做LiDAR SLAM的朋友应该都有这种经历：车开进一条长走廊，或者经过一片大草坪，地图肉眼可见地开始歪，轨迹像喝醉了一样。问题不在算法不够努力，而是你正在做一次退化LiDAR配准——环境提供的信息不足，配准问题本身就没有唯一解。最近读到的DCReg论文，核心思路就是把这件事拆成三步：先检测，再诊断，最后只在能解的方向上做求解。这篇博文是我对照论文标题、结合自己实际调LiDAR里程计经验做的读后梳理，会尽量把每一步背后“为什么这么设计”讲清楚，也会补一些工程落地时容易踩的坑。

1. 先搞清楚一件事：退化不是精度问题，而是约束矩阵缺秩

1.1 配准在数学上到底在求什么

先把底层逻辑捋一下。点云配准最常见的做法是ICP、GICP或者NDT变体，本质都是找一个位姿 $T$，把当前帧点云变换到目标点云坐标系下，让对应点残差最小。以点到面残差为例：

$$e_i = n_i^T (Rp_i + t - q_j)$$

这里 $R$ 是旋转矩阵，$t$ 是平移向量，$n_i$ 是目标点所在局部平面的法向量。把所有残差堆起来，目标函数就是：

$$\min_T \frac{1}{2} \sum_i |e_i|^2$$

迭代求解时，高斯牛顿法会在当前位姿附近对残差做线性化，得到形如 $H\Delta x = g$ 的方程。这里的 $H=J^TJ$，也就是近似的Hessian矩阵，也常被称为信息矩阵；$g=J^Tr$ 是梯度。$H$ 的行列式大小、特征值分布，直接决定了这个最小二乘问题在当前位置附近是否“有约束”。

如果环境在某个方向上有明显的几何起伏，比如墙角、树干、栏杆，那么残差在这个方向上会随位姿变化产生明显响应，$H$ 对应的特征值就大。反过来，如果环境在某一个方向上几乎一模一样，比如一条笔直的隧道、一片平整的雪地，那么你无论沿那个方向平移多少，最近邻对应关系都几乎不变，残差大小也不变。反映到矩阵上，就是 $H$ 在这个方向上有一个接近0的特征值，矩阵接近奇异。

这就是“退化”的数学本质：不是算法性能差，不是参数没调好，而是观测数据本身不足以约束位姿的全部自由度。说得更直白一点，就像你在完全平整的冰面上闭着眼睛走路，你只知道自己的朝向大概没变，但根本不知道自己往前滑了多少米。配准一旦在退化方向上强行求一个解，解出来的那个数值基本就是噪声，噪声再经过迭代放大，就成了轨迹漂移。

1.2 一个常见误区：加正则项不等于解决退化

很多人在工程里遇到 $H$ 奇异，第一反应是给对角线加一个小量，比如常见的Levenberg-Marquardt阻尼项 $\lambda I$。加了之后方程确实能求逆，位姿更新也能算出来，于是看起来“跑起来了”。

但问题是，这个操作只是让求解器不再报错，并没有告诉求解器“哪个方向的信息是缺失的”。你在退化方向上加的那个 $\lambda$，相当于凭空捏造了一个约束，这个约束的强度来自你的参数，而不是来自环境。结果就是：每一次迭代，退化方向都会产生一个带有随机性的小更新，累积起来就成了漂移。很多时候你去看轨迹误差，不是一下子跳飞出去的，而是慢慢“游走”走的，这其实就是正则项在退化方向上的副作用。

DCReg这类工作的出发点，就是不再把退化当成一个需要靠调参硬压下去的bug，而是把它当成一个可以被识别、被量化、被单独处理的条件。先承认“这条路没有信息”，再决定这个方向上该听谁的。

2. 第一步：退化检测——先知道“病”是否发生

2.1 用信息矩阵的特征值谱做体检

DCReg的第一步，是在每次配准收敛后对 $H$ 做一次特征值分解。为什么要用特征值而不是直接看匹配分数？因为匹配分数只能告诉你“整体对得好不好”，而特征值谱能告诉你“每个方向上约束强不强”。

把这六个特征值从大到小排一下，大致对应六个自由度方向上的约束强度。如果所有特征值都明显大于0，说明当前帧在六个自由度上都被环境约束住了，配准结果可信。如果最小特征值接近0，说明至少有一个方向缺约束。常用判断指标有这么几个：

• 条件数 $\text{cond}(H)=\lambda_{\max}/\lambda_{\min}$，条件数越大，病态程度越高；
• 最小特征值与最大特征值的比值，越接近0越危险；
• 有效约束数量，即大于某个阈值的特征值个数。

