机器人 / SLAM / 控制 / AI Coding 技术深度简报｜2026-10-16

摘要

检索基准：2026-10-16 09:00（Asia/Shanghai，周五）。 arXiv Robotics 和 Software Engineering 的最近常规公开批次均为 2026-10-15，其中本次列表在 Robotics 显示 99 条、Software Engineering 显示 19 条（均包括交叉列入和其他条目类型，不能一律算作原创新投稿）。本期优先核对最近 24 小时的一手论文与官方发布记录，再对最近七天的候选交叉检查，并与截至 10 月 14 日的 995 条 GitHub 覆盖索引、10 月 15 日尚未成功归档的候选联合去重。没有将前一天文章已讨论的 RootSLAM、FoundationVIO、SideNet-MPC 等重新作为今天新动态。

本期的核心问题是：机器人在退化观测、地图资源受限、异步协作与未知未来危险条件下，怎样让安全与计算预算分配成为可审计的系统状态。

SLAM 方向三项工作最值得看：一篇研究在物理退化导致不可观时怎样避免错误的全局最优性证书；一篇在当前规划走廊内高分辨率建图、其余区域低分辨率建图；还有一篇仅用 914 参数的质量估计器，为 cuVSLAM 在线选择相信视觉还是 IMU。控制方面，DD-GBP 用分布式因子图执行多机械臂动态规划；VIGOR-MPC 把长预测时域教师策略蒸馏成短时域视觉控制器；Receding-Horizon Safety Critic 让四足安全过滤器提前预判未来数步失败；离散动作研究挑战“机器人控制必须使用连续回归”的前提。AI Coding 研究 Doc2Harness 显示：能让模型修代码，不代表模型有能力可靠地搭建 Coding Agent 的工具、状态和执行框架。

AI Coding 实战只取 GitHub 10 月 15 日的一手变更：PR AI Scan 正式 GA、CodeQL Agentic Autofix 正式 GA，以及 Code Quality 按提交者统计的 License CSV。经典论文回顾选择 FastSLAM（AAAI 2002），重新审视今天“多假设后验与条件独立性”的技术源流。

1. 退化可观测性下的可证实状态估计：不要把求解器收敛误认为全局正确

最新批次：v1 于 2026-10-14 17:03 UTC 提交，10 月 15 日公开。

为什么重要

走廊、平面、少量重叠特征或几何对称环境会使状态估计中的某些自由度变得弱可观甚至不可观。近年来用 SDP 松弛与对偶证书检验非凸配准结果是否全局最优，但严重退化时最优解不再是单个孤立点，可能变成一片等代价解集；直接对 SDP 求解结果做低秩取整，可能得到没有意义的判断。

本研究 Towards Certifiable State Estimation under Observability Degeneracy 不是提出又一套视觉特征提取器，而是在退化观测条件下如何给候选位姿建立可信的最优性证书这一数值基础问题上给出框架。

算法模块与关键假设

核心可分为：先在目标函数上找到局部候选；使用与可观测自由度相关的解映射改善局部搜索；从候选解恢复对偶乘子；根据可观测 Hessian 的最小非零特征值与残余误差泄漏调节验收阈值，避免在弱可观状态下将真正最优的候选错误拒绝。

这里的 certifiable 是对论文所设定优化问题与观测模型的证书，绝不是整台机器人绝不会撞障碍的安全认证。若外参、时间戳或原始数据关联错误，优化器可以对一个错误的问题给出正确证书。

实时性、鲁棒性与可复现性

作者报告对偶乘子恢复步骤达到亚微秒级，并用退化测量的鲁棒配准进行验证；这是某个计算子步骤的耗时，不是完整 SLAM pipeline 的端到端帧率。当前未见可直接复现完整算法的官方代码入口。

适合谁关注与工程落地启发

适合 FAST-LIO / LIO-SAM 的长廊退化诊断、多雷达外参估计、鲁棒配准和状态估计理论研究。现有系统可以先计算局部 Hessian 的特征值谱、零空间方向、鲁棒残差与回环一致性；在几何退化时，对该方向降低置信度、允许多假设或请求新视角，而不是错误地增加迭代次数或硬调优化权重。

