工厂、仓库、巡检场景里，99% 的几何结构十几年不动。与其每次开机 都临时跑一遍 SLAM，不如先一次性、超高精度地把场地扫成一份"数字 孪生"，再让机器人在运行时只做定位 · 临时 delta · 偶尔 把真正的永久变化折回孪生——这一套思路在最近五年正式 长出了自己的论文家族。
预设读者：会基本的概率图模型、贝叶斯滤波、点云 / NeRF / 3DGS 的常识、本科线代和微积分。不会经典 SLAM 也没关系—— 我们从 MCL 讲起。
零基础从 §1 开始顺读，primer 把 MCL + 渲染式 重定位的最小数学都补齐了。熟悉经典 SLAM可以跳到 §14（NeRF/3DGS 作为先验）或 §27（终身更新）。只看最新 直接进 §47（3D foundation models），那里有 MASt3R-SLAM / MASt3R-Fusion / Reloc3r / VGGT。本站不设独立的 "frontier" 章——2025–2026 的工作 已按 lineage 散入各章，每张卡的管道位置 标签会告诉你它在第 §3 节那条管道上具体改进了哪一步。
每张卡片现在有四件信息：YYYY-MM（venue + arXiv 都 压成同一刻度）；role 标签（在第 §3 节"最小重定位循环"伪代码里指出该方法改进的是哪个 步骤——init / likelihood / map-repr / change-detect / fold-back / front-end / dyn-handling / query-layer）；痛 → 关键想法 → vs prior → ；最后是 局限 一句话——尤其点出已被后续工作明确 修复或绕开的限制。
经典 SLAM (Simultaneous Localization and Mapping) 的承诺是： 机器人开机时一无所知，靠传感器在线同时估计自身轨迹和环境地图。这套 框架诞生于 1990s（EKF-SLAM、FastSLAM），在 2010s 视觉/激光时代达到 巅峰（ORB-SLAM、LOAM、Cartographer），是机器人学最美的章节之一。
但 "同时建图 + 定位" 在工业现场常常是个不必要的负担。把场景换成： 一个 8000 平米的物流仓库，过去十年只动过两台叉车的停放位、新增了 一条传送带、装了三个货架。地面、立柱、绝大多数货架都没变过。 这种 99% 静态、1% 变化的环境，与其每次开机重新建图，不如：
数字孪生 SLAM = 先验地图上的贝叶斯定位 + 临时 / 永久 delta 的层级化更新。 SLAM 的 "M" 几乎不再是问题；"L" 和 "$\Delta$" 才是。
这套思路不是新发明——它的祖师爷是 1999 年 Fox & Burgard 的 Monte Carlo Localization（在给定栅格地图里用粒子滤波找 机器人位姿）和 2007 年 Levinson & Thrun 的 Map-Based Precision Vehicle Localization（在预先扫好的 LiDAR 反射率地图里把车开 出 10 cm 精度）。最近五年，三件事让它重新变成 hot field： （a）3DGS / NeRF 让"先验地图"变成可微的稠密表示； （b）DUSt3R / MASt3R / VGGT 这一代 feed-forward 3D foundation model 可以一次前向就完成 "drop a scan, get the 6DoF"； （c）Khronos / CL-Splats / GaussianUpdate 把"折回数字孪生" 变成了可量化的工程问题。
所有"数字孪生 SLAM"在最底层都是同一个方程：在已知地图 $m$ 下，给定 里程计 $u_{1:t}$ 和传感器观测 $z_{1:t}$，求当前位姿 $x_t$ 的后验。
$$ p(x_t \mid z_{1:t}, u_{1:t}, m) \;\propto\; \underbrace{p(z_t \mid x_t, m)}_{\text{观测似然}} \int \underbrace{p(x_t \mid x_{t-1}, u_t)}_{\text{运动模型}} \, p(x_{t-1} \mid z_{1:t-1}, u_{1:t-1}, m) \, dx_{t-1} $$和经典 full-SLAM 相比，关键差别是地图 $m$ 出现在条件里而不是 联合估计里——它是 given，不是 unknown。这一个小小的语法变化， 把整个估计问题从 $\dim(m)$ 维（可能是几百万）降到 $\dim(x_t)$ 维（6）。 所有后面会讲到的方法，本质上都是怎样高效地表示 $p(z_t \mid x_t, m)$ 这个观测似然：
| 方法家族 | $p(z_t \mid x_t, m)$ 的形式 | 计算方式 |
|---|---|---|
| MCL / AMCL | 占据栅格 + 光线投射 | per-particle ray cast |
| NDT-MCL / GICP | 每 cell 一个高斯 | point-to-distribution |
| iNeRF / 6DGS | 差分渲染 vs 观测像素 | 反向传播 |
| SCR (ACE) | 2D→3D coordinate 回归 + PnP | 一次前向 + RANSAC |
| MASt3R-SLAM | 两视图 pointmap 直接预测对齐 | 前向 + 二阶优化 |
当地图 $m$ 真的不变时，这个公式就是终点。但工业现场的 $m$ 是慢变的—— 有些区域今天和半年前一样，有些区域刚被改动。所以真正的形式应该是：
$$ p(x_t, m_t \mid z_{1:t}, u_{1:t}, m_0) \;=\; p(x_t \mid z_{1:t}, u_{1:t}, m_t) \cdot p(m_t \mid z_{1:t}, m_0) $$后一个因子 $p(m_t \mid z_{1:t}, m_0)$——给定历史观测，地图相对原始 孪生 $m_0$ 漂移成什么样——是终身建图 (lifelong mapping) 的核心。 这就是为什么 Khronos、POCD、CL-Splats 这些工作必须存在：它们在维护 这个分布。
把数字孪生想成一张持久的、版本化的世界状态。 机器人每次启动只需"login"到当前最新版本（重定位），运行中把不一致 的观测以 patch 的形式 commit 到本地（临时 delta），后台进程根据 patch 的频率和持久度，定期把稳定的 patch merge 回主版本 （永久折回）。这套 git-for-the-physical-world 的隐喻在文献里是 隐含的，CL-Splats 是第一个把它说成 "version-controlled 3DGS" 的。
"为什么不直接跑 SLAM？" 是这个领域必须正面回答的问题。答案有四点。
| 维度 | 从零 SLAM | 数字孪生锚定 |
|---|---|---|
| 全局精度 | 受回环约束，长走廊 $\sim 10^{-3}$ 量级 drift | 受先验精度约束，可达 $\sim 10^{-4}$（毫米级 TLS 扫描） |
| 启动时间 | 分钟级建图收敛 | 秒级重定位 |
| 跨日一致性 | 每次坐标系不同 | 所有 session 共享孪生坐标系 |
| 动态干扰 | 动态物体污染地图本体 | 动态物体被识别为临时 delta，孪生不变 |
| 初始投入 | 很低（机器人自己扫） | 高（一次性昂贵的离线建模） |
