精读笔记

Problem Setting

这篇论文实际处理的是 EKF-based state estimation 中由 observability mismatch 引起的不一致性，而不是一般意义上的非线性滤波精度提升。典型场景是 SLAM / cooperative localization 这类带 gauge freedom 的部分可观系统：真实系统存在全局平移、全局旋转等不可观方向，但 Std-EKF 由于在不同时间、不同更新阶段使用不同线性化点，线性化模型的不可观子空间维度可能变小，导致滤波器在本不该获得信息的方向上积累虚假信息。

关键矛盾是：EKF 需要在当前估计处线性化以保持局部一阶准确性，但 observability constraint 又要求线性化模型在跨时间组合后保持真实系统的不可观结构。FEJ/OC 通过固定或调整 Jacobian 评估点满足后者，却牺牲前者；I-EKF 通过更合适的误差定义同时兼顾二者，但需要先找到与系统结构匹配的 Lie 群。论文真正要解决的不是某个 SLAM 变体，而是：有没有一种比 Lie 群构造更机械、更可迁移的方式来设计自然保持 observability 的 EKF 线性化坐标。

Motivation

作者的出发点很明确：已有一致性路线都不够“可设计”。FEJ/OC 能满足 observability constraint，但本质是把 Jacobian 从当前线性化点挪走；这会引入被忽略的一阶项，因此它不是一个干净的一阶 EKF。I-EKF 更优雅，因为它仍在当前估计处线性化，只是选择了更合适的误差坐标；但 I-EKF 的瓶颈是 Lie 群结构往往靠经验构造，且不是所有带约束特征或复杂状态空间的问题都有现成 invariant formulation。

论文的核心观察是：在点特征 SLAM 中，Std-EKF 的真实不可观子空间在标准坐标下含有位置相关项，例如旋转 gauge 方向会带上 Jp 或 p^wedge；而 RI-EKF 的对应不可观子空间在 invariant error 下是常量空间。也就是说，问题可能不在于 EKF 本身，而在于不可观方向的坐标表示随状态变化，使得 EKF 在跨 chart 传播和更新时无法保持这些方向的一致性。缺口就是：过去大家知道 invariant coordinates 有用，但缺少一个从 observability 出发反推坐标变换的通用准则。

Core Idea

论文真正核心的思想是：把一致性问题从“如何约束 Jacobian”改写成“如何选择误差坐标，使真实不可观子空间的表示不依赖状态”。如果在某个 atlas 下，真实系统的一阶不可观子空间 N(X) 是同一个常量子空间，那么 EKF 即使每步在不同估计点线性化，也不会因为状态值变化而破坏不可观方向；反过来，在文中给定条件下，如果 EKF 能自然保持正确 observability，那么这个不可观子空间也必须是常量空间。

Aff-EKF 的做法不是寻找 Lie 群，而是在标准 atlas 上乘一个状态相关的可逆矩阵 A_X。A_X 通过对不可观子空间基进行行变换得到，目标是把 N^eta(X) 中依赖状态的项消掉，使 A_X N^eta(X) 成为常量空间。这个操作引入的 inductive bias 很直接：滤波器被迫把 gauge 自由度编码成固定线性子空间，而不是让 gauge 方向的局部坐标表达随当前状态漂移。和 FEJ/OC 相比，它不改变 Jacobian 的评估点；和 I-EKF 相比，它不要求先构造全局 Lie 群，只需要局部一阶坐标变换。

Method

方法层面的关键机制可以压缩为三步。

第一，建立 atlas 视角下的 observability criterion。论文把 EKF 写成流形上给定 atlas 的滤波器，并区分真实系统 observability matrix 与 EKF 线性化模型 observability matrix。这个重写的作用不是形式化而已，而是把“误差定义”提升为影响 observability 的核心变量。

