两篇论文中的球面锥点云表示：Flying on Point Clouds 与 AERO-MPPI

本文是对他人公开工作的文献解读，不是本人原创方法，也不是本人的项目成果。文中的“论文报告”与“由参数推得”会严格区分。

3D LiDAR 每帧产生的是数量变化、顺序不固定的点集合，而学习策略和批量轨迹优化通常更适合固定形状的数据。以 Livox Mid-360 的公开规格估算，10 Hz、每秒 200,000 点意味着平均每帧约 20,000 点；累积 5–10 帧后是约 100,000–200,000 个原始点。球面锥表示的核心压缩是：按观察方向分 bin，每个方向只保留与任务相关的近障碍信息，从而避免把全部原始点直接送入策略或每条 rollout。

这个动机可以概括为三个工程难点：

1. 输入维度与形状：原始点云是无序的 $(x,y,z)$ 集合，点数随帧变化，不能直接当作普通固定维度向量；
2. 在线计算预算：控制与规划需要持续更新，不能让每条策略推理或每条采样轨迹反复遍历全部历史原始点；
3. 扫描稀疏性：Mid-360 使用非重复扫描模式，单帧覆盖并不等于累积后的观察密度，多帧融合因此有实际意义。

这里不再把“控制频率一定是 50–100 Hz”写成通用前提；两篇论文各自报告的策略、规划和飞控执行频率应分别阅读。

这不是传统占据栅格。占据栅格在三维位置上离散自由/占据/未知状态；球面锥在机器人中心的角方向上离散距离。前者保留更多位置拓扑，后者用更紧凑的方向—距离结构换取计算效率。

1. 文献版本与作者

两篇工作都把局部点云按角度方向压缩，但下游任务不同：Flying 把固定维度表示输入强化学习策略；AERO-MPPI 用多分辨率分区生成锚点并计算 MPPI 碰撞代价。AERO-MPPI 的论文没有引用 Flying，因此本文只做并列比较，不把前者描述成后者的“基础”或“上一代”。

来源：Flying arXiv、Flying IROS DOI、AERO-MPPI arXiv v2。

2. 共同前提：历史点云要对齐到当前机体系

Livox Mid-360 的官方规格给出 10 Hz 扫描频率、每秒 200,000 点，以及水平方向 $360^\circ$、垂直方向 $-7^\circ$ 至 $52^\circ$ 的视场。多帧累积可以增加观察密度，但无人机在帧间发生了平移和旋转，不能直接拼接原始点。

原始点首先位于 LiDAR 坐标系。若 LiDAR 到机体的外参为 $(R^B_L,t^B_L)$，则第 $i$ 帧中的点先变为

设机体在世界系中的位姿为 $(R^W_{B_i},t^W_{B_i})$，把该点对齐到当前时刻 $t$ 的机体系：

等价的齐次变换写法是

这个公式只说明帧间刚体对齐。实际精度还取决于 LiDAR—机体外参、时间同步、扫描内运动畸变处理和状态估计误差；“用了位姿变换”并不自动保证历史点完全重合。

直观地说，第 $i$ 帧记录的是“无人机当时在位置 A、朝某个方向时看到的点”，当前第 $t$ 帧需要的是“站在现在的位置 B 和朝向看，那些点在哪里”。计算过程就是先把历史点从 $B_i$ 变换到世界系，再从世界系变换回当前的 $B_t$。对齐后的累积点云可写成

姿态变化已经包含在 $R^W_{B_i}$ 与 $R^W_{B_t}$ 中，因此无需在这个公式之外再手工加一次“俯仰补偿”。不过，这不代表地面分割、重力对齐或传感器去畸变在所有下游任务中都不需要；是否需要取决于后续表示的坐标约定。

FAST-LIO2 论文报告了最高 100 Hz 的里程计与建图表现，并展示了最高 $1000^\circ/\mathrm{s}$ 旋转下的鲁棒性。这是论文在特定平台和实验中的报告能力，不应改写成所有设备都能达到的保证。