来源： 原论文。

2. Tiered-Resolution Mapping：让规划路线决定哪里值得建立精细地图

最新批次：v1 于 2026-10-14 16:51 UTC 提交；IROS 2026 Workshop。

为什么重要

长期户外机器人如果整张体素地图都用高分辨率更新，CPU 和 RAM 会被大量本次规划根本不打算经过的区域占用。但全局统一低分辨率又可能抹掉狭窄通道、坡度突变和细小地形障碍。

这篇工作把规划与建图改成双向闭环：当前规划走廊附近使用细网格，其他区域使用粗网格；路径变化后动态重新分配精度。 它不是单纯在显示层做多层地图，而是让 LiDAR 积分本身使用分级分辨率。

算法模块、传感器与假设

LiDAR 点云进入一张支持两种叶节点分辨率的体素地图；规划器提供当前候选路径及其周围走廊；落在走廊内的数据以高分辨率融合，其余区域以低分辨率融合；后续规划从该地图生成路径，再反馈下一轮建图分辨率分配。

方法假设当前规划路径和局部地图至少大致可信。如果全局计划选错走廊，系统可能持续在错误区域投入分辨率预算；因此需要保留备选路径、未知区域和局部障碍突然出现时的退化策略。

实时性与结果

作者在两套真实遥操作采集数据上离线回放并评分，与统一细分辨率地图相比：地图体积减少 13–15 倍，积分 CPU 时间下降 6–8 倍，路线每米成本接近统一精细地图。统一粗分辨率虽然省内存，但较困难场景的单位路径成本增长约 210%。这些是数据回放评测，不是证明真机闭环规划必然达到同一收益。

鲁棒性、可复现性与工程风险

当前未确认官方一键运行代码。可先用现有 OctoMap / TSDF / Costmap 做旁路实验，固定同一激光 bag、规划器与目标，比较 Fine-All、Coarse-All、Fine-Near-Plan。记录体素数量、积分 CPU 时间、路径净空、路径成本、规划失败和突然改路的重建延迟。高速局部避障仍需直接参考最新传感器观测。

适合谁关注与工程落地启发

适合矿井、户外机器狗、山地巡检和小内存 ARM 地图系统。它与“先建完整地图、再离线压缩”的方向相反：在生产地图时就利用任务意图决定精度预算。

来源： 原论文。

3. Smart Fusion for cuVSLAM：用 914 参数在视觉与 IMU 的信任区间间切换

最新批次：v1 于 2026-10-14 14:09 UTC 提交。

为什么重要

VIO 通常根据事先标定的视觉和 IMU 噪声协方差固定融合权重。但视觉前端的真实质量会随纹理、模糊和动态遮挡变化。若继续相信已经退化的视觉残差，Sparse Bundle Adjustment 可能将估计结果拉坏。

该工作观察到，视觉信息矩阵相对于 IMU 约束使用不同倍率时，性能主要分成两个区间：IMU-TRUST（α 约 1–2）与 VISION-TRUST（α 约 10–20），中间的 α=5 作为过渡。作者进一步把权重选择化成低维二分类，而不是每帧用一个大模型估完整协方差。

算法模块、传感器与假设

从 cuVSLAM Tracker 已有统计中提取 10 维视觉质量特征，交给只有 914 个可训练参数的 MLP；模型为每次 SBA 输出建议的信任区间，再调整视觉信息矩阵的相对权重。IMU 预积分和视觉 BA 的主体结构保持不变。

方法仍依赖特征质量统计能反映真实退化。比如周期纹理匹配“数量很多但都错”，单纯高特征数量会误导分类器；快速模式抖动还可能造成权重切换不稳定，需要滞回。

结果与工程边界

作者报告在 EuRoC MAV、TUM-VI Room 上，LOOCV 条件下平均 RMSE APE 分别降低 27.7% 与 14.9%。这不是两个百分比可相加，也不能外推到所有弱纹理长廊；未提供可迁移的统一 FPS，也未确认独立开源 cuVSLAM 修改版。