第二，证明不可观子空间状态无关与 observability maintenance 的关系。Theorem 2 给出充分性：如果某个 atlas 下 N_k^epsilon(X) 对所有 k>=1 都是同一个常量空间，则对应 EKF 满足 observability constraint。Theorem 1 在额外条件下给出必要性：若 EKF 能保持正确 observability，则不可观子空间必须是常量空间。Theorem 3 因此把设计 consistent EKF 的问题变成寻找使 N(X) 常量化的坐标。

第三，构造 affine atlas。给定标准 atlas 下的 N^eta(X)，用可逆行变换构造 A_X，使 A_X N^eta(X) 与状态无关。由于可逆矩阵可分解为 elementary row operations，这一步被包装成一个类似高斯消元的 procedure。得到 affine atlas 后，可以直接在该 atlas 下实现 EKF，也可以使用等价的协方差修正形式：先跑 Std-EKF，再用 A_{update}^{-1} A_{predict} 对协方差重表达。后者揭示了 Aff-EKF 的核心变化不是均值更新，而是协方差在 chart 切换后的正确对齐。

Key Insight / Why It Works

最重要的 insight 是：EKF inconsistency 的一类根因不是“非线性太强”或“线性化误差太大”，而是不可观方向的表示没有在滤波递推中保持为同一个子空间。Std-EKF 在每次更新后中心点改变，标准误差坐标随之改变；如果 gauge 方向在该坐标下依赖当前状态，那么同一个物理不可观自由度在不同时间会对应不同向量。Kalman update/propagation 在拼接这些 Jacobian 时就会把某些 gauge 分量误认为可观，从而压缩协方差。

Aff-EKF 有效的核心不是 affine transformation 本身，而是 representation alignment：把物理不可观方向对齐成固定线性子空间。这个更接近“正确的 inductive bias”而不是 scaling、data coverage 或 test-time compute。它不靠更多数据，也不靠优化 trick，而是把滤波器的局部坐标选择与系统 gauge symmetry 对齐。

协方差修正解释很有价值。Aff-EKF 与 Std-EKF 在一步内可得到相同均值，但协方差并不等价，因为 Std-EKF 更新后的协方差仍隐含地停留在预测中心的坐标关系中；Aff-EKF 通过 L_n=A_{X_{n|n}}^{-1}A_{X_{n|n-1}} 把它重表达到更新后中心对应的坐标。换句话说，它修的是 covariance transport，而不是 residual、gain 或 motion model。这也是它比 FEJ/OC 更干净的地方：它没有用错误评估点去硬塞 observability，而是在坐标层面让正确不可观性自然出现。

可能较辅助的部分是 Algorithm 2 的“通用流程”表述。它在示例中很清楚，但本质仍依赖研究者已经推导出 N^eta(X)，并且能看出如何用行变换消掉状态项。这里的 generality 有一定边界：它不是自动化一致性生成器，而是给 observability-aware coordinate design 一个明确准则。

Relation To Prior Work

最接近的谱系是 observability-constrained filtering、FEJ/OC-EKF、Invariant EKF / EqF。论文和 FEJ/OC 的本质差异在于：FEJ/OC 通过选择非当前估计点的 Jacobian 来满足约束，因此牺牲一阶线性化一致性；Aff-EKF 仍在当前估计点线性化，只改变误差坐标。这一点是实质性的，不是实现差异。

和 I-EKF 的关系更微妙。Aff-EKF 并不是完全正交于 I-EKF 的新范式；它可以看作把 invariant error 的一阶局部坐标变换抽象出来。文中也指出，如果已有 RI-EKF，可取 A_X 为 invariant atlas 到 standard atlas 的一阶 Jacobian，那么对应 Aff-EKF 与 RI-EKF 有相同 Jacobian / observability，差异只在高阶项。因此 Aff-EKF 的新意不在于发现 invariant 线性化能保持 observability，而在于提供了一个不必显式构造 Lie 群、只从不可观子空间出发构造局部线性坐标的路线。