实际做的时候，我一般会把特征值列表直接打印到日志里，而不是只看一个综合分数。因为六个特征值本身就能告诉你很多信息：是只有一个方向退化，还是好几个方向同时退化，这些信息对后续处理至关重要。只用一个“是否退化”的布尔量，其实白白丢掉了大量有用的诊断信息。

一个容易被忽略的点是：旋转和平移的量纲不一样。如果你直接对6x6的 $H$ 做特征值分解，平移对应的特征值单位是“距离的平方”，旋转对应的特征值单位是“角度的平方”，两者数值上天然差了好几个量级。比如同一个走廊场景，平移方向特征值可能是100量级，旋转方向可能是0.01量级，你拿同一个绝对阈值去判断，结论必然跑偏。所以要么分块处理，要么在构建雅可比时对旋转部分乘一个特征长度做归一化。这个细节看起来小，但不处理好，退化方向分解出来的结果基本是错的。

2.2 阈值应该怎么标定：别迷信固定阈值

退化检测的阈值到底设多少，不是一劳永逸的事。不同传感器、不同扫描线数、不同角分辨率，$H$ 的数值量级完全不同。64线激光雷达在同一个环境里得到的约束强度，大概率比16线雷达高一个量级。如果固守一个绝对阈值，可能在某台设备上“全在退化”，换一台设备又“永远不退化”。

我自己的做法是分两步标定。第一步，采集几段已知健康的环境数据，比如园区路面、有建筑的街区，统计正常场景下最小特征值和条件数的分布区间；第二步，采集几段已知退化的场景数据，比如走廊、隧道、开阔操场，看两类场景的分布有没有明显分界。然后选一个能最大限度拉开两类场景的阈值，而不是拍脑袋给个常数。

另外，退化不是一个非黑即白的标签，而是连续变化的。我更推荐输出一个0到1之间的退化得分，或者直接输出每个自由度的“可观性分数”，阈值只是用来做后续策略切换。这样在临界场景下，系统可以做到平滑过渡，而不是频繁地在“正常”和“退化”之间跳变，把后端优化搞得一愣一愣的。

3. 第二步：退化解耦——把“退化”从笼统标签变成具体方向

3.1 为什么只说“退化程度”不够

很多系统的退化处理，是检测到退化后直接放弃这一帧的配准结果，或者把整帧的协方差放大。这样做最大的问题是太粗暴：它把“退化”当成一个整体事件，实际退化的往往只是某个方向，甚至是某几个方向的组合。

举两个典型的例子。车辆在长直隧道里前行，两侧墙壁和地面都在，侧向位移、俯仰、翻滚通常还有约束，真正缺失的约束大概率是沿隧道走向的前进方向平移。这时候如果整帧放弃，等于同时丢掉了三个本来很可靠的约束方向，地图在侧向也会跟着摆动。另一种情况是在开阔雪地或水面上，地面是平的，但四周没有任何垂直结构。这时候水平方向的位置和偏航角缺乏约束，而竖直方向、翻滚、俯仰反而可以被重力平面约束住。两个场景都叫“退化”，但需要补充的信息源完全不一样。

“可诊断”的核心就在这里：与其笼统地说“这帧退化，我不信它”，不如明确告诉系统“这帧的 $x$ 方向不可观，其他方向照常使用，$x$ 方向交给轮速里程计”。这样既保留了有效信息，又避免在缺失方向上乱猜。

3.2 退化子空间怎么提取

方向级的退化信息，同样来自 $H$ 的特征分解。特征值接近0对应的特征向量，就是退化子空间的基。把这些特征向量挑出来，组成一个子空间 $U$；剩余特征值较大对应的特征向量组成可解子空间 $S$。之后所有的位姿增量，都可以投影到这两个子空间上分别处理。

这里要稍微注意，特征向量给出的是“方向组合”，不一定刚好等于某个坐标轴。比如在走廊里，退化方向可能既包含沿走廊的平移，也轻微耦合了绕某个轴的旋转，因为传感器的视场和非对称扫描模式会导致自由度之间互相耦合。你要做的是把特征向量当成一个整体方向看待，而不是强行解释成“就是x方向退化”。我在可视化时一般会把这几个退化特征向量投影到点云坐标系里，画成箭头，一眼就能看出当前缺的是哪个方向上的约束。

另外，退化子空间的判断阈值不能只看特征值大小，还要结合当前运动状态。比如车辆静止时，所有方向都可能“退化”，因为点云没有变化，但这不代表环境缺约束；车辆高速前进时，某个方向短暂退化，可能只是这一帧的视场恰好被遮挡。所以DCReg这类框架在实际使用中，通常会结合运动模型或IMU预测来区分“环境退化”和“观测退化”。