适合谁关注与落地启发

适合 VIO 调权、视觉前端健康监测、XR 和移动机器人。自研 VIO 可以先只记录 inlier ratio、tracking residual、parallax、image blur 与 innovation，再比较静态协方差、手写两档权重与小 MLP 两档权重。一个重要原则是：权重切换必须受可观测性和回归误差约束，不能只让分类模型决定。

来源： 原论文。

4. DD-GBP：多机械臂用分布式动态高斯信念传播持续规划、持续执行

最新批次：v1 于 2026-10-14 16:43 UTC 提交。

为什么重要

多机械臂协作任务的困难不只是路径多维，更是障碍在动、各机械臂仍在执行、通信可能延迟或丢包。传统集中求解器容易在规模增大时成为瓶颈；每个机械臂独立规划又容易相互撞击。

DD-GBP 使用分布式动态 Gaussian Belief Propagation：每个机械臂维护局部树形因子图，通过活跃机械臂之间的边异步交换信息；只有环境、拓扑或风险变化显著时才重建子图与触发更新。

算法模块和动力学假设

GP 轨迹参数化将不同时域、插值时刻的障碍约束与连续执行结合在一起；局部图推理提供随时可中止的 anytime 优化；异步消息更新负责协调相关机械臂；事件触发重规划减少不必要的通信与全局求解。

该结构依赖可信的机器人几何、关节运动约束和碰撞模型。异步协调下尤其应保留每条消息所属计划版本和时间戳，否则接收到旧计划可能使两条本来安全的轨迹变得冲突。

实时性与作者结果

在 50 组四臂、动态障碍、长时多目标场景中，作者报告 92.5% 无碰撞完成全部目标；模拟 90% 丢包时成功率仍为 86.0%。在单工作站 30 臂共存的无障碍测试里，平均 Warm Solve 为 15.80 ms，作者报告成功率 99.87%。注意这些指标来自不同任务场景，不能把无障碍场景的求解性能外推到复杂 30 臂拥挤场景。还有双臂动态干扰运输实验。

可复现性与工程风险

尚未确认成熟完整官方实现。先在两臂系统做 shadow planning，逐步注入 10%/50%/90% 丢包、20–200 ms 消息延迟，记录碰撞余量、过期图边、迭代次数、P95 规划耗时与是否按 Deadline 输出可执行前缀。实际部署必须保留独立急停与关节限位。

适合谁关注与落地启发

适合双机械臂、机械臂集群和机器人分布式运动规划。核心启发是只交换真正互相影响的机械臂约束，并让规划器每一时刻都可以给出一个当前可执行解。

来源： 原论文。

5. VIGOR-MPC：用视觉在线调 MPC 代价，蒸馏长时域教师而不复制其计算成本

最新批次：v1 于 2026-10-14 15:15 UTC 提交。

为什么重要

只有机载视觉的机器人通常获得的是噪声大、长度不固定、存在遮挡的环境上下文。长时域非线性 MPC 在复杂场景里可能性能很好，但端侧计算预算不足；只用很短的 MPC 又容易看不到即将到来的急弯和视野丢失问题。

VIGOR-MPC 的办法是：在仿真里训练有完整状态、长时域和视野约束的教师控制器；在真机端让视觉 Student 根据当前观察动态选择短时域 MPC 的代价参数，尽量复现教师的策略特征。

模块、观测与假设

教师端使用 privileged 状态和能保证目标保持在视野里的多轨迹 MPC；学生端接收感知模块输出的噪声、遮挡上下文，用多层 Recurrent 映射估计 MPC cost；最后仍由短时域 MPC 求解实际控制。网络不是直接生成任意车轮/关节动作。

依赖条件包括赛道视觉感知仍足够可信、学习过的代价调节能够适用于新赛道、MPC 始终能及时求解。如果感知突然失效或输出错误对象，蒸馏出来的 Cost 并不能代替轨迹安全核查。

结果与可复现性

作者在仿真和真实硬件的视觉自动赛车中，报告在未见过的赛道上接近特权长时域教师的单圈表现，同时每步 MPC 计算减少超过 90%。这里的“减少 90%”是所对比控制计算，不应理解为整个摄像头+GPU+控制链路延迟下降 90%。当前无可确认成熟代码入口。