对 constrained point SLAM、plane feature SLAM 这类现成 I-EKF 不好写的问题，Aff-EKF 的价值更明显：它把问题从“找合适 Lie 群”降级为“推 observability nullspace 并做行变换”。这是真正新增的信息。相反，普通点特征 SLAM 上与 RI-EKF 接近并不意外，更多是 sanity check。

Dataset / Evaluation

实验覆盖四类问题：普通点特征 SLAM、水平平面约束点特征 SLAM、平面特征 SLAM、3D cooperative localization。任务选择是合理的，因为它们分别验证了三件事：在已有 RI-EKF 的经典问题上能复现一致性；在 Lie 群 formulation 不现成的约束特征问题上仍能构造；在非 SLAM 的 CL 问题上不是只对地图特征有效。

不过 evaluation 主要是 Monte Carlo 仿真，没有真实机器人、真实感知前端、数据关联错误、外点、异步传感器或长时间大规模地图。它验证了理论 claim 中最核心的部分：NEES 显著改善，Std-EKF 的过度自信被消除，Aff-EKF 在若干场景接近 Ideal-EKF。但它没有充分验证 deployment robustness。尤其是 plane feature 和 constrained feature 的实验接近 Ideal-EKF，说明方法在理想建模条件下很干净；但真实环境中 plane 参数化退化、特征可见性变化和约束误建模会不会破坏 A_X 的数值性质，文中未充分说明。

实验没有大段 scaling 证据。复杂度分析显示某些实现会增加 O(K^2) 或 O(K^3) 开销，协方差修正版较容易嵌入 Std-EKF，但大规模真实 SLAM 下是否仍可接受，缺少实测支持。

Limitation

最核心限制是理论前提并不弱。文中要求系统过程可逆、k 阶可观维度不依赖初始状态和轨迹、高阶不可观维度稳定；这些在许多标准 SLAM 问题中成立，但在带接触切换、间歇观测、退化运动、动态特征、尺度退化或传感器失效的系统中未必成立。一旦 observability 本身是轨迹相关或分段变化的，“常量不可观子空间”这个目标可能不再成立。

第二，方法把难点从 Lie 群构造转移到了 nullspace 推导和 A_X 设计。对于论文中的例子，N^eta(X) 结构简单，行变换显而易见；但对复杂多传感器系统、高维状态、带约束 manifold 或混合离散结构的问题，如何系统地找到一个数值稳定且稀疏的 A_X，文中未充分说明。Algorithm 2 更像设计原则，不是完全自动算法。

第三，A_X 不唯一，而不同 A_X 的高阶误差、数值条件、计算复杂度和精度可能不同。论文承认未来需要研究选择准则。这不是小问题：由于 EKF 本身忽略高阶项，两个同样满足 observability 的 affine atlas 可能在实际精度上差异明显。当前理论只能保证一阶 observability，不保证最小线性化误差。

第四，实验边界偏理想。没有真实数据，没有前端误差，没有模型失配。增益归因在理论上很清楚，主要来自 observability-preserving representation；但实际部署中若误差主要由错误数据关联、非高斯外点或不准确噪声模型主导，Aff-EKF 的一致性改善可能不再转化为精度提升。

Takeaway

• 1. 最值得记住的是“不可观子空间状态无关”这个设计准则。
• 它把 consistent EKF 的设计从经验性 Lie 群构造转化为 observability nullspace 的坐标常量化问题。
• 2. Aff-EKF 的本质是 representation alignment / covariance transport，而不是改 Kalman gain 或调 Jacobian 评估点。
• 这个 insight 可以迁移到 UKF、iterated EKF、滑窗优化中的 gauge handling。

一句话总结

这篇论文把 EKF 一致性问题重新表述为不可观子空间的坐标表示对齐问题，并用状态相关 affine atlas 给出一种介于 FEJ/OC 与 I-EKF 之间、更可设计的自然一致 EKF 构造框架。