| 边际新场景 | 低 | 需要一次离线建模 pipeline |
所以这套方案的真正适用域是 ①场景长期固定；②对全局 精度敏感（manipulation / 巡检 / 高速 AGV）；③可以承担一次性离线建模 成本的工业现场。如果场景是开放道路或户外探索（autonomous driving 街道 更新例外），从零 SLAM 仍然是对的。
这段伪代码是整本 survey 的"管道总图"。后面每张卡片的
role
标签都对应到下面某一步——比如 likelihood = Step 3，
fold-back = Step 5 + 后台 merge。
# 数字孪生锚定的最小重定位循环 — 用 particle filter 的写法做演示
# (实际系统会用 PnP / 差分渲染 / feed-forward 网络替换 likelihood 计算)
def relocalize_in_twin(prior_map, sensor_stream, N=1500):
# Step 1 [init] — 在先验地图上铺一层均匀粒子 (6DGS / Reloc3r 改这里)
particles = sample_uniform_over_freespace(prior_map, N)
for z_t, u_t in sensor_stream:
# Step 2 [front-end] — 每个粒子按里程计 + 噪声前推
for p in particles:
p.x = motion_model(p.x, u_t)
# Step 3 [likelihood] — 把观测 z_t 在 prior_map 里渲染/匹配
# MCL: ray-cast 占据栅格 iNeRF: NeRF 差分渲染
# 6DGS: 反投 3DGS 椭球到图像 Reloc3r: 一次前向给 relative pose
# ACE: 神经网络回归 scene coord MASt3R: 两视图 pointmap 对齐
for p in particles:
p.w = sensor_likelihood(z_t, p.x, prior_map)
# Step 4 [front-end] — 重采样
particles = low_variance_resample(particles)
# Step 5 [change-detect] — 不能被先验解释的残差就是 delta candidate
delta = compute_residual(z_t, mean_pose(particles), prior_map)
push_to_delta_buffer(delta)
yield mean_pose(particles), delta
# 后台 [fold-back] — 反复出现的 delta 升级为对 prior_map 的永久编辑
# Khronos / CL-Splats / GaussianUpdate / LTGS / GS-LTS 都改这一步
maintain_twin(prior_map, delta_buffer)
run，看橙色（从零 SLAM）和墨绿（锚定数字孪生）两条
轨迹的 ATE 随时间发散。把 noise $\sigma$ 拉大，模拟更长的走廊：从零 SLAM
的开环漂移会迅速吞掉所有精度；锚定到先验的那条始终在 ~0.6 px 以内。
这就是为什么"先有数字孪生"——不是为了省去 SLAM，
而是为了把 SLAM 从"积分误差"问题变成"每帧重定位"问题。
即使你接受 "先建一次孪生再 localize" 是对的，剩下的几乎所有论文都在 回应下面四个痛点之一或多个。后面每一张 paper card 都会在 pain 句里 用 (a)/(b)/(c)/(d) 回指。
机器人开机时不知道自己在哪里。在 $100 \text{ m} \times 100 \text{ m}$ 的仓库里，6-DoF 位姿 空间太大，没法穷举。无 pose 先验的全局重定位是 MCL → Loc-NeRF → 6DGS → Reloc3r 这一长串工作的主驱动力。一个好系统 应该能在 < 1 秒内、不依赖 GPS / WiFi 指纹的情况下，从全局先验里 直接给出 6-DoF 位姿。
眼前这个货架今天不在原位——是因为有个叉车把它挡住了（临时），还是它 被搬走了（永久）？错把临时当永久会污染孪生；错把永久当临时则会让 机器人在"看不见的墙"上撞死。POCD、Khronos、CL-Splats、GaussianUpdate 这一支专攻这件事。
同一个仓库角落，早班开灯、晚班关灯，照片差异巨大；同一面外墙，雨天 湿、晴天干，纹理也不同。几何上几乎没变，但 RGB / 描述子完全不一样。 Stenborg 的 semantic localization、Splatfacto-W、WildGaussians 这一线 专门处理这类外观不变性。
当某个 delta 出现了 N 次、跨越 T 天，应该不应该把它编辑回数字孪生？ N、T 怎么定？折回时是覆盖还是版本化？这是终身建图最难的一步—— Walcott-Bryant 的 Dynamic Pose Graph (2012)、Tipaldi 的 HMM (2013)、 Krajník 的 FreMEn (2017)、Schmid 的 Khronos (2024)、Ackermann 的 CL-Splats (2025) 是同一条 lineage 的不同阶段。
Foundations 这一章不是 "经典 SLAM 列表"，而是后面所有家族都 要回指的祖师爷锚点。我们只挑必须解释清楚才能讲后续 lineage 的那 6 篇，再加 1 篇 2024 的 frontier (MS-Mapping) 作为"现代化封顶"。
痛点 (a)：在给定栅格地图里，无 pose 先验时如何稳定地估计位姿。
关键想法：把"机器人在地图里的位姿"这个分布用
一组粒子表示——不假设高斯。每一帧用里程计前推、用激光观测重新
加权、然后重采样。KLD-MCL（即 ROS 里的 amcl）进一步
根据当前后验的不确定性自适应调整粒子数：刚开机时铺几千
个，收敛后压到几百个。
奠定了"地图作为 condition，位姿作为 unknown"这一整套框架的工程 范式——所有后面的"在先验地图里定位"方法都是它的某种变体，只是 把观测似然换成了更花哨的东西。
占据栅格 likelihood 假设地图完全静态；动态物体（人、叉车）的反射 会被当作"墙错位"，污染整个粒子分布——直接催生了 §9 DynaSLAM 那 一支动态过滤工作。
step ×3
机器人前进 3 步，每步都用一组 16-beam 模拟 LiDAR 扫描 reweight + 重采样。
可以看到粒子云在 3-5 步内坍缩到真位姿附近——这就是 §6 AMCL 的算法
被压成的最小可视化。把 noise $\sigma$ 拉大模拟 LiDAR 不准，会看到粒子云
收敛更慢、更宽。
痛点 (a)：占据栅格的离散性让 sub-cell 精度受限，工业 AGV 要求毫米级。
关键想法：把先验地图从"占据/空"的二值栅格升级 为每个 cell 一个高斯（NDT）或每个点带局部协方差 （GICP）。观测点云对先验的对齐变成 point-to-distribution，似然连续 可导，特别适合 LiDAR 在结构化室内场景。NDT-MCL 把这个观测模型 塞进粒子滤波，是今天许多 AGV 系统的事实标准之一。
与 MCL 同样是 "在先验地图上的概率定位"，但把观测似然从离散的 "射线命中"换成了连续高斯——精度从 cm 量级压到 mm 量级。
