精读笔记

Problem Setting

这篇论文实际瞄准的是动态多机器人系统中的异构分布式数据融合：机器人不再共享同一个全局状态向量，而是各自维护与任务相关的局部随机变量集合，这些集合只部分重叠。融合的目标不是让所有机器人最终知道所有东西，而是让它们在公共变量上交换有用信息，同时保留私有变量，并避免重复计数历史数据。

真正困难点在动态滤波。静态或 smoothing 情况下，若非公共变量在公共变量条件下独立，则异构融合是干净的；但 filtering 会 marginalize 过去状态，图模型中会 moralize/marry parents，生成新的 dense dependency。于是原来支撑“只交换公共变量”的条件独立结构被破坏。继续按异构 fusion rule 做，隐含相关会被忽略，导致 posterior 过置信。

传统 homogeneous DDF 卡在全局状态规模：所有机器人维护并通信完整 PDF，通信和计算都随全局状态增长。已有 heterogeneous DDF 卡在理论假设：静态、树形通信、完美通信、线性模型，或避免真正处理滤波边缘化。本文的关键矛盾是：要利用局部结构获得 scalability，又不能因为人为切图而破坏 Bayesian DDF 的统计一致性。

Motivation

已有路线不够的原因很明确：homogeneous DDF 是保守/正确但不 scalable；早期 heterogeneous fusion 是 scalable 但对动态滤波不稳；CI 类方法可以保守处理未知相关，但在异构状态集合下并不能自动解决由非公共变量和滤波边缘化引入的 hidden dependency。

作者的核心观察是：很多机器人问题天然不是全局全连接概率模型，而是由任务、传感器视野、邻域通信形成的局部条件独立结构。这个结构如果用 factor graph 显式表达，就可以让每个机器人只维护自己需要的子图，并把通信限制在 separator/common variables 上。

关键缺口是：如何在递归滤波中维护这种 separator 结构。过去的异构 DDF 更像“静态图上交换边缘”；本文要解决的是“图随时间滚动并不断边缘化时，如何不让局部图融合变成统计上错误的近似”。

Core Idea

论文的核心不是简单把 factor graph 当实现工具，而是把 DDF 的信息流重写为 factor graph 上的局部子图操作。每个机器人维护一个只覆盖自身任务变量的 factor graph；和邻居通信时，不发送完整状态，也不发送完整局部图，而是在二者公共变量上形成 marginal factor，并扣除 common data 后作为增量信息发送。接收方只需把这个 factor 加入自己的局部图。

这改变了建模方式：从“所有机器人都是全局 posterior 的不同副本”变成“机器人持有全局联合分布的局部投影，公共变量是信息交换接口”。它引入的 inductive bias 是条件独立/稀疏 separator bias：只要全局问题能被公共变量切开，就不必让每个节点承担全局推理。

真正和 prior 不同的是 conservative filtering。作者承认滤波会破坏这个 bias，于是主动修改图结构：牺牲部分相关信息，恢复异构融合所需的条件独立，并用 covariance inflation / information deflation 保证保守性。也就是说，本文不是假设独立性一直成立，而是把“保持可融合结构”作为一个显式近似目标。

Method

1. Factor-message view of heterogeneous fusion。它解决的是异构状态集合无法直接 posterior 相乘的问题。机器人 j 先把本地 PDF marginalize 到与 i 的公共变量，再减去 common data，得到只包含“对 i 新的公共变量信息”的 factor。核心变化是 fusion 从 PDF-level 变成 factor-level additive update，和 factor graph 的信息形式天然匹配。

2. Common data accounting。它解决 double counting。HS-CF 显式维护每条通信边上的 channel filter graph，记录双方已经共享过的公共变量信息；适合无环或较理想通信拓扑。HS-CI 则用加权信息平均近似 common data，不需要精确 pedigree，因此能应对环形网络，但必然丢弃更多唯一信息。这里的本质 trade-off 是 explicit bookkeeping vs conservative ignorance。