来源：Livox Mid-360 规格、FAST-LIO2。

3. Flying：面向强化学习的固定维度表示

3.1 论文明确写出的流程

论文在实机部署中先过滤离机器人较远的点，再以 0.05 m 分辨率均匀下采样。随后：

1. 取 $k$ 帧、以 10 Hz 采样的历史点云；
2. 用局部状态估计把历史点变换到当前机体系；
3. 以机器人为中心，按相等角度划分 $n$ 个分区；
4. 非空分区记录最近点距离，并把超过 10 m 的值截断为 10；
5. 空分区使用历史 $k$ 帧视场计算出的未知区域距离编码。

这里的 0.05 m 均匀下采样是减小点数的预处理，不等于三维占据栅格。前者在每个小体素中选取或汇总代表点，随后仍把结果作为点集使用；后者把空间单元的自由、占据或未知状态作为地图本身。不能进一步断言体素平均“几乎不影响最近距离”或必然“收敛配准误差”；这些效果取决于具体实现和场景。

论文实现采用 $n=3200$、角分辨率 $4.5^\circ$。对分区 $s$，可以把正文规则整理为

其中 $0

论文没有给出每类空分区对应固定数值的表格，因此不能进一步断言某个方向一定得到 17 或 20。$d_{\mathrm{unknown}}$ 的具体值来自历史视场几何。

仅用于理解编码的算术例子是：若某个空分区经真实视场几何计算得到 $d_{\mathrm{unknown}}=3$ m，则其编码为 $20-3=17$；若得到 9 m，则编码为 11。它们不是论文对“某个具体方向”的测量结果，也不能把“完全在视场外”一律手工写成 20。

用三种不冒充测量值的直观情形说明：

表中的数值是公式演示，不是给某个固定仰角硬编码的规则。这个数值区间让策略能够从输入上区分已观测距离和未知方向；策略最终是否会主动避开未知区域，还取决于训练分布、奖励和策略学习结果。

3.2 哪些是推断，不是原文

若把完整球面按方位角与仰角都以 $4.5^\circ$ 等分，则会得到

这与论文的 $n=3200$ 一致，所以“80×40 的全球面网格”是合理的几何解释；但论文正文只明确写了等角度、3200 个分区和 $4.5^\circ$，没有逐字给出 80×40 的索引布局。实现时仍需以代码或补充材料为准。

同样，0.05 m 均匀下采样是论文明确写出的实机预处理，却不能据此宣称“不会丢失小障碍物”或“会自动消除配准误差”。下采样方式、代表点选择和障碍物尺寸都会影响信息损失。

3.3 历史帧数、网络与训练边界

论文在实验中设置 $k=5$；这是论文实验参数，不是该表示的固定定义。策略以 50 Hz 输出期望推力和机体系角速度。

论文一处称 3200 维外感知输入被编码成 128 维隐状态，同时又列出三层编码器的输出维度为 128、64、64。两种表述在字面上存在歧义，因此不能在没有代码的情况下断言最终编码器输出究竟是 128 还是 64 维。

训练部分给出的 PPO mini-batch 为 70,000。占据地图对比中，论文报告同一块 24 GB GPU 上：

• 0.2 m 三维占据图使用 2D CNN 时，最大 mini-batch 约为 $1.5\times10^4$；
• 使用 3D CNN 时，约为 $5\times10^3$；
• 所提表示可超过 $1\times10^5$。

这些数字是该论文实现和硬件上的显存规模比较，不是所有网络的通用上限。论文图中的 3.0 m/s 是某项训练/评测设置的速度约束，也不是方法固有的速度上限。

论文的训练曲线支持一个定性结论：在作者相同 PPO 试验框架中，直接使用三维占据图的朴素基线难以从零学出有效策略，而所提紧凑表示能够训练。不能把根据曲线目测得到的固定步数和回报阈值当作精确数据；若要引用，应从作者原始数据或图的明确坐标读取并标注误差。

来源：Flying 论文 HTML。

4. AERO-MPPI：高、粗两层球面分区

AERO-MPPI 的公开流程可以概括为：

最近 10 帧点云（约 200,000 点）
        ↓ 对齐到当前机体系，并限制在 10 m 范围
3° 高分辨率网格：120 × 60 = 7200 个单元
        ├─ 每个单元保留最近点 → 过滤点集 P_f → rollout 碰撞距离
        └─ 6 × 6 pooling
             ↓
18° 粗网格：20 × 10 = 200 个单元
             ↓ 围绕目标方向选 5 × 3 个方向
15 个 refined anchors → 15 条五阶引导轨迹
             ↓
15 个并行 MPPI → 每个 K 条 rollout → 二阶段代价选最优控制