4. 第三步：分量级求解——在能解的方向用配准，不能解的方向交给先验

4.1 不是修改目标函数，而是修改搜索空间

传统配准是在整个 $SE(3)$ 流形上搜索位姿，退化时也要硬着头皮搜索，于是产生伪更新。DCReg第三步的思路则是把搜索空间拆开：在可观测子空间内，继续使用点云残差提供的信息求解；在不可观测子空间内，不再依赖点云残差，而是改用外部先验来约束。

实现层面，可以这样理解：

def dc_registration(source, target, T_init, prior, threshold): T = T_init for _ in range(max_iter): J, r = build_linearization(source, target, T) H = J.T @ J g = J.T @ r eigval, eigvec = np.linalg.eigh(H) observable = eigval > threshold unobservable = ~observable delta_obs = solve_subspace(H, g, eigvec, observable) delta_unobs = project_prior_to_subspace(prior, eigvec[:, unobservable]) T = exp_se3(delta_obs + delta_unobs) @ T return T

这里的solve_subspace并不是真的要新写一个求解器，而是在全量Hessian里把不可观测方向对应的自由度冻结掉，或者加上一个强先验，让信息矩阵变成非奇异。具体做法可以选择固定增量投影、置零、或者加一个大权重先验项。效果都一样：点云配准只负责它擅长回答的问题，不能回答的问题明确交给别的信息来源。

一个关键理念是，在退化方向上“完全不动”往往比“乱动”要好。如果你对当前位移完全没有把握，那最优策略就是保持上一时刻的估计，同时把这个方向的不确定度传递给后端。后续如果有回环检测、地图匹配或新的观测进来，再把这个方向上的位姿修正过来。这里面体现的其实是一种“知道自己不知道什么”的机器人学思维。

4.2 先验怎么选：IMU不是万能的

第三步的效果高度依赖先验质量。很多人下意识会觉得，退化方向缺约束，那就融合IMU呗。但IMU在不同方向上的可靠性差别很大。

• 竖直方向、翻滚角、俯仰角：IMU因为有重力观测，长期很稳，可以放心作为先验；
• 偏航角：低成本IMU的零偏不稳定，长期会漂，只能做短期约束，不能当长期锚点；
• 水平位置：IMU完全没有直接观测，只能靠积分，误差快速累积。

所以在开阔平地这种主要缺水平位置和偏航角的场景，单纯叠加IMU可能越救越乱。更稳妥的方案是结合轮速里程计、车辆运动学模型，或者地面标志物，而不是把宝全押在IMU上。反过来，在隧道里如果主要退化方向是前进方向，轮速里程计通常是比较靠谱的先验，IMU反而不是必须的。

这里顺便说一个和“lidar-imu标定”相关的经验。标定LiDAR和IMU外参时，很多人会遇到标定结果在某个分量上反复横跳，怎么优化都不收敛。其实很多时候不是算法bug，而是你用来标定的数据里，某个方向本身就不被激励。比如车一直在平直道路上匀速开，那么外参中与水平位置相关的分量几乎没有可观性，优化器自然瞎猜。DCReg这套检测诊断的思路完全可以迁移到标定问题上：先分析运动激励和场景结构，把不可观的外参分量剔掉或者固定住，只优化有信息的分量，标定结果会稳定很多。

4.3 和地形点云配准结合的思路

这几年地形点云配准需求越来越多，尤其在农机、矿山、巡检机器人场景。这类点云有个明显特点：以平整地面为主，法向量高度集中在z轴附近。纯地面点云在x、y水平平移和偏航角方向上几乎没有约束，配准很容易原地打转。

用地形点云做配准时，DCReg的思想可以帮助做一件很实际的事：先把地面连续性作为强先验，约束z轴和横滚、俯仰；然后把水平方向和偏航角交给点云中的非地面点、地形起伏特征或者外部定位源。如果当前地形真的非常平坦、又没有植被遮挡，那系统就应该如实输出“水平方向退化”，而不是强行算一个位姿让轨迹看起来平滑。很多时候，轨迹误差反而不如一个诚实的置信度有用，因为有了置信度你才能决定要不要触发回环、要不要降低速度、要不要切换定位源。

5. DCReg这组三步，比单纯“加权重”强在哪

5.1 可解释性才是工程落地的关键

做机器人定位系统的人都有体会：系统跑崩了不可怕，可怕的是崩了你不知道为什么。传统配准给不出任何中间信息，你只能看到一堆残差和耗时。DCReg这套框架最大的工程价值，不是新奇的非线性优化技巧，而是给整个配准过程提供了一个可解释的接口。