3. Conservative filtering。它解决动态边缘化破坏条件独立的问题。作者区分 hidden dependency 和 visible dependency：hidden dependency 是本地机器人看不到的外部非公共变量相关，必须在边缘化前通过解耦预防；visible dependency 是本地图中公共变量子集之间的 dense coupling，可以在边缘化后稀疏化。核心变化是：滤波不再只是 prediction-update-marginalization，而是带有结构修复的 marginalization。

4. Gaussian PSD conservativeness。稀疏化信息矩阵会把某些 off-diagonal block 置零，但这不保证 covariance 变大。作者用最小特征值对 sparse information matrix 做 deflation，并调整 information vector 使均值匹配 dense approximation。这个步骤是方法统计正确性的关键保险，但也是信息损失的主要来源。

5. Inference graph repair。融合后局部图可能因多个公共变量消息产生 loops。作者通过对 separator 上的变量形成 clique 恢复无环 message passing。这个更像工程上让推理可用的结构处理，不是主要理论贡献。

Key Insight / Why It Works

最重要的 insight 是：异构 DDF 的可扩展性来自条件独立结构，而不是来自某个 fusion formula 本身。只要公共变量可以作为 separator，非公共变量就不需要在机器人之间传播；通信复杂度跟公共变量规模相关，而不是跟全局状态规模相关。这是本文能 scalable 的根本原因。

第二个关键 insight 是：动态滤波中的边缘化是异构融合的主要敌人。很多方法在 smoothing 或静态图上看起来正确，是因为完整历史状态保留了条件独立；一旦 roll-up，Schur complement 会生成 dense factor，非公共变量之间的隐式相关被压到当前变量上。如果忽略这一点，CI 也不一定救得了异构融合，因为 CI 只处理公共估计之间的未知相关，不自动处理非公共变量经公共动态变量传递出来的 hidden dependency。

本文最可能的核心贡献是 conservative filtering 的结构化处理：它不是单纯 inflate covariance，而是先恢复图上的 separator，再保证 PSD conservativeness。这使得“可融合结构”和“保守统计”同时成立。这个思想比具体 HS-CF/HS-CI 公式更可迁移。

哪些部分可能只是辅助：ROS 系统、clique 化推理、硬件通信 manager、更大规模实验，主要证明可实现性。通信/计算节省大部分来自状态维度裁剪和局部图规模下降，本质是 scaling by exploiting sparsity，不是新的推理算法带来的神奇效率。

增益归因相对清楚：在 sparse task graph 下，FG-DDF 比 CI-CL 准，是因为它保留了邻居状态和相对测量带来的局部相关与记忆，而 CI-CL 更像 memoryless conservative exchange。这里不是 benchmark trick，也不是数据覆盖问题，而是更好的 latent structure / dependency representation。真正需要警惕的是非线性场景：文中对 heading 方向出现轻微非保守，说明理论保证已经不完全覆盖实际 setting。

Relation To Prior Work

最接近的技术谱系有三条：Bayesian DDF 中的 channel filter / CI，factor graph-based distributed SLAM / DDF-SAM，以及 cooperative localization 中的 EKF-CL / CI-CL spectrum。

和 homogeneous DDF 的本质差异是状态集合不再统一。传统 DDF 把全局状态作为通信和估计单位，FG-DDF 把公共变量作为通信接口，把私有变量留在本地。这不是简单压缩消息，而是改变了 fusion 的对象。

和 DDF-SAM / distributed SLAM 的差异在于推理范式。很多 SLAM 方法是 smoothing，保留历史变量，因此条件独立结构更容易维持；本文主攻 recursive filtering，必须面对 marginalization-induced dependency。这个问题在 smoothing 里被延后或规避，在 filtering 里必须被显式处理。

和 CI-CL 的差异是对相关性的态度。CI-CL 通过强行保守化避免显式维护跨机器人相关，代价是丢信息；FG-DDF 在局部邻域内显式维护公共/邻居变量相关，只在必要时稀疏化并保守化。因此它处在 homogeneous full-state CL 和 ego-only CI-CL 之间：邻域稀疏时有优势，邻域稠密时退化。