适合谁关注与落地启发

适合 F1TENTH、窄走廊 UAV 的视觉局部策略以及希望保留优化器可解释性的学习控制。可以固定同一个 MPC solver、动力学与 Horizon，只替换 cost scheduler，对照静态参数、手写几何启发式与视觉 Student，同时测轨迹误差、视野丢失率、P95 计算耗时和安全过滤触发次数。

来源： 原论文。

6. Receding-Horizon Safety Critic：四足安全过滤不只关心下一步，而是预测未来数步会不会跌倒

最新批次：v1 于 2026-10-14 14:25 UTC 提交。

为什么重要

机器狗跌倒通常不是因为某一时刻的单个动作立即导致错误，而是在地形、外扰或速度积累后几步才进入不可恢复状态。单步 CBF/动作裁剪常常只能等危险已经接近发生时做被动修正。

这项研究训练一个预测未来有限时域是否持续非终止的安全 Critic，在现有策略已经进入风险状态之前估计未来失稳可能性。然后用可微、闭式的 CBF 风格 Action Shield 尽量小地改动策略输出。

算法模块与动力学假设

先从仿真 rollout 生成多步 Horizon 事件标签；用分类、类 CBF 的时间一致性以及平滑正则训练 Critic；采用 Ensemble 并使用保守 CVaR 汇总模型分歧；再由闭式可微过滤器给出动作修正；训练 PPO 时引入 anticipation loss，减轻基础策略对 Shield 输出不适应的问题。

这里的安全是学习模型对给定仿真条件下“未来是否失稳”的统计判断，不是任何未知地形上的正式动力学安全证明。

结果与鲁棒性

作者在仿真四足行走中，对动作噪声、外部扰动及地形变化报告更少灾难性失败，同时保持有竞争力的任务回报。摘要没有给出通用的具体百分比或真机频率，因此不补造结果。尚未确认官方完整代码。

适合谁关注与落地启发

适合 Go2、复杂地形 locomotion、安全 RL 和上层 MPC。工程上要分别记录 nominal action、shield correction、horizon risk、Critic disagreement、实际跌倒事件。若只暴露厂商 vx/vy/wz 接口，可以先做速度级预测 Shield，不应假装获得了关节级 CBF 保证；严重模型失配时要走明确的降速/停机路径。

来源： 原论文。

7. 离散动作也能做连续机器人控制：关键瓶颈可能是因子化误差而非分辨率

最新批次：v1 于 2026-10-14 16:20 UTC 提交。

为什么重要

当前 VLA/action expert 大多输出连续动作向量，认为量化成 Token 会丢失控制精度。这篇 When Do Discrete Actions Make Good Continuous Controllers? 跨单任务、多任务、仿真与真机比较连续/离散、单步回归/多步 Flow，挑战这项工程共识。

作者发现，即使最普通的等宽分桶离散动作，在不少设置中也能与连续动作效果相当甚至更好。离散方法的主要问题不一定是分辨率，而是对不同时间和动作维度采用独立乘积分布导致的相关性缺失。

算法模块与核心发现

研究对照连续 Regression/Flow、离散 Token 回归、离散 Flow；还测试通过离散 Flow 的重复计算或 Classifier-Free Guidance 的分布锐化来改善动作块内的条件相关性。作者指出，试图硬编码连续几何信息的离散化腐蚀过程并没有稳定改善效果。

这说明 VLA 动作量化的价值不只是为了压低网络输出带宽，它可能改变训练目标、组合能力和实时推理的算力结构。

动力学、实时性和风险

结果涉及不同任务与真实硬件实验，但不能将“离散效果好”理解为任意机械臂 8-bit 量化都能平滑安全。必须研究动作速率、离散边界抖动、关节限位、控制器插值、紧急中断和批量 Action Chunk 的相关性。摘要未提供可外推到所有平台的延迟数字。

可复现性与工程启发

有作者项目页，但本次未确认完整可运行权重。最低成本复现是在相同数据、同一视觉编码器和低层控制器上，比较 16/64/256 桶离散动作、连续高斯/Flow 与离散 Flow，统一测真实成功率、动作平滑、碰撞与 inference latency。