高斯局部模型对 reflective / 重复几何（长走廊、玻璃幕墙）的歧义 无能为力；非结构化室外场景下性能急速下降——这正是后续 §15 NeRF / §47 DUSt3R 那条"换 likelihood"路线要解决的。
痛点 (b)：动态物体（行人、车）混进 SLAM 地图，会让回环和重定位永久失败。
关键想法：在 ORB-SLAM2 前端加两道滤波—— (i) Mask R-CNN 把 a-priori 可能动的类别（人、车）整片抠掉； (ii) 几何一致性检查把剩下的"看起来不该动但实际在动"的 像素也抠掉。然后用历史关键帧把这些洞 inpaint 回静态背景，得到 一份干净的 keyframe map。
第一代"语义 + 几何"双判据动态滤除——后面所有 dynamic-aware SLAM (DS-SLAM, MID-Fusion, WildGS-SLAM) 都是它这种"先认出动的，再把它 从地图里扣掉"的范式延续。
仅对 a-priori 动态类别（COCO 里的人/车）有效；陌生类别（堆放的 临时纸箱、新型 AGV）不被识别，依然会污染地图——§39 4DGS-SLAM 转向"双 Gaussian 集合"正是为了显式建模未知动态体。
痛点 (b)+(d)：voxel 级的变化检测会把 "椅子动了一下" 拆成上千个 voxel update，无法支撑 object-level 决策。
关键想法：把整张全景地图从"一份大 TSDF"重构为 每个 panoptic instance 一份独立的 submap TSDF——背景一张， 每个椅子、桌子、机器各自一张。变化、删除、重新实例化都在 submap 粒度发生，配上每个 submap 的最后观察时间戳，object-level 终身一致 性成为可计算的属性。
把先前 voxel-级 long-term mapping (Pomerleau, FreMEn) 提升到 instance 级——Khronos 的 4D 时空 scene graph 即由此演化而来。
submap 间的接缝处易失配，需手工调节合并阈值；没有时间维度建模， "椅子早 8 晚 6 在那里"这种周期性信息丢失——§29 Khronos 用因子图 + 时序事件显式修了这两件事。
痛点 (a)+(c)：室内 BIM 模型存在，但拍不到真实带 pose 的训练图——人工标注成本爆炸。
关键想法：BIM 自带几何 + 材质，可以渲染任意视角的 合成图。把整套 PoseNet 完全用合成图训练，部署时直接吃真实相机 图回归相对于 BIM 坐标系的 6-DoF——零真实图标注。BIM 同时是"地图" 和"训练数据生成器"，是数字孪生 SLAM 在 BIM 一支里最干净的早期 展示。
与 PoseNet/AtLoc 这类"真实图监督"的 APR 不同，把 BIM 当成 ground truth 渲染源，绕开了真实数据采集。后面 MoLi-PoseNet（LiDAR 版本） 和 BIM2RDT（语义 + IoT 融合）都是同一种"BIM 作为可渲染先验"的思路。
完全依赖 BIM 与现实几何一致——as-built 偏差会让 pose 估计出现 系统性偏移。这正是 §42 Vega-Torres BIM-SLAM 引入"BIM 作为 session-0 + 真实 LiDAR 自动校正"的动机。
痛点 (b)+(d)：从 mesh / voxel 这种"扁平"地图里看不出"哪些是永久结构、哪些是临时实体"。
关键想法：把场景表示成一张多层 scene graph—— 底层是建筑/房间/物体的几何，往上是语义关系，最上层放动态智能体 （人、移动物体）作为一等节点。"永久结构"和"临时实体"第一次 在同一份数据结构里被区分对待。
把 SLAM 的"地图"从 mesh/voxel 升级为结构化、可查询、可推理 的图——Hydra / Hydra-Multi / Khronos / DAAAM 是这条 lineage 的直系 后代。
虽然 dynamic agents 是图里的一等节点，但每个节点仍只代表"当前 时刻"的状态，没有时间维度——"昨天此时这把椅子在哪里"必须等到 §29 Khronos 才被首次系统处理。
痛点 (d)：把 Foundations 一节的 pose graph + atlas 思路推到现代大场景多 session 工程——graph bloat 是主要拦路虎。
关键想法：用 Wasserstein 距离做增量 keyframe 选取——只把"显著新增信息"的 frame 加进 graph；用 covariance-aware pose-graph merging 让多 session 融合时不会让 优化器 over-confident。结果是真正可工程化的"先验地图随每次 session 缓慢演进"流程。
与 §10 Panoptic Multi-TSDF 走"object-level submap"路线不同， MS-Mapping 仍在 pose-graph 层面，但引入了不确定性度量来控制 graph 大小——是 LiDAR-only 工程化 lifelong SLAM 的 2024 当下范本。
仍是纯 LiDAR pose graph，无对象级语义、无 3DGS / NeRF 兼容 ——object-level 查询和 photorealistic 渲染要等到 §29 Khronos 与 §33 CL-Splats 这两条线分别接管。
这一章的所有方法共享同一个范式：先验地图是一个可微的渲染 器（NeRF 或 3DGS），"找位姿"等价于"找让渲染最像观测的位姿"。 区别只在于 (i) 怎么提供一个好的初始位姿、(ii) 怎么避免落入局部极小。
痛点 (a)：有一个预训练好的 NeRF，能不能从一张新图直接 invert 回 6-DoF？
关键想法：把相机位姿 $\xi \in SE(3)$ 也当作 NeRF 的可学习参数。固定 NeRF 权重，梯度下降 $\xi$ 让 rendered pixels 像 observed pixels——analysis-by-synthesis。
首次把 NeRF 反演成位姿估计器——所有后续渲染式重定位（iComMa、 GSplatLoc、6DGS）都是它的某种收敛域扩展。
收敛盆地极窄——需 $\lt 30^{\circ}$ / 25 cm 初始 pose，否则陷入局部极小， 冷启动不可用。§15 Loc-NeRF 用粒子滤波修了这一刀，§18 6DGS 直接 转为闭式求解绕开了它。
痛点 (a)：iNeRF 的收敛盆地太窄，没有粗略位姿就完蛋。
关键想法：把 iNeRF 的梯度下降换成 MCL 的粒子 滤波——每个粒子代表一个候选位姿，observation likelihood 由 NeRF 渲染该位姿下的图与观测图的颜色一致性给出。配合粗略 motion 模型，可以从均匀全局初始化在几秒内收敛到正确 basin， 再做局部 refine。
本质上是把 §6 的 MCL 算法和 §14 iNeRF 的 NeRF-as-likelihood 拼一起—— 这是"数字孪生 SLAM"领域非常典型的合成模式：经典定位算法 $\times$ 新一代 地图表示。
NeRF 渲染慢（每粒子一次完整 forward），粒子数受限，大场景仍易失败 ——§18 6DGS 把这件事变成闭式后才真正解决冷启动问题。
痛点 (a)：3DGS 比 NeRF 渲染快 $100\times$，能不能用同样的 invert 思路但更快地做重定位？