看似新的部分中，factor graph 表达、Schur complement marginalization、CI/CF 的思想都不是新；实质创新是把这些组合到异构动态 DDF，并指出/处理 filtering 对条件独立的破坏。这是一个理论框架型贡献，而不是单点算法突破。

Dataset / Evaluation

评估覆盖了两个典型问题：多机器人多目标跟踪和合作定位。前者适合验证异构公共目标融合、bias/private state、HS-CF/HS-CI 和 conservative filtering 的统计性质；后者更接近真实移动机器人中的动态公共状态、非线性观测和环形通信。

实验支持了核心 claim 的主要部分：conservative filtering 对保持 PSD 保守性必要；FG-DDF 在 sparse neighborhood 下比 CI-CL 更准确且仍相对保守；通信和计算随局部任务规模而非全局规模增长；硬件实验显示在 message dropout、测量 outlier、模型不匹配下系统仍能工作。

但 evaluation 也有边界。第一，保守性验证基本依赖 Gaussian covariance PSD 比较；非 Gaussian 情况未被真正验证。第二，非线性 CL 中已经出现某些 heading 方向轻微非保守，说明 claim 在非线性/环形拓扑下是 empirical robustness，不是完整理论保证。第三，硬件实验规模较小，更多验证 sim-to-real 可实现性，而不是大规模 deployment。第四，通信 manager 引入了某种同步假设，真实异步网络中的 OOSM 处理仍未充分展开。

Limitation

最大前提是问题必须有可利用的条件独立结构。如果机器人之间测量关系稠密，公共变量集合快速膨胀，FG-DDF 会接近 homogeneous fusion，局部图优势消失。换言之，scalability 不是无条件的，而是来自任务图稀疏性。

第二个限制是 Gaussian / first-two-moment 假设。factor subtraction、information deflation、PSD conservativeness 都建立在信息矩阵语义清晰的前提上。对于强非线性、multi-modal、数据关联不确定的机器人问题，如何定义 common data 和 conservative posterior 文中未充分说明。

第三，conservative filtering 把问题部分“转移”到了信息丢弃。为了恢复条件独立，它必须删除某些依赖并 inflate covariance；这可能导致观测性下降、收敛变慢，甚至在测量/通信稀疏时估计质量明显恶化。论文承认需要先积累足够信息后才变得保守，这说明早期阶段存在结构近似与可观性冲突。

第四，HS-CF 对通信拓扑和 common data tracking 依赖较强；HS-CI 虽能处理环，但更保守且不保证在所有异构动态场景下自动正确。文中对 cyclic nonlinear network 的处理偏经验，理论闭环不足。

第五，真实部署中的异步通信、延迟、乱序消息没有被根本解决。硬件系统使用 communication manager 做同步 bookkeeping，这降低了实验复杂性，但也绕开了一部分 decentralized deployment 难题。

Takeaway

• 1. 异构 DDF 的核心不是少发消息，而是把全局联合分布按 separator 结构重组织；公共变量是信息接口，私有变量不应被迫进入全局状态。
• 2. 动态滤波会主动破坏条件独立，任何声称 scalable heterogeneous fusion 的方法都必须解释 marginalization 后的 hidden dependency，否则统计正确性可疑。
• 3. “恢复稀疏结构 + 保守化信息矩阵”是可迁移的设计模式：在 SLAM、tracking、CL、distributed inference 中，只要为了 scalability 删除依赖，就应同时给出保守性保证。
• 4. 未来真正值得做的不是再堆更大仿真，而是非 Gaussian common data、非线性保守性、异步通信下的 channel memory，以及自动选择局部变量/公共变量集合。

一句话总结

FG-DDF 是把异构 Bayesian DDF 从全局状态交换推进到 factor-graph separator 信息交换的框架型工作，其真正贡献在于揭示并修复动态滤波对条件独立结构的破坏，而不是单纯提出一个更省通信的多机器人融合实现。