适合谁关注

适合 VLA、机器人端侧推理、动作 Tokenizer 和动作块执行机制。不要在未对比真实闭环控制前，因“Token 不是连续实数”就淘汰离散动作路线。

来源： 原论文 · 作者项目页。

8. Doc2Harness：让 Coding Agent 编写 Harness 本身，最佳受测模型也只过约一半测试

最新批次：v1 于 2026-10-14 15:24 UTC 提交。

为什么重要

Coding Agent 的能力通常以“在固定 Harness 上修复一个仓库 Bug”评测，但工具调用协议、会话状态、终端执行、文件权限、错误处理和多模块边界是由 Harness 决定的。会写业务代码，并不等于会搭建可靠的 Agent 执行环境。

Doc2Harness 专门评估模型是否能够从接口骨架和开发文档出发，构造可运行的长任务 Harness，并对其进行独立行为测试。

评测设计与结果

阶段一：Build Model 在隔离容器里接收接口契约骨架，以及整合十二种前沿 Harness 行为的开发文档，生成一份 Harness 实现。阶段二：将实现冻结，在另外的干净容器里由 Scripted Mock Model 驱动执行。结果通过四个独立通道判断：对模型发出的请求、磁盘文件状态、进程退出码和命令输出；还使用 Positive Control 防止“什么都不执行也能通过”。

研究覆盖 328 个用例、19 种模型、每种模型 3 次独立构建。作者报告受测 GPT-6 Astra 最高 53.05%，最弱模型 27.44%。这些是论文提出的 Harness 工程基准结果，不是所有 SWE-bench 或业务项目的普遍成功率。

工程价值、权限和可验证性风险

失败集中在功能如何跨模块正确分配。对于自研 Coding Agent，最有价值的不是模仿更复杂的记录体系，而是抽取少数可执行的模块契约：工具调用有明确 Schema，进程执行有退出码，文件修改可在隔离目录观察，测试者不与被测运行时共享可变状态。测试 Harness 必须冻结并放在独立容器执行，避免由编码者自己决定什么叫成功。

可复现性与适用场景

目前论文给出确定性评测方法，未核实完整公开仓库。可从一个最小 Shell/File/Git Harness 开始，自建 Mock Model 测试工具参数校验、错误恢复、重复调用、目录隔离和超时行为，再考虑复杂多 Agent。

适合谁关注： Codex/Claude Code Harness、自研 Agent、持续自动编程平台与工具安全治理。

来源： 原论文。

AI Coding 实战技巧精选

技巧 1｜在 PR 上开启 GitHub AI Scan，但不要误以为它会阻止合并

来源：GitHub，2026-10-15；AI Scan for pull requests GA。
一句话结论：在启用 Code Scanning 的仓库检查 AI Scan 是否生效，让 PHP、Bash、Terraform HCL、Dockerfile、JSP、Blazor 等 CodeQL 不一定覆盖的改动得到额外建议。
具体怎么做：① 在仓库 Code Security / Code Scanning 设置中确认 Effective AI Scan 已启用；② 提交一份无害测试 PR，查看 Conversation / Files Changed 中是否出现带 AI 标识的扫描结果；③ 把结果作为 Review 输入，并为需要阻断合并的风险另设确定性 CI 或规则；④ 为 Code Security AI Credits 设置预算并检查费用归属。
适合什么场景：自动 PR、DevOps 代码、Copilot / Codex 生成 Shell 和部署配置的仓库。
注意：AI Scan 仅给建议，不会自动使代码扫描检查失败或阻止合并；不扫描 Fork PR 和 Dependabot PR。公开仓库及符合条件的私有组织仓库有不同许可要求。

技巧 2｜让 CodeQL 告警通过 Agentic Autofix 开草稿 PR，再独立审查

来源：GitHub，2026-10-15；Agentic autofix GA。
一句话结论：可将 Default Branch 上的 Code Scanning Alert 分配给 Copilot，允许其读相关文件、修改代码、重跑 CodeQL，并提交 Draft PR 供审查。
具体怎么做：① Enterprise Admin 在 Advanced Security Policies 开启 Agentic Autofix，组织/仓库再按需启用；② 从 Default Branch 的 Code Scanning Alert 点击 Assign to Copilot，或在告警列表一次选择至多 25 个；③ 若走 REST API，更新告警时指定 assignees 为 copilot-swe-agent[bot]；④ 复核草稿 PR 的 CodeQL 结果、功能回归、权限变化及最终 Diff。
适合什么场景：GitHub Enterprise Cloud、CodeQL 安全债治理、长时 Coding Agent 自动修复。
注意：需要适用的 Code Security/Advanced Security 许可和 Copilot 计费方式，消耗 Code Security AI Credits 和 Actions 分钟；仅 PR 分支独有的告警不能直接这样指派。