关键想法：3DGS 的 splatting 渲染对相机位姿是可微的， 直接把 iNeRF 思路移植——梯度下降 $\xi$ 让 splatting 渲染像观测图。 为了缓解 photometric loss 的局部极小，额外引入一个 LoFTR 风格的 2D matching loss，把渲染图和观测图先做特征匹配再回传梯度，显著 扩大了收敛盆地。
把 iNeRF 的范式带进 3DGS 时代——同样是 analysis-by-synthesis，但 渲染快 $100\times$，并且加入 explicit feature matching 抢救收敛域。
仍需要粗略初始位姿；纹理稀疏（白墙、纯地面）场景下 feature matching 失效，回退到纯 photometric——大场景冷启动仍依赖 §18 6DGS 或 §51 Reloc3r 给的 prior。
痛点 (a)：分析-合成式方法都需要初始位姿，6-DoF 全局搜索代价依然不小。
关键想法：反过来——不让位姿下降到匹配的渲染，而是 让 3DGS 的每个椭球反向投射"椭球射线"到观测图，三角化出相机 中心。整个过程是闭式的、一次前向、无需任何初始位姿、无需迭代。 把 6DoF 估计从优化问题转成几何代数问题。
与 iComMa / GSLoc 这些梯度优化路线正好相反：6DGS 把整套 invert pipeline 从迭代换成了 closed-form，是"无 pose 先验全局重定位" 最优雅的一种解法。
对 3DGS 的训练质量极敏感（椭球长得歪、覆盖稀疏，反投三角化噪声 爆炸）；大场景下椭球数 $N^5$ 复杂度让闭式求解爆炸——是 §19 SplatLoc 转向"per-Gaussian 描述子 + PnP"的直接动因。
痛点 (a)+(c)：渲染式重定位对外观漂移敏感；想用稳定的 2D-3D 匹配，但 3DGS 没有传统意义上的"地图点"。
关键想法：在每一个 Gaussian 椭球上蒸馏一个 XFeat / unbiased 3D descriptor，让 3DGS 同时既是渲染器又是 feature 数据库。query 图先提 keypoint，跟 Gaussian 的描述子做 2D-3D 匹配，PnP 出粗 pose，再用渲染做光度 refine。
与 6DGS 走"几何反投"不同，SplatLoc 走"特征匹配 + PnP"—— 完成了 3DGS 从"纯渲染器"到"可匹配地图"的身份转变，是 3DGS 重定位族在标准 benchmark 上的稳定 2024 SOTA。
描述子需 per-scene 蒸馏；跨场景泛化弱——把同一个 SplatLoc 模型 搬到新工厂要重训。§51 Reloc3r 直接用 foundation model 跳过了这件事。
痛点 (a)：SplatLoc / GSplatLoc / 6DGS 都需要某种 pose prior 或匹配阈值；想要彻底无先验、无 outlier 处理。
关键想法：STDLoc 提出 sparse-to-dense 投票，完全 取消 pose prior 假设；GSVisLoc (NVIDIA Tel-Aviv) 把 3DGS 重定位 pipeline 整体收紧到能稳定 deploy 的工业级精度。两者都在 2024 年 GSplatLoc / SplatLoc 之上有可衡量的提升——iNeRF / 第一代 3DGS-loc 已基本不再被 SOTA 对比表使用。
Part 3 lineage 的 2025 收尾：把无 pose prior + 跨场景稳定的两件事 第一次同时做到了工业级。
仍依赖一份预训练 3DGS——外观漂移大、夜间/雨天，3DGS 本身就脆弱时 精度下降；终极方案需配合 §40 WildGS-SLAM 风格的外观鲁棒训练。
痛点 (c)：高速 / 强光 / 弱光场景下，传统 RGB 相机失效；先验地图用 RGB-based 3DGS，运行时传感器换成事件相机。
关键想法：把 3DGS 渲染一帧差分强度图，跟 event stream 积分出的强度图做匹配——跨模态的渲染式跟踪。证明 了 "数字孪生 = 一份固定的 3DGS、运行时可以换不同传感器去对" 这种 解耦是可行的。
把 3DGS 作为先验地图的概念扩展到非 RGB 传感器：先验是 RGB-3DGS， query 是 event stream，证明孪生与传感器的解耦不止理论上成立。
事件相机噪声模型被简化为高斯，强光/弱光极端下匹配仍脆弱；尚未与 IMU 融合，高速运动下跟踪会丢——同 §50 MASt3R-Fusion 的多模态融合 思路尚未在 event modality 上完成。
SCR 这条 lineage 走的是另一种道路：先验地图被编码成一个 神经网络，输入一张 query 图，逐像素回归该像素对应的 3D 世界坐标。然后 PnP+RANSAC 出 6-DoF。这条线在 city-scale 室外 有很强 SOTA。
痛点 (a)：传统 SfM 重定位需要存大量描述子；想用一个紧凑神经网络代替整张特征地图。
关键想法：训一个 CNN 把每个像素回归到对应的 3D 世界坐标（"scene coordinate"），用 differentiable RANSAC 选出 inlier 假设，然后 PnP。整张地图被压缩成一个 ~30 MB 的网络， 重定位时间 < 100 ms。
完全跳过显式 SfM 地图——地图就是网络权重。但要为每个新场景重新训练 几小时～几天，这是后续 ACE 系列要解决的痛。
每个新场景训几天的部署成本，与"工业 deploy 时只接受几分钟"严重 不符——§23 ACE 把 per-scene 训练压到 5 分钟才把这条路线变得可 工程化。
痛点 (a)：DSAC* 每个新场景训几天，与"工业 deploy 时只接受几分钟"严重不符。
关键想法：把 SCR 拆成场景无关的冻结 backbone + per-scene 训练的小 MLP head。每个 gradient step 在一个 超大随机视角 buffer 上做，5 分钟收敛到 DSAC* 几天的精度。ACE-Zero 更进一步——把"训练"和"poseless SfM"合并：边训 relocalizer 边 posed image collection，连初始 pose 都不需要。
把"为每个场景部署一个 SCR 网络"从几天压到几分钟。让 SCR 范式从 研究玩具变成可工程化的孪生重定位方案。
室内单房间精度很好，户外 city-scale 上精度崩——§24 GLACE / R-SCoRe 引入全局描述子才把这件事修好。
痛点 (a)：ACE 在小室内场景挺好，但在 Aachen Day-Night 这样的大户外场景训不动、精度崩。
关键想法：在 ACE 的 local feature 上拼接一个 预训练 R2Former 全局描述子，让网络同时知道"这是哪条街" 和"这是这条街的哪一段"——一个网络压住了 city scale。R-SCoRe 接着 引入 covisibility-graph driven 全局编码和 depth-adjusted reprojection loss，让 Aachen 上的精度比 ACE 高一个数量级，地图体积小 $5\times$。
把 SCR 从 indoor / 单个房间真正推到了 city scale——这是数字孪生 SLAM 在户外大场景的关键 enabler。
训练 backbone 大、需大量带 pose 训练数据；新场景部署虽快，但 "完全零 per-scene 训练"还要等 §26 SACReg / §51 Reloc3r。
痛点 (a)：APR (Absolute Pose Regression) 一直被诟病"对每个场景都要重新训"，与 SCR 一样不通用。
