> ## Documentation Index > Fetch the complete documentation index at: https://kensou.mintlify.site/llms.txt > Use this file to discover all available pages before exploring further. # Pnp a certifiable solver for perspective n point dissection [//]: # "" # PnP\*：可认证的 Perspective-n-Point 求解器 (PnP\*: A certifiable solver for Perspective-n-Point) > **发布时间**：2026-10-22 (arXiv v1) > **论文 / 模型名**：PnP\* (Perspective-n-Point Star) > **核心定位**：首个直接优化 PnP 真实 MLE 目标、并在中等噪声下可证明精确（certifiable）的可扩展求解器；比 BnB 快 3–8×，N=6 时 >10 Hz 返回带证书的全局最优姿态。 现有 PnP 方法要么解最小问题（P3P 等，无法平均噪声），要么把 MLE 目标替换成更易解的"替代误差"（EPnP / SQPnP / Alternative 等），要么用 branch-and-bound 直接优化 MLE 但最坏情况指数爆炸。PnP\* 用 Shor 半正定松弛 + chordal 稀疏 + 商环约简，首次把"直接优化 MLE 的可认证全局求解器"做到多项式时间、N=6 下 74 ms 的平均求解速度。 *** ## 🩻 X-Ray 开场 PnP\* 解决的是"如何在不换目标函数的前提下，对 N 个 3D-2D 对应给出一个**可证明的全局最优相机姿态**"。它把 PnP 的 MLE 先重构成一个带辅助变量与冗余约束的二次约束二次规划（QCQP），再对提升后的变量做 Shor SDP 松弛；随后证明该松弛在中等噪声下是精确的（stability guarantee），并用 chordal 星形稀疏 + 商环约简把每个 37×37 半正定块压到 34×34，使问题在点数 N 上线性可扩展。对空间智能研究者而言，这意味着 PnP 第一次拥有了类似 rotation averaging / pose graph optimization 那样"局部求解器 + 全局证书"的闭环：你可以用 PnP\* 给 EPnP+LM 的结果发证书，也可以把它当作可认证的全局回退。 *** ## 📍 研究全景时间线 ``` 2003 ── P3P (Gao) ────────────────────────── 最小求解器，配 RANSAC 当 hypothesis generator 2006 ── BnB (Olsson) ─────────────────────── 直接优化 MLE，但最坏情况指数时间 2008/09 ─ L∞ (Enqvist-Kahl / Hartley-Kahl) ─ 改目标换速度 2009 ── EPnP (Lepetit) ───────────────────── 非最小，优化加权重投影误差（替代误差） 2011 ── Kneip 最小求解器 / Hesch-Roumeliotis 点-线误差 2013 ── Zheng et al. ─────────────────────── Gröbner 基求替代误差临界点 2017/18 ─ Tron / Briales ─────────────────── 旋转约束的 20 条二次约束形式 2020 ── SQPnP (Terzakis-Lourakis) / Alternative (Sun-Deng) ─ 替代误差的可认证/全局求解 2021 ── Cifuentes ────────────────────────── 相机标定的稳定 SDP 松弛（但不含旋转约束） 2022 ── Cifuentes et al. ─────────────────── SDP 稳定性判据（本文直接复用） 2023 ── Agostinho et al. / Ding et al. ───── 替代误差可认证求解器 / 最小求解器 2026 ── Wise et al. 手眼标定；Zhao et al. 综述 2026 ── PnP*（本文）────────────────────── 首个可扩展、直接优化 MLE 的可认证求解器 │ └─ 局限：无外点鲁棒性；需 N≥6 且非退化；依赖商业 SDP 求解器 ``` PnP\* 的位置：它填补了"直接优化 MLE"与"可扩展可认证"之间的空白。