回答：这些局部、不完整、非线性的测量，在有限个时间步内是否已经包含足够信息，可以直接恢复相对位置和相对朝向。

真正困难点不是三角几何本身，而是可解性判定：哪些三角形约束是有效的，多少时间步足够，什么运动会导致不可观，leader/landmark/follower 混合后局部可解性如何传播。论文把这个问题抽象成 relative localizability，而不是只给一个 estimator。

Motivation

作者对既有路线的不满很明确：非线性滤波方法能用，但依赖初始化、噪声模型和局部线性化；直接几何法容易有多解；此前 odometry-assisted linear estimation 虽然有全局收敛倾向，但常假设机器人坐标系朝向一致，这在磁干扰、无公共北向参考的场景里并不可靠。

核心观察是：odometry 的价值不只是作为动态模型输入，而是提供跨时间的几何差分约束。单时刻角约束不能直接定出相对位置，但如果同一组三角形在多个时刻变形，角变化和自位移共同施加了足够的线性约束。也就是说，运动不是滤波器里的状态传播先验，而是可定位性的激励来源。

关键缺口是“什么时候可定位”尚未被系统化处理。静态 sensor network localizability 依赖 anchor 和拓扑，不能直接迁移到无全局锚、机器人运动、局部坐标系不对齐的场景。本文的动机就是把拓扑可定位性和时间步/运动激励绑定起来。

Core Idea

论文最核心的思想是把相对定位从“非线性估计问题”改写成“有限步线性可解问题”。三角形中的有符号角通过正弦定理给出相对位置之间的线性关系；跨时间的自位移把同一相对向量在不同采样时刻连接起来。只要三角形形状随时间发生足够非退化的变化，就能从若干线性方程中解出相对位置。

更重要的是，坐标系不对齐并没有被当作外部标定问题，而是内生地并入定位方程。未知旋转 R 被写成由 r=[cosθ,sinθ] 参数化的线性项，机器人 j 在自己坐标系下的位移经过旋转到机器人 i 坐标系后，仍可写成已知位移矩阵乘未知 r。这样相对位置和相对朝向同时成为线性未知量。这个建模转换是本文最有迁移价值的部分。

和 prior 的本质区别在于：它不靠递推概率估计来吸收非线性，而是重新组织测量信息，使多时刻几何约束本身闭合成线性系统。它引入的 inductive bias 是“三角形角刚性 + 运动激励 + 局部代数闭合”，而不是运动模型或噪声统计。

Method

1. 角约束到线性方程：论文利用有符号内角和正弦定理，把三角形内的相对位置关系写成 sin(α)p = sin(β)R(γ)p 的形式。它解决的是角测量非线性的问题，核心变化是从直接求解三角形几何转为构造线性约束。

2. 跨时间堆叠：单个三角形单时刻约束不足以确定相对位置，论文用 k,k+1,... 的自位移把相对位置在不同时间连接起来。对于坐标系对齐的三 follower 情况，两步即可形成可逆线性系统；对于不对齐坐标系，需要更多时间步来同时估计旋转参数。

3. 未知相对朝向线性化：对不对齐坐标系，未知旋转不是非线性优化变量，而是 r=[cosθ,sinθ]。由于 RΔp 可写为 Δp^× r，旋转进入方程时仍保持线性。这一步是方法从“只适用于公共坐标方向”扩展到实际多机器人系统的关键。

4. landmarks / leaders 的角色划分：landmark 静止、leader 可动但不通信、follower 可测量并通信。landmark 提供稳定几何参考，leader 本身不能单独支撑某些三角定位，需要依赖已经解出的 follower/landmark 边。这里的机制不是模块堆叠，而是区分哪些三角形能产生有效约束。

5. relative localizability：论文定义 d-step relative localizable，把“有限 d 个采样时刻内唯一恢复所有相对位置”作为系统性质。充分条件结合有效三角形集合、每个 agent 被覆盖、存在不含 leader 的可定位三角形，以及 triangular angle rigidity。这个定义把可定位性从纯拓扑性质升级为拓扑、测量类型、时间步数和运动激励共同决定的性质。

6. 噪声处理：线性系统在噪声下 B 和 c 同时受扰，因此普通 LS 不合适。论文采用 TLS，并对 r 向量加单位范数流形约束，再用 SVD 初始化 + trust-region 求解。它解决的是代数解对噪声敏感的问题，但本质是数值稳健化，不是核心可定位性理论本身。

Key Insight / Why It Works

最关键的有效性来源是“运动诱导可观性”。单时刻的角/距/方位约束通常只限制形状，不能消除尺度、镜像或坐标系朝向不确定性；但连续时刻的自位移是带尺度的局部量。当三角形随时间非相似地变形时，角约束的变化与已知自位移共同锁定尺度和方向。这不是 filtering 的渐近收敛，而是有限步内的代数可观。

第二个核心贡献是旋转的线性重参数化。很多多机器人相对定位难在不同机器人 odometry frame 不一致，一旦引入 SO(2) 未知旋转就很容易变成非线性优化。本文把 RΔp 写成 Δp^×r，使相对朝向以 cos/sin 向量进入线性系统。这个技巧本身简单，但放在多时刻三角约束里非常有效，是方法能脱离公共北向假设的关键。

第三个 insight 是把 localizability 和 sampling steps 绑定。传统图可定位性通常问“这个图够不够刚”，但这里图够不够只是必要的一部分；如果机器人运动导致连续三角形强相似，线性系统仍会退化。因此 relative localizability 本质上是 graph rigidity + temporal excitation。这个观点比具体算法更重要。