关键想法：把"场景"作为额外条件输入到 APR ——具体做法是 ACE 算出的 scene coordinate map 作为 conditioning。 这样 APR 网络本身就场景无关，新场景只需训一个 ACE head（几分钟）。 "在数字孪生上 deploy" 的工程门槛进一步降低。
与传统 APR 相比，把"场景特异性"挪到一个轻量级的 SCR head 里，APR 本身可以一次训完终身用。Conceptually 是 SCR 和 APR 的 hybrid。
APR 本身精度（cm 级误差不稳）不及 PnP 方案，工业 manipulation 仍 需要后接 §17 iComMa 风格的渲染 refine。
痛点 (a)：连"per-scene 训 5 分钟"都嫌多——能不能彻底不训？
关键想法：训一个跨场景通用的 SCR transformer——输入是少量带稀疏 2D-3D 标注的数据库图 + query 图，cross-attention 直接预测 query 的稠密 3D 坐标图。新场景 只需提供少量先验图，零训练。
SCR lineage 的逻辑终点：从 per-scene 训几天 → 几分钟 → 完全 零训练。下一步就交给 §47 DUSt3R / §48 MASt3R 这种 3D foundation model。
仍需要稀疏 2D-3D 标注作为输入；纯"零标注 + 零训练"重定位要到 §51 Reloc3r 才实现。
这一章是整本 survey 的心脏——四个痛点里的 (b) 临时 vs 永久 和 (d) 持久折回都集中在这里。从 Krajník 2017 一路打到 GaussianUpdate 2025 和 DAAAM 2025。
痛点 (b)+(d)：占据栅格只记"当前状态"，无法表达"这个 cell 早上 9 点常常被占、晚上常常空"。
关键想法：把每个 cell 的占据序列展开成傅里叶 频谱，只保留几个主频。整张地图变成几百兆参数下的"周期性占据 预测器"——可以预测"明天上午 9 点该 cell 是否会被占"，压缩比 $\sim 1:10^5$。
与"按观察次数滑窗 vote"的早期长期占据图相比，FreMEn 第一次让"周期 性 vs 非周期性占据"成为地图本身的属性——Khronos 的时空 scene graph 可以看成 FreMEn 的 instance-level + 数据驱动版本。
假设变化是周期性的；非周期事件（突然搬走一台设备）不被频谱建模， 会被当噪声丢弃——§28 POCD 把"周期"换成"object-level Bayesian" 才修了这件事。
痛点 (b)+(d)：传统 TSDF 差分检测把"物体微移 5 cm"也当成变化，根本没法 trigger fold-back。
关键想法：对每个物体维护一个 stationarity score 和 TSDF-change measure，通过 Bayesian update 把几何残差和 语义类别融成一个"该物体是否真的换位"的概率。低于阈值的视为同物体 略微观察噪声，高于阈值的明确触发 fold-back。
POCD 把 Panoptic Multi-TSDF 的 instance 级 submap 加上了一个明确的 "永久 vs 临时"贝叶斯判定准则——把第 4 节痛点 (d) 第一次形式化成 可阈值的工程量。
对象级 Bayesian 阈值需要良好 segmentation；非刚体物体（柔性管道、 布料）处理弱——§29 Khronos 加入时序事件因子图才能正确处理这类。
痛点 (b)+(d) 全部：动态前景 + 半静态家具 + 永久结构必须同时在一份地图里被一致地处理。
关键想法：把 spatio-temporal SLAM 拆成两个进程： (i) 短时程进程负责跟踪当前帧的动态前景； (ii) 长时程因子图进程负责推断每个物体的出生 / 消亡 / 移动 事件。最终产出是一份4D 地图——可以查询任意过去 时刻的场景状态。
Panoptic Multi-TSDF 给出 instance-level static representation； Khronos 在其上加了 time 维度，把"折回数字孪生"提升为"全时空 场景状态推断"——是这一章 lineage 在前 3DGS 时代的巅峰。
使用 TSDF + scene graph，无 3DGS / NeRF 表示兼容（不能 photorealistic 渲染）；自然语言查询需外接 VLM——§30 DAAAM 在同一个组里把 language head 集成进来修了第二件。
痛点 (b)+(d)：Khronos 给出 4D 地图，但回答"昨天下午 3 点货架 7 上有什么"还要外接 VLM。
关键想法：在 Khronos 的 4D scene graph 之上，把每个 时刻、每个实体的语言描述作为图节点的一等属性，由 localized captioning model 实时生成。"你刚才看到的红色叉车 5 分钟前停在哪里？" 成为可结构化查询。
Khronos 解决 "4D 数字孪生"；DAAAM 在其上加 language layer，让数字 孪生第一次支持自然语言时空查询——MIT-SPARK 的直接 lineage。
4D 表示存储成本高；语言层实时性受 captioning 模型瓶颈限制（当下 ~几 Hz）；与 3DGS-based 表示融合的工作尚未出现。
痛点 (b)：用 RGB 差分检测 2D 像素变化会把"光线变了"也当成变化；必须在 3D 里比较。
关键想法：训两份不同时刻的 NeRF $f_0, f_1$， 定义方向一致性差异——同一 3D 点在两个 NeRF 下的密度 / radiance 对相机方向变化的响应差异。这个差异在 3D 中定位真正的 几何变化，对光照漂移不敏感。
与基于 2D 像素差分的 change detection 相比，C-NeRF 在 3D 里 做差，对 §4 痛点 (c) 外观漂移天然鲁棒。
需要两份 NeRF（一份是旧孪生、一份是新观测训出的），新 NeRF 训练 慢使整个流程不实时——§33 CL-Splats 转为"在原 3DGS 上做局部 优化"绕开了重新训练。
痛点 (d)：在旧 NeRF 上直接 fine-tune 新观测会"灾难性遗忘"——旧区域被改坏。
关键想法：给 NeRF 主体加一组轻量 expert adapter， 只让 adapter 吸收新观测；用 conflict-aware distillation 让 adapter 的影响范围被空间局部化，不污染未观测区域。本质上是 LoRA 思想在 NeRF 上的对应。
与 C-NeRF 走"两份 NeRF 比差异"不同，CL-NeRF 走"在一份 NeRF 上做 增量编辑"——是 §4 痛点 (d) 持久折回在 NeRF 范式里的具象。
NeRF expert adapter 仍训练慢；adapter 数量随变化次数线性增长—— "终身"运行 1 年后会臃肿。§33 CL-Splats 把这套思路搬到 3DGS 上后 才真正轻量化。
痛点 (d)：每次有变化就重新 fit 整张 3DGS 既慢又会损失旧版本信息。
关键想法：change-detection 模块把"被改动"和"保持 不变"的 Gaussian 分开——只对改动区域做局部优化，其它部分 冻结。同时保留历史 Gaussian 状态作为可恢复版本， 使得 "回滚到昨天的孪生" 成为一次 git checkout。