技巧 3｜下载 Code Quality 提交者 CSV，核对自动化团队许可证消耗

来源：GitHub，2026-10-15；Code Quality License CSV。
一句话结论：Code Quality 许可按活跃 Committer 维度计量时，不应仅凭仓库数估费用；可以下载 CSV 查看过去 90 天提交者覆盖哪些仓库。
具体怎么做：① 在组织/企业 Billing and licensing → Licensing 中找到 Code Quality Card 并下载 CSV；② 将活跃提交者与内部 CI/Agent 机器人身份和仓库列表核对；③ 检查是否存在只为少量试验仓库占用独立许可证的提交者；④ 在调整下一计费周期配置前对照现有 Code Quality 覆盖要求进行批准。
适合什么场景：大型组织、Agent 机器人提交、按仓库或组织分配 Code Quality 的费用治理。
注意：此 CSV 可用在 GitHub Team 和 Enterprise Cloud；调整未来许可证计数不会追溯改变本期已产生的收费。

经典论文回顾

FastSLAM：把机器人整条路径的不确定性与各地标估计拆开（AAAI 2002）

发表时间与历史位置。 Michael Montemerlo、Sebastian Thrun、Daphne Koller、Ben Wegbreit 的 FastSLAM: A Factored Solution to the Simultaneous Localization and Mapping Problem 发表于 AAAI 2002，是 Rao-Blackwellized Particle Filter 在 SLAM 中的经典代表，给后来 GMapping 以及多假设地图估计带来深远影响。

核心问题。 传统 EKF-SLAM 联合维护机器人与全部地标的协方差，随着地图规模增大，更新和数据关联的代价持续上涨。定位轨迹存在多个合理解释时，单峰高斯也难以稳定表达歧义。

关键数学思想。 利用给定完整机器人运动路径后，各个地标测量条件独立的结构，将联合后验分解为 机器人路径后验 × 每个地标相对于该路径的条件后验：

p(x₀:ₜ,m

z₁:ₜ,u₁:ₜ) = p(x₀:ₜ

z₁:ₜ,u₁:ₜ) × ∏ᵢ p(mᵢ

x₀:ₜ,z₁:ₜ)。

每个粒子代表一种可能的机器人路径，并各自持有地标 EKF。粒子滤波承担多峰的路径不确定性，条件地标滤波承担地图估计；利用高效索引后，单次观测对地标数量的依赖可降低到对数级。作者曾在多达 50,000 地标的实验规模上展示方法。

传感器和动力学假设。 FastSLAM 依赖运动模型、地标观测模型与匹配；粒子数量不足会造成粒子贫化，错误数据关联与单个粒子内部线性化误差仍能导致偏置。对没有清晰可重复地标的大规模 LiDAR 环境，直接复制最初方法未必合适。

当年为何重要。 它把“大型地图效率”和“多假设机器人路径”从单一大协方差更新中拆开，使机器人能够在高不确定性位置上同时考虑多个候选世界解释。

今天仍在用什么。 Rao-Blackwellization、分布式条件后验、多个候选轨迹/地图的管理，以及根据观测信息结构重新拆分计算，仍在 SLAM、跟踪和机器人推断中反复出现。今天的 Tiered Mapping 是空间精度预算的拆分；退化可证实配准是优化可靠性的拆分；它们都体现出“不是所有不确定性和计算都该塞进同一个矩阵”的系统思想。

哪些部分已被后续替代。 对高精度稀疏/稠密三维地图，现代滑窗优化、因子图、增量平滑、回环与 VIO/LIO 通常更适合；初版 FastSLAM 的线性化、采样开销、长期粒子退化不意味着它必然优于现代求解器。2003 年 FastSLAM 2.0 又修正了部分原方法不足。