这个流程图只描述论文模块关系。“约 200,000 点”是 10 帧累计规模，不表示碰撞计算仍对每条 rollout 遍历全部原始点；高分辨率分区会为过滤集合每个单元保留最近点。

4.1 高分辨率分区

AERO-MPPI 累积最近 10 帧、约 200,000 个点，用状态估计变换到当前机体系，并把处理范围限制为 $r_{\max}=10$ m。论文把球面视场按 $3^\circ$ 离散为 $120\times60=7200$ 个球面锥。

对高分辨率单元 $(i,j)$，论文式 (5) 为

对应的单位方向向量是论文式 (6)：

论文没有报告 Flying 实机流程中的 0.05 m 体素下采样步骤。因此准确说法是“AERO-MPPI 未报告同样的 0.05 m 预处理”，而不是笼统断言它对原始点完全不做筛选。

4.2 视场与空单元的证据边界

$120\times3^\circ=360^\circ$，$60\times3^\circ=180^\circ$，因此论文给出的网格尺寸与分辨率在角度跨度上对应完整球面。这个算术结论不能与 Mid-360 单帧仅 $59^\circ$ 的垂直视场混为一谈：网格覆盖某个方向，不代表该方向已有实测点。

论文没有明确给出仰角索引的起始角，也没有说明 $\mathcal P_t\cap C_{i,j}=\varnothing$ 时 $r_{i,j}$ 如何初始化。不能据此猜测它“只覆盖约 100° 的有效视场”，也不能擅自补一个空单元默认距离。

4.3 粗分区与锚点公式

论文用 $6\times6$ pooling 把 $3^\circ$ 单元聚合成 $18^\circ$ 单元，得到 $20\times10=200$ 个粗单元。对每个粗单元 $\Omega_{I,J}$，论文式 (7) 选择最大安全距离：

$v_{I,J}$ 是带距离尺度的安全点向量；论文随后把对应的单位方向记为 $d_{I,J}:=d_{i^\star,j^\star}$。

直观上，max pooling 保留了每个粗方向块中“最远的近障碍距离”所对应的细方向，用来探测不同绕行走廊；若改成 average，安全细方向和近障碍细方向会混合。不过“max 一定不会遗漏狭窄通道”仍是过强表述，因为通道是否可通过还受机体尺寸、点云缺失和跟踪误差影响。

look-ahead 距离为 $\ell=5$ m，精炼后的锚点必须使用单位方向。论文式 (8) 是

这里不能再把带距离尺度的 $v_{I,J}$ 乘以 $\ell$；否则距离会重复进入计算，量纲和锚点位置都会错误。

每个锚点对应一条五阶多项式引导轨迹：

五阶多项式在每个轴上有六个系数；当起点和终点的位置、速度、加速度这六个边界条件都给定且约束独立时，可以求出唯一系数。这里解释的是常见边界条件计数，不意味着任意六个约束都一定可解，也不替代论文实际的轨迹构造式。

论文设置 $M=M_hM_v=5\times3=15$ 个锚点，搜索角范围为 $90^\circ\times54^\circ$。每个 MPPI 在表 I 中使用 $K=128$ 条 rollout、预测步数 $N=25$，所以名义并行采样量为 $15\times128=1920$ 条 rollout。

4.4 碰撞距离不是“查轨迹点所在锥的半径”

高分辨率分区还构造过滤点集 $\mathcal P_f$：每个高分辨率单元只保留最近的一个 LiDAR 点。对 rollout 位置 $p_t$，论文式 (15) 使用

也就是说，碰撞距离是轨迹点到整个过滤点集最近点的欧氏距离，不是仅查询轨迹点所在单元的 $r_{i,j}$。表 I 给出的阈值为 $d_{\mathrm{obs}}^{\min}=0.4$ m 与 $d_{\mathrm{obs}}^{\max}=1.0$ m。

论文式 (15) 的完整分段代价为