CL-NeRF 在 NeRF 里做局部编辑；CL-Splats 在 3DGS 里做局部编辑， 并且首次提出 "version-controlled 3DGS"——是 §2 直觉里的 "git-for-the-physical-world" 第一个具象实现。
局部优化仍可能影响相邻 Gaussian（边界 leakage）；版本化存储开销 随时间累积——§35 LTGS 引入"per-object 模板"才让长时间存储变可控。
痛点 (b)+(d)：CL-Splats 处理"变了"和"没变"，但不区分变化的种类——遮挡、重排、光度漂移要不同的对待。
关键想法：在 3DGS 更新 loop 里把变化显式分类成 transient occluder · permanent rearrangement · photometric drift 三种，分别走不同 pipeline。配合 visibility-aware continual learning + 生成式 replay，不需要存历史图像。这是当下离"工厂运营 需要"最近的一个 fit。
与 CL-Splats 的"分变 / 没变"二分相比，GaussianUpdate 把变化的 "类型"作为模型的一等输入，使决策能匹配 §4 痛点 (b) 的真实物理 语义。
三类变化分类粒度仍粗——photometric drift 与 rearrangement 共现 （灯坏了 + 货架被搬走）时易混淆；分类置信度本身的校准是 open issue。
痛点 (d)：CL-Splats / GaussianUpdate 假设新观测密集；现实是机器人每周才"路过"某区域几次。
关键想法：为每个物体建立可复用结构 prior 模板， 时间演化退化成逐模板的轻量级变换而不是稠密重优化。这样 每周几张新照片就能维持月级别的孪生时间线。
与 CL-Splats / GaussianUpdate 相比，LTGS 把"更新"从"逐 Gaussian" 抽象到"逐模板"，是和真实工厂"稀疏巡检"调度匹配最好的方案。
假设场景由可复用模板组成；非物体化的渐变（漏水后墙面发霉这种连续 形变）不适用——需要继续等针对"非物体化"持续场的工作。
痛点 (d)：CL-Splats / GaussianUpdate / LTGS 都是被动等观测；service robot 应该主动去捕获变化。
关键想法：robot 单图检测到场景变化后，自主规划 重采样视角采集 multi-view 数据，再把新数据 in-place 编辑进 persistent 3DGS。这是数字孪生 SLAM 第一个完整的 "detect change → actively recapture → fold-back into twin" 闭环。
Part 5 lineage 的执行端封顶：把"更新"本身从被动统计推到主动决策 ——和 §35 LTGS 的稀疏视角策略互补（LTGS 等机器人路过、GS-LTS 让 机器人主动去）。
需要 service robot 主动控制权（manipulator + 移动底盘）；被动 多机器人场景（固定 AGV 沿固定路径）不适用——仍是单机器人范式。
这一章的所有方法都有同一个目标：从一段同时包含动态前景和 静态背景的视频，恢复出"持久数字孪生"那部分静态场。前景被 single-out 出去后，剩下的就是 §27 那一章可以维护的 static field。
痛点 (b)：dynamic-3DGS 大多重建一帧扔一帧，没有"跨时间稳定的 Gaussian 身份"。
关键想法：所有 Gaussian 有持久 ID—— 每个 Gaussian 维护 6-DoF 时序轨迹，靠 local rigidity 正则把 "属于同一刚体的 Gaussian 一起动"。结果是每个 Gaussian 的运动可以被追踪、合成新视角的同时显式给出 6-DoF 跟踪。 这种"持久身份"让"哪些是 static field"成为可计算属性。
与 4DGS / 4D-Gaussians 这种"每帧重新拟合"的 dynamic 3DGS 不同， Luiten 让 Gaussian 跨时间保持身份——是 §27 章节"持久 fold-back" 的几何底座。
仅在 multi-view 同步视频上有效；单目部署还很弱——§40 WildGS-SLAM 把单目这件事推到了 SOTA。
痛点 (b)：传统 dynamic-aware SLAM 都"扔掉"动态像素，但工厂里 AGV、人本身就是 task-relevant。
关键想法：在 SLAM 内同时维护两组 Gaussian 集合——静态集合是数字孪生本体，动态集合用稀疏 control points + MLP 建模其时变变换。是数字孪生 SLAM 范式里"static-field-as-twin" 最干净的工程实现。
与 DynaSLAM 这种"动态像素丢弃"的 1st-gen dynamic SLAM 相比， 4DGS-SLAM 既保留了静态孪生又显式建模动态实体——为下游 manipulation/avoidance 提供 ready-to-use 的动态前景模型。
动态集合的稀疏 control points + MLP 对快速、非刚体运动（行人步态） 表达仍粗糙；高速 AGV 场景下时间分辨率不足。
痛点 (b)+(c)：单目 + 动态环境是最难的组合——既没深度先验，动态像素又会污染 BA。
关键想法：在 DINOv2 feature 上训一个 uncertainty MLP，给每个像素打一个 "属于静态背景的可信度" 分数；tracking 和 mapping 都按此 mask 加权。WildGS-SLAM 的 ATE 在 MoCap benchmark 上 0.46 cm，对比 MonoGS 47.99 cm，Splat-SLAM 8.71 cm——一个数量级 的提升。
与 4DGS-SLAM 显式建模动态前景不同，WildGS-SLAM 干脆"算出每个像素 属于背景的概率"——纯单目下的新 SOTA，让"在普通相机上 deploy 数字 孪生 SLAM"变得现实。
单目精度受 DINOv2 特征质量限制；高速运动下 tracker 易丢——需配合 IMU / §50 MASt3R-Fusion 风格的多模态前端才能稳态部署。
痛点 (b)：把 §27 章的"用 3DGS 当持久孪生"做成可在 RGB-D + dynamic 上稳定跑的 SLAM 系统。
关键想法：用 motion-mask 检测 + hybrid point-to-point / point-to-plane tracking，让静态 3DGS field 在动态 环境里持续 grow 而不被污染。静态 field 即是 §33 CL-Splats 后续要 accumulate 的孪生本体。
与 WildGS-SLAM 单目不同，DG-SLAM 是 RGB-D 工程化路径——精度更 稳，是 BIM-anchored 工业部署最容易接入的一支。
需要 RGB-D（depth 传感器）；纯 RGB 部署性能下降。在 LiDAR-only 设置下退化为 §13 MS-Mapping 路线。
这一章的核心范式：数字孪生不一定是新扫的 3DGS，可能是建筑 设计阶段就有的 BIM/CAD。BIM 自带语义、自带 geometry、自带 单位，是工业现场最现成的孪生来源。
痛点 (a)+(d)：施工 / 巡检场景的"先验地图"应该直接是 BIM，但 BIM 是 as-designed，现实是 as-built——两者不一致。