每次配准结束，你手里会有特征值列表、退化方向向量、每个维度的置信度。把这些东西写进日志，出问题时就能回放：某一秒轨迹开始漂，你打开日志看那一帧的最小特征值是不是突然掉下去了，退化方向是不是突然指向某个轴。是环境问题，还是阈值设错了，还是动态物体干扰了特征值分解，一眼就能分辨。这个能力在实际维护长期运行的机器人系统时，比多一个百分点的精度更值钱。

下面是一个我常用的场景对照表，可以帮助判断当前场景的退化方向和推荐先验：

这个表不是死的，具体取决于你的激光雷达线数、安装角度、视场范围。比如你把雷达斜装，原本退化的方向可能就变得可观了，这也是工程上常见的破解退化手段之一。

5.2 动态物体和阈值标定是最大的坑

特征值分解本身很便宜，6x6矩阵的分解一次也就微秒级，对实时性几乎不构成压力。真正的坑在数据质量上。

最大的坑是动态物体。如果当前帧里混入大量行人、车辆或者其他移动物体，这些点在对应匹配时会产生错误的残差，它们的雅可比会“伪造”出虚假的大特征值，让原本退化的方向看起来有约束。比如在空旷广场上，本来水平方向没有约束，但刚好有几辆车从旁边开过，特征值分解就会误判“这个方向有信息”，配准结果被动态物体带着走。所以退化检测之前，一定先做动态点剔除或者至少用鲁棒核压低异常残差的权重，否则整个DCReg的三步流程都是建立在脏数据上的。

另一个坑就是前面提到的阈值标定。我建议一步到位，把特征值、条件数、每个自由度的置信度全部做成可配置参数，并且在系统启动阶段做短暂的自适应采集，用初始几十帧的正常数据来动态确定基线。不要图省事写死一个全局常数，尤其是同一套代码要部署到不同车型、不同雷达上时，固定阈值早晚会在某个你没测过的场景里坑你一次。

5.3 处理结果的策略要平滑

最后提醒一点：DCReg检测到退化后，处理策略不要做得太“硬”。比如一旦检测到某个方向退化，就把该方向的增量置零，这样简单但会产生地图上的台阶感。更好的做法是给退化方向一个连续的可信度权重，让该方向的更新在“完全信任点云”和“完全信任先验”之间平滑过渡。这个权重可以直接由特征值比值映射得到，比如把 $\lambda_{\min}/\lambda_{\max}$ 经过一个sigmoid函数转成0到1之间的置信度，再用来混合点云增量与先验增量。

另外，位姿置信度还应该传递给下游，比如局部地图更新、关键帧判定、回环检测触发条件。如果某个关键帧的某个方向置信度很低，你就不应该让它作为地图优化的强锚点，否则它会拖着整个地图一起漂。把这些信息串起来，整个SLAM系统的鲁棒性才会真正提升，而不是只让单帧配准的结果好看。

6. 读完之后，我建议你在自己的数据上做三件小事

DCReg的理念并不复杂，理解了“检测、诊断、求解”三步之后，更重要的是把它落到自己的系统里验证。我建议你打开自己之前的失败数据，做三件很小但很有用的事。

第一，把你的配准Hessian特征值打出来看看。不管你现在用的是ICP、GICP还是NDT，都能拿到类似的近似信息矩阵。找一段走廊数据，打印每一帧的最小特征值，你会直观地看到数值是怎么掉到接近0的，也会对“退化”建立真正的手感，而不是只在论文里看到这个概念。

第二，把退化特征向量可视化出来。把特征值最小的一两个特征向量按位姿投影到点云中心，画成带方向的箭头，叠加在点云上。你会发现箭头指向的方向往往就是你轨迹漂移最严重的方向，这种可视化比任何理论解释都更能说服团队重视退化问题。

第三，给轨迹加一个“可观性得分”字段。不需要改太多代码，只要在记录位姿时同时记录最小特征值和条件数，离线评估时把ATE误差曲线和退化得分曲线画在同一张图里。我自己的经验是，两者往往高度相关。看到误差尖峰和特征值低谷同时出现的那一刻，你就知道这套诊断逻辑到底有多值钱了。

我自己实际用过类似思路做过一版室外履带机器人的定位系统，最大的感受是：处理退化不应该靠“祈祷环境别太差”，而应该靠“知道哪里差了，然后想办法补哪里”。DCReg把这件事拆成三步，等于给了工程师一个非常清晰的行动框架。最后再分享一个小技巧：以后遇到配准漂移，先别急着调迭代次数和收敛阈值，先去看看特征值谱，那个东西会告诉你问题出在环境还是出在代码。