公开材料与复现。 可直接阅读 AAAI 原论文与 CMU 2003 扩展论述。历史代码可参考 OpenSLAM GMapping；它不是原 FastSLAM 2002 完整复现。最简单的教学实验是在二维地标地图中固定相同观测，比较 EKF-SLAM、FastSLAM 的不同粒子数、不同数据关联噪声与多峰路径保持能力。

对当前工程项目的重新解读。 长走廊 LIO 的失败有时不是“优化器不够快”，而是存在多个几何上难区分的假设。先保存退化自由度与多假设信息，再决定是否借助转弯、视觉、UWB 或另一传感器消除歧义，比让单一 Pose 无限增加置信度更可靠。

今日结论

今日研究共同指向把可靠性建立在有区分度的中间状态之上，而不是仅以最终输出看起来正常为准。

状态估计方面，退化配准需要知道哪些自由度不可观；分级体素地图需要知道哪一片区域值得消耗精度；cuVSLAM 则需要知道当前该相信视觉还是 IMU。三者都没有要求把系统全部换成更大的模型。

控制方面，DD-GBP 不允许多机械臂各自独立相信过时的轨迹；VIGOR-MPC 将困难的长时域决策提前压缩为短时域 Cost 调节；Safety Critic 将“过几步会跌倒”作为新观测；离散动作实验则反对把连续向量当成唯一合理控制表征。

Doc2Harness 的结论与这些物理系统同构：不能只根据一个 Coding Agent 最终把任务“做成了”就认定其执行基础设施可靠。工具 Schema、隔离执行、明确的失败出口和独立观察渠道，才是长期运行的基线。

GitHub 的三项新功能给了实用的落点：给 PR 补充 AI Scan，但别把建议误当阻断；让 Agentic Autofix 修告警，但必须复核 Draft PR；理解许可证统计，避免机器人提交账号导致不可见的组织成本。

一句话：好的智能系统不仅能输出动作或补丁，还知道哪些观察值得相信、哪些计划仍可执行、哪个检查真正具有独立性。

最值得深入研究或尝试复现的方向

长走廊可观测性审计：在同一 LiDAR/VIO Bag 上记录 Hessian 最小非零特征值、空空间方向、回环残差和重定位多假设，避免单个 Pose 过度自信。
Plan-Aware Map A/B：固定机器人路径和数据，比较全细体素、全粗体素与路线附近细分辨率的 CPU、RAM、单位路径成本和改路时延。
VIO 两档信任策略：先做特征质量 Shadow Monitor，再对比固定权重、规则滞回和 10 维小 MLP 的估计效果。
双臂 DD-GBP 故障注入：模拟 90% 丢包、消息延迟与动态障碍，检验旧计划过期、通信重连和 P95 规划时延。
VIGOR-MPC 短时域教师蒸馏：固定低层 MPC，A/B 比较手工 Cost、视觉映射 Cost 与高算力教师的视野保留和赛道时间。
Quadruped 安全预测侧路：训练未来 N 步 Failure Critic，先只记录风险与实际失稳的相关性，再接速度级 Shield。
离散 VLA 动作评估：在同一动作数据上比较不同分桶数量与连续/离散 Flow，额外统计 Action Chunk 边界抖动和控制延迟。
Harness 自测基础设施：隔离 Builder 和 Evaluator，用独立 Mock Model 驱动 tool-call/schema/exit-code/file-diff 回归，避免 Agent 自己宣布验收通过。
Github PR 安全层：AI Scan 作为建议、CodeQL 作为独立分析、Agentic Autofix 只创建草稿修复，并核验 Code Quality 许可与预算。

参考资料

SLAM / 多传感器： 退化可观测配准 · Tiered Volumetric Mapping · cuVSLAM Smart Fusion。

规划与控制： DD-GBP · VIGOR-MPC · Receding-Horizon Safety Critic · Discrete Continuous Controllers。

AI Coding / 开发者工具： Doc2Harness · PR AI Scan GA · Agentic Autofix GA · Code Quality License CSV。

经典回顾： FastSLAM AAAI 2002 · CMU 扩展论文。