关键想法：把 BIM 合成成一份 "session-0" 的 pose graph + 描述子，让真实 LiDAR session 像普通 multi-session SLAM 那样锚定到它。再用 multi-session 优化让 as-built 的差异通过 新 session 的观测自然 fold 回 BIM——施工进度即是 fold-back 的天然 trigger。
把 BIM 从"被动比较参考"变成"主动 session 0"，让 BIM-anchored SLAM 第一次直接套用 multi-session SLAM 的成熟工具链。
BIM 几何精度差使 session-0 描述子噪声大；BIM 中缺失的元素（临时 脚手架、新装设备）完全无法用——需 §46 BIM2RDT 的 IoT + agentic 框架补全缺失。
痛点 (a)+(c)：把 IFC-BIM 转成一份"通用的占据栅格"会损失语义；不同 robot skill 需要不同的地图。
关键想法：让 BIM 按 robot skill 动态生成"恰好够 用"的地图视图——导航用 traversability grid，对接用 ICP-friendly mesh，clean-up 用 semantic label map。BIM 是 single source of truth， 地图是 query-on-demand 的物化。
与 BIM-PoseNet 把 BIM 当"渲染数据生成器"不同，Hendrikx 把 BIM 当 "可任意 view 的真理来源"——更接近工业部署里 BIM 的实际角色。
只演示了 2D LiDAR；3D / camera modality 不支持——§45 BIM-Informed VSLAM 把这件事推到 RGB-D + BA factor 才补齐。
痛点 (a)：在 BIM 里冷启动 6-DoF——传感器是 LiDAR 点云，地图是 IFC，描述子甚至不在同一空间。
关键想法：把"对齐"变成 6-DoF Hough 投票—— LiDAR 点云的每对几何特征，去 BIM 的特征空间投一票候选 transform。 投票最多的 transform 就是全局位姿。无需初始 guess、无需训练。
与基于特征匹配 + RANSAC 的传统点云对齐相比，Hough 投票天然 multi-modal，避免特征匹配在跨模态 (real LiDAR vs BIM mesh) 上的 脆弱性。
Hough 投票对场景规模二次复杂度；大型仓库（$\gt 10000 \text{ m}^2$）下性能 受限——需要 Reloc3r-style learned 投票替代手工特征。
痛点 (a)：RGB-D SLAM 在大型空旷工地容易飘，BIM 的墙面是稳定的结构 prior 没用上太可惜。
关键想法：从 RGB-D 实时检测出平面，把它们与 BIM 的墙面 IFC entity 匹配，作为 factor 注入 SLAM 后端 factor graph。BA 同时优化轨迹和"对齐到 BIM"，trajectory error 下降约 24%。
与 BIM-SLAM (Vega-Torres) 把 BIM 当 session-0 锚定不同，这里把 BIM 元素当成软约束 factor——更细粒度，与 ORB-SLAM3 式 BA 框架原生兼容。
仅利用 BIM 平面墙；曲面 / 复杂结构（管道、设备外壳）无对应约束 ——非建筑结构密集的场景退化为普通 RGB-D SLAM。
痛点 (a)+(b)+(d) 全部：BIM 是 as-designed，传感器是 noisy real，IoT 提供活动 hint——这三个源得在 runtime 实时融合。
关键想法：把 BIM 几何、IoT 活动流、机器人 LiDAR / 视觉一起喂给一个agentic LLM，由 LLM 推理出 "哪些 BIM 元素 最可能仍然有效" 并驱动一种 Semantic-Gravity ICP—— 点云对齐时不再"几何最近邻"，而是受语义先验"加重力"指引。
与传统 BIM-SLAM 把 BIM 当被动 prior 不同，BIM2RDT 把 BIM 当成 agent 决策的初始状态，并把 IoT 实时数据作为更新源——是当前最 接近 "runtime BIM-anchored autonomy" 的工作。
重度依赖 LLM 推理时延，runtime 性能未公开；IoT 数据可用性是强 假设——非数字化车间（无 IoT 部署）退化为 §45 那一支。
这一章是 2024–2026 整个领域被搅动最深的一支。 3D foundation model 让 "drop a scan, get the 6DoF" 第一次成为 现实——而且不需要 per-scene 训练，不需要相机内参，不需要 初始 pose。它正在悄悄重写 Part 3 / Part 4 两部 SCR 和 NeRF/3DGS-loc 的 许多假设。
痛点 (a)：传统 calibration + SfM + dense MVS 流水线脆弱、慢；想要"两张图扔进去出 3D"。
关键想法：一个 transformer，输入任意两张图， 同时输出两张图各自在共享坐标系下的稠密 pointmap。 Calibration、对应、对齐被一次前向收敛——没有显式 keypoint matching、 没有 essential matrix。
把"3D 几何视觉"从一长串脆弱的几何步骤，浓缩成一次前向。后面所有 MASt3R / VGGT / Pi$^3$ / CUT3R 都是它的迭代。
仅两视图；全场景需后续 global alignment 步骤——§52 VGGT 在 multi-view 上彻底替代了这一限制。
痛点 (a)：DUSt3R 给稠密 pointmap，但工业重定位还需要可匹配的稀疏特征。
关键想法：在 DUSt3R 基础上加一个稠密 local feature 头和 fast reciprocal matching——一次前向同时给出度量 3D 和稳健 matching，赢下了 2024 年 Map-Free Visual Relocalization 挑战赛。
DUSt3R 是"几何代数 + dense";MASt3R 是"几何代数 + dense + matching" ——后面 MASt3R-SLAM / MASt3R-Fusion / Reloc3r 都是它的下游应用。
度量但只 up-to-scale；缺 IMU/GNSS 时绝对尺度不固定——是 §50 MASt3R-Fusion 接入 IMU+GNSS 才修了的痛。
痛点 (a)：foundation model 是离线工具——能不能直接当 SLAM 前端？
关键想法：把 MASt3R 作为两视图 3D prior，在 SLAM pipeline 里实时调用：描述子 retrieval 触发回环、相邻帧对的 pointmap 直接喂二阶全局优化。单 GPU 15 FPS、不需要固定相机模型。
与传统 ORB-SLAM3 / DROID-SLAM 这种"逐帧几何"的前端不同， MASt3R-SLAM 的前端本身就是 foundation model—— SLAM 前端第一次 从手工几何切到 learned 3D prior。
尺度 up-to-scale；长时间运行仍会缓慢漂移——§50 MASt3R-Fusion 加 IMU/GNSS 才解决。
痛点 (a)：MASt3R-SLAM 是 metric-up-to-scale；工业部署需要真实尺度 + 无漂移。