哪些部分可能只是辅助：TLS + manifold optimization 主要是工程稳健化，合理但不是根本创新；仿真中相较 EKF/PF 的优势一部分来自对比设定——EKF/PF 对初始化和噪声协方差敏感，而本文方法不使用这些先验，因此在 prior 不准时自然占优。这个比较支持“prior-free”的实用价值，但不等于说明其在所有噪声模型下统计效率更高。

这不是 scaling、retrieval 或 data coverage 驱动的方法；它属于更强 inductive bias 的几何代数方法。增益主要来自问题重参数化和约束组织，而不是数据或训练。若要挑剔，部分大规模实验更像验证算法可运行，而不是严格证明复杂网络中的可扩展性上限。

Relation To Prior Work

最接近的谱系有三条：静态 sensor network localization / rigidity theory、基于距离或方位的多机器人相对定位、odometry-assisted linear estimation。本文从第一条借用了角刚性和图可定位性思想，从第二条继承局部相对测量问题，从第三条继承“自位移可线性辅助定位”的路线。

真正不同点在于：静态网络 localization 通常需要 anchors 或绝对坐标，而本文只求相对位置，且允许所有全局姿态未知；传统 filtering 路线把问题作为状态估计，本文把它作为有限步代数可解性；此前一些线性 odometry-assisted 方法默认坐标系对齐，本文把相对朝向也作为待解变量。

看似新的地方中，三角形几何约束和正弦定理并不新，TLS 也不是新工具；但把它们组合成“局部三角约束—多时刻位移—未知 frame rotation 线性化—d-step localizability”的完整框架，是实质创新。尤其是 relative localizability 的概念，把原来散落在可观性、刚性、运动激励里的条件整合成一个面向多机器人系统的判断语言。

它不属于学习式定位或 SLAM 后端优化谱系，而是几何控制/刚性理论/代数定位谱系的一次扩展。

Dataset / Evaluation

实验部分覆盖较广：基础三 follower 仿真、噪声鲁棒性对比、EKF prior 敏感性、大规模 leader/follower/landmark 混合系统、SLAM 应用示例，以及三台 Pioneer 地面机器人真机实验。整体上，evaluation 对核心 claim 中的“有限步可解”“无需初始化和噪声协方差”“可用于真实传感器”给出了支撑。

但验证重点仍是局部相对定位，而不是复杂任务级部署。大规模仿真显示误差很小，但由于噪声设置较温和、拓扑和运动显然满足条件，它更多证明算法 pipeline 可扩展运行，而不是证明在一般网络、遮挡、异步通信、拓扑变化下仍稳健。

真机实验使用 UWB 距离而非角传感器，并通过距离转角/多解筛选适配理论。这是合理工程替代，但也意味着最核心的 angle-based signed measurement pipeline 并未被真实角传感器完整验证。文中未充分说明在角测量误差、ID 混淆、视场丢失下的表现。

与 EKF/PF 的比较有价值但需谨慎解读。EKF/PF 被展示为依赖 prior，而本文方法 prior-free；这支持本文的实用定位。但如果存在准确动态模型、可靠噪声统计和持续观测，滤波方法在长期平滑性和异步数据融合上可能仍有优势。论文没有充分覆盖这种强 baseline 场景。

Limitation

第一，方法对几何退化高度敏感。非共线、非强相似、矩阵可逆这些条件不是边角问题，而是核心成立前提。低速、小采样周期、编队近刚体运动、机器人轨迹相似时，三角形变化可能不足，线性系统会病态。作者给了检测建议，但这本质上把问题转移给运动激励设计。

第二，relative localizability 条件主要是充分条件。一般混合网络中哪些拓扑和运动组合是必要充分的，文中未充分说明。尤其 B4 这类矩阵的非奇异条件仍然复杂，作者也承认难以给出显式必要充分条件。理论上还没有完全闭合。

第三，分布式性有限。算法在局部三角形内可由邻居交换测量完成，但对大规模网络中的通信延迟、异步、丢包、重复约束融合、全局一致性维护并没有深入处理。它更像局部代数 distributed localization primitive，而不是完整分布式系统方案。

第四，长期部署依赖 odometry 质量。方法用自位移作为硬约束来源，odometry drift 和短时噪声会直接污染线性方程。TLS 能缓解随机噪声，但对系统性漂移、轮滑、时间同步误差和 outlier 的处理仍有限。真机实验中误差随时间增长也说明这一点。

第五，leader 的处理相对弱。仅由 leader 和 follower 形成的一些三角结构不可单独定位，需要依赖 landmark 或已解边。这意味着方法对网络中可提供稳定几何闭合的结构有要求，不是任意 leader-follower 交互都能自然支持。

第六，噪声优化部分的理论保证有条件。TLS + manifold 的 SVD 初始化和 trust-region 收敛讨论依赖噪声不太大、线性方程足够独立、初始点落在合适邻域。大噪声、非高斯 outlier、错误数据关联下，增益来源和失败模式仍不清晰。

Takeaway

• 1. 最值得记住的是 relative localizability：多机器人相对定位的可解性不应只看拓扑，还要看时间窗口和运动激励。
• 这个概念可以迁移到 bearing-only、range-only、event camera、RF sensing 等多种局部测量系统。
• 2. 未知坐标系朝向不一定要通过非线性姿态优化处理；在某些几何结构中，旋转可以通过 cos/sin 向量线性进入方程。
• 这是很有用的建模技巧。

一句话总结

这篇论文把多机器人相对定位从依赖初始化和噪声模型的非线性估计，推进为由三角角刚性、跨时间自位移激励和坐标系旋转线性化共同支撑的有限步代数可定位性框架。