关键想法：在 MASt3R 的视觉前端外接 IMU 和 GNSS， 用分层 Sim(3) / SE(3) 因子图融合，重度依赖回环。 第一个 metric-scale、drift-free、跑在 foundation model 上的 SLAM 系统——"室外厂区 / 堆场" 的关键 enabler。
与 MASt3R-SLAM 相比，加了 IMU+GNSS 后从 "up-to-scale 单目视觉" 跨到 "真实尺度无漂移"。直接对接室外大场景 BIM-anchored 系统。
GNSS-denied 室内回退到 visual-only，回退后性能未公开量化；IMU bias 校准对开机静止假设敏感——工业 hot-swap 部署仍要工程化封装。
痛点 (a)：iNeRF / 6DGS / GSplatLoc 这些方法都依赖一份预训练的 NeRF/3DGS；能不能对任何新场景都直接重定位，无需训练？
关键想法：用 8M posed image pair 训一个 DUSt3R 风 的相对位姿回归头，加最简 motion-averaging 给绝对位姿。 25 ms 推理、对 MegaDepth-1500 零样本 81% $\text{AUC}@20^{\circ}$。
与所有"先训地图再 deploy"的重定位方法相反——Reloc3r 让"地图就是 一组带 pose 的图"成为可能，凭借 foundation model 跨场景泛化。 这是数字孪生 SLAM 范式上一个值得警觉的范式转移。
仅相对位姿；密集 multi-view 全局约束尚未集成——大规模 warehouse 部署仍需配合 §52 VGGT 风格的全场景 SfM。
痛点 (a)：DUSt3R 是两视图、MASt3R 是稠密两视图——大场景需要 100+ 视图同时对齐。
关键想法：单一前向 transformer，输入 1 到几百张 图，同时输出相机参数、稠密深度、稠密 pointmap、跨视图 3D tracks，1 秒内完成。是 2024 DUSt3R 系列向 "scene-scale 一次 前向" 的总结性工作。
DUSt3R 解决两视图，VGGT 解决多视图——把"对一个场景的全部 SfM" 从分钟级算法链压成秒级前向，是数字孪生建立阶段 的关键基础。
视图数 $\le$ 数百；流式部署 (一辈子持续输入) 不行——§53 CUT3R 系列 把这件事推进 streaming 范式。
痛点 (a)+(c)：online 流式输入、不固定参考帧、大规模都是 DUSt3R/MASt3R/VGGT 还没完全解决的工程问题。
关键想法：CUT3R 把状态持续地维护起来，每来 一帧增量更新一个 persistent 3D state；$\pi^3$ 让模型对输入顺序置换 等变，没有"参考帧"概念；Fast3R 在 A100 上 251 FPS 处理 1000+ 张图；MUSt3R 在 DUSt3R 之上加多层 memory，输出全局坐标。
这四篇是 DUSt3R lineage 不同方向的横向扩展——下一个 SLAM 前端 架构原型很可能就来自这里。
仍是研究原型，未在终身 SLAM 闭环（含 fold-back）中端到端验证—— 把它们嫁接到 §33 CL-Splats 上是 2026 最值得做的工程。
整本 survey 走完后，下面这几个 gap 是当下（2026 年 5 月）一篇好的 PhD thesis 可以瞄准的方向：
"数字孪生 SLAM" 的故事可以浓缩成两件事：
(a) 把先验地图做厚到能解释绝大多数观测
（TLS → BIM → 3DGS → foundation model 内化的 prior），
(b) 把剩下的不一致管成可治理的 delta 流
（transient ignore / temporary track / permanent fold-back）。
所有 §6–§53 的论文都是在 (a) (b) 的某个角落"上一颗螺丝"——
每张卡片的 role 标签就告诉你那颗螺丝拧的是 §3 管道
伪代码里的哪一行。
| 术语 | 解释 |
|---|---|
| 数字孪生 (Digital Twin) | 对一个物理空间的高精度、可持久的 3D 表示——可以是 mesh / 点云 / BIM / 3DGS field。本文中特指 SLAM 的先验。 |
| 先验地图 (Prior Map) | SLAM 之外、提前建好的地图。在工业场景下数字孪生即是先验地图，但反之不必然。 |
| 重定位 (Relocalization) | 给定先验地图和一帧观测，估计 6-DoF 位姿。包括冷启动（无 pose prior）和跟踪（有 pose prior）。 |
| BIM (Building Information Model) | 建筑设计 / 施工阶段的语义化 3D 模型，IFC / Revit 格式。as-designed，可能与 as-built 不一致。 |
| TSDF (Truncated Signed Distance Field) | 用截断符号距离场表达 surface 的体素表示。KinectFusion / Voxblox / Panoptic Multi-TSDF 的核心数据结构。 |
| NeRF | 用 MLP 表达 5D radiance field 的隐式场景表示，可微渲染。 |
| 3DGS (3D Gaussian Splatting) | 用一堆带 SH 系数的椭球高斯表达场景，splatting 渲染。比 NeRF 快 $100\times$，是当下的主流可微稠密表示。 |
| MCL / AMCL | Monte Carlo Localization + adaptive 粒子数版本。ROS 里 amcl 包就是它。 |
| SCR (Scene Coordinate Regression) | 用神经网络对每个像素回归 3D 世界坐标，再做 PnP 重定位。DSAC / ACE / R-SCoRe lineage。 |
| APR (Absolute Pose Regression) | 用神经网络直接回归 6-DoF 绝对位姿。PoseNet / Marepo lineage。 |
| Pointmap | DUSt3R 系列的核心输出：把每个像素映射到一个 3D 点的稠密 $H \times W \times 3$ 张量。 |
| Lifelong / Long-term mapping | 跨天 / 周 / 月 / 年维护一份持续有效的地图。痛点 (d)。 |
| Change detection | 检测先验地图与当前观测的不一致，并将其分类（噪声 / 临时 / 永久）。 |
| Fold-back | 本 survey 自定义术语——把累计到一定频率/天数的 delta，编辑回数字孪生本体的动作。 |
| Static field | 4DGS-SLAM / Dynamic 3D Gaussians 等系统里的"持久背景 Gaussian 集合"，即可被 fold-back 的孪生本体。 |
| 4D scene graph | 带时间维度的 scene graph——每个实体在每个时刻的状态都可被查询。Khronos / DAAAM 提出的核心数据结构。 |
| role 标签 | 本 survey 自定义——每张 paper card 上的小 tag，标明该方法改进的是 §3 管道伪代码里的哪一步（init / likelihood / map-repr / change-detect / fold-back / front-end / dyn-handling / query-layer）。 |
不是按年份，是按教学价值。零基础进入这领域的人应该按下面这个顺序 读 8 篇原文：