此前 Cifuentes (2021) 给出了相机标定的稳定松弛但**不含旋转约束**且明确把可扩展求解器留作 open problem；PnP\* 加上旋转约束后重新验证稳定性（因为可行集变了，稳定性不再自动继承），并用 chordal + 商环把 Cifuentes 的开放问题在 PnP 这个特例上解决了。 *** ## 1 · 核心架构 / 方法总览 ### 1.1 系统/组件对比表 | 模块 | 输入 | 输出 | 训练/推理差异 | 关键约束 | | - | - | - | - | - | | 原始 MLE (Problem 1) | 3D 点 $\{p_i\}$、2D 测量 $\{\theta_i\}$、内参 $K$ | $(R,t)\in SO(3)\times\mathbb{R}^3$ | 无训练；纯优化 | 非凸（投影是 rational，可行集非凸） | | Naive QCQP (Problem 2) | 同上 + 辅助变量 $v\in\mathbb{R}^{2N}$ | $w=(h,z,v)\in\mathbb{R}^{13+2N}$ | 无 | Shor 松弛**非信息性**（目标恒为 0） | | Lifted QCQP (Problem 3) | 引入 $y=v\otimes z$ | $x=(h,z,y)\in\mathbb{R}^{13+24N}$ | 无 | 提升基 + 冗余约束；每点子变量 $x^{(i)}\in\mathbb{R}^{37}$ | | SDP (Shor) | Problem 3 的 $X=xx^\top$ 松弛 | $X\in\mathbb{S}_+^{13+24N}$ | 无 | 中等噪声下精确（Thm 3） | | Chordal-SDP | 星形依赖图 | $N$ 个 $X^{(i)}\in\mathbb{S}^{37}$ | 无 | 用 Grone 定理保证可 PSD 完成 | | Reduced-SDP | 商环 $\mathbb{R}[x^{(i)}]/\mathcal{I}_i$ 约简 | $N$ 个 $\check X^{(i)}\in\mathbb{S}^{34}$ | 无 | 每块去 3 维 | | PnP\* 提取 | Reduced-SDP 的 hub 块 $\check X^{(1)}_{\mathbf{hh}}$ | 认证姿态或 LM 回退 | 无 | rank-1 + 正深度检查 | ### 1.2 关键机制 **⚡ Eureka Moment：把 MLE 的 rational 投影通过辅助变量 $v$ 和提升变量 $y=v\otimes z$ 变成 QCQP，并选择一组"恰好保留星形稀疏"的冗余约束——这个选择让 Shor 松弛既可证明精确（稳定性）又可线性扩展（chordal + 商环）。** 拆开看三层洞见： 1. **为什么 naive QCQP 不行**：模型约束 $m_{\theta,i}(z,v)=0$ 是 $v$ 与 $z$ 的双线性项，目标只含 $\|v\|^2$。Shor 松弛把 $vv^\top$ 和 $vz^\top$ 当成独立变量，于是可以把它们解耦并令目标为 0——无论 $\theta$ 是什么（论文 Proposition 4 构造了 $W^*=\mathrm{diag}(1,\frac13 I_{12},0)$ 显式证明）。 2. **提升的代价与收益**：把 $y_i=v_i\otimes z$ 显式作为变量后，模型约束变成**线性**（在 $x^{(i)}$ 中），乘上基向量得到二次冗余约束；提升后的基是 $[1,z,v\otimes z]$，变量 $x\in\mathbb{R}^{13+24N}$。代价是变量维度从 $13+2N$ 涨到 $13+24N$，收益是松弛变得**信息性**。 3. **稀疏性的刻意保留**：冗余约束只取"第 $i$ 个点自己的单式"，于是每条约约束只涉及 $x^{(i)}=(h,z,y_i)$，变量依赖图是 hub=$(h,z)$、spoke=$y_i$ 的**星图**——chordal，最大团是 37 维，可以分解成 $N$ 个小 SDP。 ### 1.3 信息流 ASCII 图 ``` 3D-2D correspondences {p_i}, {θ_i}, K │ ▼ Problem 1: min Σ ||θ_i − π_i(z)||² s.t. R∈SO(3) ← 非凸 MLE │ 引入 v_i = θ_i − π_i(z) ▼ Problem 2: min ||v||² s.t. m_{θ,i}(z,v)=0, r_j(h,z)=0, h²=1 │ Shor 松弛 → 非信息性（目标恒 0） │ 提升基: [1,z,v] → [1,z,v⊗z]，令 y=v⊗z ▼ Problem 3: min ||y||² s.t. g_{θ,i}(x)(x^{(i)})^T=0, r_j=0, ||z||²=1, u_i u_i^T ∈ BS¹²₃₆ │ Shor 松弛 ▼ (SDP): X ∈ S_+^{13+24N}，Thm 3：中等噪声下稳定/精确 │ 星形 chordal 分解（Grone 定理） ▼ (Chordal-SDP): N 个 X^{(i)} ∈ S_+^{37}，共享 hub 块 │ 商环约简：Q_i ∈ R^{3×37}, x^{(i)}=Ξ_i x̌^{(i)} ▼ (Reduced-SDP): N 个 X̌^{(i)} ∈ S_+^{34} │ 提取 hub 块 X̌^{(1)}_{hh}（13×13）的最大特征向量 (h,z) ▼ z* = z/h → (R*,t*)；若 rank-1 且所有 e₃ᵀP_i z* ≠ 0 → 认证全局最优 │ 否则：投影 R* 到 SO(3)，LM 局部精修（失去证书） ▼ 输出 (R,t) 或 NaN ``` *** ## 2 · 数学核心 📌 **Napkin Formula**： > PnP 的 MLE 可提升为带星形 chordal 结构的 QCQP；其 Shor SDP 松弛在中等噪声下**精确**（$p^*_{\text{SDP}}=p^*_{\text{MLE}}$ 且唯一 rank-1），而商环约简把每个 37 维块压到 34 维。 **目标**：直接最小化真实 MLE 目标，而非替代误差。 **公式**： $$ \min_{z=(\mathrm{vec}(R),t)\in\mathbb{R}^{12}} \sum_{i=1}^{N}\|\theta_i-\pi_i(z)\|^2 \quad \text{s.t. } R\in SO(3) \tag{Problem 1} $$ 其中 $$ \pi_i(z)=\frac{[I_2\ 0]KP_i z}{e_3^\top P_i z},\qquad P_i=(p_i,1)^\top\otimes I_3\in\mathbb{R}^{3\times 12}. $$ 提升后： $$ \min_{x=(h,z,y)} \|y\|^2 \quad \text{s.t. } g_{\theta,i}(x)(x^{(i)})^\top=0,\ r_j(h,z)=0,\ \|z\|^2=1,\ u_iu_i^\top\in\mathcal{BS}^{36}_{12} \tag{Problem 3} $$ 其中 $y_i=v_i\otimes z$，$x^{(i)}=(h,z,y_i)\in\mathbb{R}^{37}$， $$ g_{\theta,i}(x)=\theta_i(e_3^\top P_i z)-[I_2\ 0]KP_i z-(I_2\otimes(e_3^\top P_i))y_i. $$ **变量说明**： | 符号 | 维度 | 含义 | | - | - | - | | $z=(\mathrm{vec}(R),t)$ | 12 | 向量化相机姿态 | | $v_i=\theta_i-\pi_i(z)$ | 2 | 第 $i$ 个点的重投影残差 | | $h$ | 1 | 齐次变量（$h^2=1$，后改为 $\|z\|^2=1$） | | $y_i=v_i\otimes z$ | 24 | 提升变量 | | $x^{(i)}=(h,z,y_i)$ | 37 | 每个点的团变量 | | $X^{(i)}$ | $\mathbb{S}^{37}$ | Chordal 分解后的半正定块 | | $\check X^{(i)}$ | $\mathbb{S}^{34}$ | 商环约简后的块 | **直觉**：MLE 的难点是"投影是 rational，旋转约束非凸"。PnP\* 用 $v$ 吸收 rational，用 20 条二次约束刻画 $SO(3)$，再用 $y=v\otimes z$ 把双线性约束线性化。关键在于：提升基要选得**刚好**让冗余约束保留星形稀疏——选大了 SDP 爆炸，选小了松弛非信息性。 *** ## 3 · 带数字走一遍（玩具设定） **设定**：$N=6$（论文实验的最小配置），$K=\begin{pmatrix}800&0&320\\0&800&240\\0&0&1\end{pmatrix}$，图像 $640\times480$，深度在 $[5,35]$ 采样。以下数字是玩具演示，不来自论文实验。 **Step 1 · 维度计数** * 全 SDP：$x\in\mathbb{R}^{13+24\cdot6}=\mathbb{R}^{157}$，对称矩阵上三角变量数 $\binom{157+1}{2}=12403$。 * Chordal-SDP：6 个 $37\times37$ 块，每块 $\binom{37+1}{2}=703$，共 $6\times703=4218$。 * Reduced-SDP：6 个 $34\times34$ 块，每块 $\binom{34+1}{2}=595$，共 $6\times595=3570$。 * 约简幅度：$(4218-3570)/4218\approx15.4\%$，与论文"12%–18% faster"方向一致。 **Step 2 · naive 松弛的零目标构造（Proposition 4）** 取 $W^*=\begin{pmatrix}1&0&0\\0&\frac13 I_{12}&0\\0&0&0\end{pmatrix}\in\mathbb{S}_+^{13+2N}$。检查： * $W^*_{hh}=1$ ✓（齐次约束） * $W^*_{zz}=\frac13 I_{12}$，旋转列迹和 $=3\times\frac13=1$ ✓ * $W^*_{vv}=0$，目标 $=0$ ✓ * 模型约束只涉及 $W_{hz}$ 和 $W_{vz}$，在 $W^*$ 中均为 0 ✓ 结论：naive Shor 松弛对任意 $\theta$ 都能取到 0，**与测量无关**——这就是"非信息性"的具体含义。 **Step 3 · hub 块 rank-1 提取（玩具）** 假设 Reduced-SDP 解出 hub 块 $$ \check X^{(1)}_{\mathbf{hh}} = \begin{pmatrix}h\\ z\end{pmatrix}\begin{pmatrix}h\\ z\end{pmatrix}^\top,\quad h=0.1,\ z=(0.3,\,-0.2,\,0.4,\ 0.1,\,0.05,\,-0.08,\dots)^\top $$ （这里省略 $z$ 的后 12 维）。取最大特征向量，得 $z^*=z/h=(3,-2,4,1,0.5,-0.8,\dots)$，拆出 $\mathrm{vec}(R^*)$ 和 $t^*$。若 $\check X^{(1)}_{\mathbf{hh}}$ 秩 1 且所有 $e_3^\top P_i z^*\neq0$，则 $(R^*,t^*)$ 是 Problem 1 的认证全局最小。否则将 $R^*$ 投影到 $SO(3)$，以 $(R^*,t^*)$ 为初值跑 LM。 **注意**：玩具数字只用于演示流程，不代表真实求解结果。 *** ## 4 · 工程视角 | 项目 | 论文报告值 | 备注 | | - | - | - | | SDP 求解器 | MOSEK ApS (2025) | 商用求解器 | | 硬件 | M4 MacBook Air, 16GB RAM | CPU only | | Monte Carlo 次数 | 40 | 所有实验 | | 秩判定阈值 | 特征值 $>10^{-5}$ | | | $N=6$ 平均求解时间 | **74 ms** | (Reduced-SDP) | | 认证解频率 | **>10 Hz** | $N=6$ | | vs 局部非最小求解器 | **慢约 3 个数量级** | EPnP / SQPnP + LM | | vs BnB（$N=6$ 噪声扫描） | **快 3×–13×** | | | vs BnB（点数扫描） | **快 3×–8×** | | | Chordal-SDP vs SDP | $N=10$ 快 **6×**，$N=50$ 快 **约 65×** | | | Reduced-SDP vs Chordal-SDP | 快 **12%–18%** | | | GPU / VRAM | **论文未报告** | 纯 CPU 实验 | | 嵌入式部署（Jetson 等） | **论文未报告** | | | 内存峰值 | **论文未报告** | | | SDP 构建 vs 求解时间拆分 | **论文未报告** | | **Trade-off 解读**： * **精度换速度**：PnP\* 比 EPnP/SQPnP+LM 慢约 3 个数量级，定位不是实时前端，而是"给局部解发证书"或"离线/回退全局解"。 * **多项式 vs 指数**：BnB 直接优化 MLE 但最坏情况指数；PnP\* 多项式时间，实测快 3–8×。但 BnB 需要平移的先验界来保证搜索空间紧致（论文明确说明），PnP\* 不需要。 * **chordal 是主要的规模化杠杆**：$N=10$ 时 6×、$N=50$ 时约 65×，说明全 SDP 在大 N 下不可用；商环约简是"锦上添花"（12%–18%）。 * **部署约束**：依赖 MOSEK（商用），没有开源/嵌入式 SDP 求解器的实验；若要上机器人/AR 设备，需换求解器或做定点化，这部分论文未涉及。 *** ## 5 · 数据与评测 **数据组成**：**全部为合成数据**，论文未使用任何真实数据集（无 KITTI / N3V / Technicolor 等）。 * 随机旋转；随机平移，范数 $\le 5$。 * 内参 $K=\begin{pmatrix}800&0&320\\0&800&240\\0&0&1\end{pmatrix}$。 * 2D 测量在 $640\times480$ 图像上均匀采样，反投影深度在 $[5,35]$ 均匀采样。 * 2D 测量加高斯噪声 $\mathcal{N}(0,\sigma^2 I_2)$，$\sigma$ 以像素为单位。 **评测设置**： | 实验 | 设置 | | - | - | | 稳定性（§7.1） | $N=6$；噪声扫描 $\sigma$；40 次 Monte Carlo | | 可扩展性（§7.2） | $\sigma=10$ 像素；点数扫描 $N$；40 次 Monte Carlo | **对比方法**： * P3P (Gao et al., 2003)：枚举所有 3 点组合，取全对应重投影误差最小者。 * EPnP (Lepetit et al., 2009)、SQPnP (Terzakis and Lourakis, 2020)：各带/不带 LM 精修。 * Alternative (Sun and Deng, 2020)：加权重投影误差的可认证求解器（**不是 MLE**）。 * BnB (Olsson et al., 2006)：相对次优容差 $\varepsilon=10^{-4}$；需要平移先验界，上界由 $(\breve R,\breve t)=(I_3,(0,0,1+\max_i\|p_i\|))$ 构造，下界假设参考点深度至少为 1。 **报告指标**：MLE 目标值、rank-1 率、相对次优界 $(\bar p-p^*_{\text{SDP}})/p^*_{\text{SDP}}$、旋转误差（度）、平移误差（米）、求解时间。 **关键数字（逐字）**： * 松弛在 $\sigma$ **up to 10 pixels** 时所有运行精确。 * rank-1 率：$N=4$ 时 **39 of 40**，$N=5$ 时 **37 of 40**，$N\ge6$ 时 **all 40 runs**。 * $N=3$ 时松弛**tight 但不 exact**（P3P 可有至多 4 个解）。 * $N=6$ 时 (Reduced-SDP) **74 ms** 平均。 * PnP\* 比 BnB 快 **3× to 13×**（§7.1）/ **3× to 8×**（§7.2）。 * Chordal-SDP 在 $N=10$ 快 **6×**，$N=50$ 快 **约 65×**。 * Reduced-SDP 比 Chordal-SDP 快 **12%–18%**。 *** ## 6 · 能力与失败模式 ### 能做 * **可认证全局最优**：rank-1 + 正深度检查通过时，返回的姿态是 MLE 的全局最小，且证书可验证（Proposition 3 不依赖 $\theta$ 在 $\bar\theta$ 邻域，只依赖解本身）。 * **中等噪声下精确**：$\sigma$ 到 10 像素，$N=6$ 所有 40 次运行精确（Theorem 3 + 实验）。 * **点数线性可扩展**：chordal + 商环后，单次求解在 $N$ 上多项式；$N=6$ 时 74 ms。 * **给局部求解器发证书**：即使你本来就用 EPnP+LM，也可以用 PnP\* 的 SDP 下界验证局部解是否全局最优。 * **不需要平移先验界**：与 BnB 不同，PnP\* 不要求平移的先验上下界。 ### 不能做 * **外点**：MLE 是 L2 损失，没有鲁棒核；论文在结论中明确把 outlier robustness 列为未来工作。真实数据必须先用 RANSAC 等外点剔除，但 RANSAC + PnP\* 的组合延迟论文未报告。 * **$N<6$ 的一般情形**：Assumption 1 要求 $N\ge6$；$N=3$ 时松弛 tight 但不 exact（多解），$N=4/5$ 时部分运行失败（39/40、37/40）。 * **退化配置**：Assumption 1 排除 camera resectioning 的临界集（Hartley-Zisserman Result 22.5/22.6）。 * **负深度 / 点在相机后方**：Proposition 3 要求所有 $e_3^\top P_i z\neq0$；$z$ 在相机后方时提取失败。 * **未知内参**：$K$ 必须已知且固定，论文不处理自标定。 * **无 LM 回退时的保证**：当 rank-1 或正深度检查失败时，算法回退到 LM，此时**不再有证书**，只是一个局部解。 * **商业 SDP 求解器依赖**：实验全部用 MOSEK；嵌入式/开源替代未评估。 ### 隐含假设 (Hidden Assumptions) 1. **针孔模型 + 已知内参 + 无畸变**：投影 $\pi_i$ 是理想针孔；鱼眼/畸变模型未涉及。 2. **加性高斯噪声**：MLE 的 L2 目标隐含高斯噪声；非高斯/重尾噪声下"全局最优"不再是统计意义上的最优。 3. **静态场景、单帧**：每帧独立求解，无时序先验。 4. **$N\ge6$ 且非退化**：少于 6 点或临界配置时，唯一性不成立，松弛可能不精确。 5. **点在相机前方**：正深度是提取姿态的前提。 6. **精确 SDP 求解器可得**：MOSEK 的数值精度和许可证是隐含的工程前提。 7. **rank 阈值为 $10^{-5}$**：秩判定是数值的，接近阈值的病态实例可能误判。 *** ## 7 · 与相关工作对比 | 方法 | 目标 | 用全部点 | 全局最优 | 复杂度 | 需要初值 | 需要平移界 | | - | - | - | - | - | - | - | | P3P (Gao 2003) | MLE（最小集） | ✗ | ✗ | closed form | ✗ | ✗ | | EPnP (Lepetit 2009) | 替代加权误差 | ✓ | ✗ | linear | ✗ | ✗ | | SQPnP (Terzakis 2020) | 替代加权误差 | ✓ | ✗（局部） | SQP | ✓ | ✗ | | Alternative (Sun-Deng 2020) | 替代加权误差 | ✓ | ✓（对该误差） | polynomial | ✗ | ✗ | | BnB (Olsson 2006) | MLE | ✓ | ✓ | 最坏指数 | ✗ | ✓ | | Cifuentes (2021) | MLE（相机标定，无旋转约束） | ✓ | ✓ | polynomial（未做可扩展求解） | ✗ | ✗ | | **PnP*（本文）*\* | **MLE** | **✓** | **✓** | **polynomial** | **✗** | **✗** | **关键差异**： * 与 EPnP/SQPnP/Alternative 比：它们优化的是**替代误差**，PnP\* 优化真实 MLE；实验显示 SQPnP 与 Alternative 结果重合（因为同一加权误差），而 PnP\* 的 MLE 目标更低、姿态误差更小。 * 与 BnB 比：PnP\* 多项式时间，实测快 3–8×；BnB 需要平移先验界，PnP\* 不需要。 * 与 Cifuentes (2021) 比：PnP\* 加了旋转约束（可行集变了，稳定性需重新证明），并首次给出可扩展求解器（chordal + 商环）。 **面试 Tip**：被问到"PnP\* 和 EPnP/SQPnP 怎么选？"——答："EPnP/SQPnP 是实时前端，毫秒级但只对替代误差最优；PnP\* 是慢约 3 个数量级的全局证书，$N=6$ 时 74 ms。工程上可以 EPnP+LM 出初值，PnP\* 离线/低频验证是否全局最优；或者在外点剔除后、对精度敏感的场景用 PnP\* 直接求全局解。" *** ## 8 · GitHub-validated pitfalls (atlas 联动, 2026-10-26) 论文在脚注 7 给出实现链接 `https://github.com/doggydoggy0101/pnp-star`。但论文发表于 2026-10-22（距本文档 4 天），属于 early-release，**无可验证的社区 issue 流**；以下 pitfall 由 §6 失败模式 + 方法约束推导，**未经 issue 验证**，不编造任何 issue 编号 / commit hash / 引文。 ### Pitfall 1 · SDP 求解器依赖导致嵌入式部署失败 * **机制**：PnP\* 的每一步都调用 MOSEK 求解 (Reduced-SDP)。MOSEK 是商用求解器，嵌入式/机器人平台（Jetson、ARM）上通常不可用或无许可证。 * **推导链**：§6 "不能做"第 7 条（商业 SDP 求解器依赖）→ §4 "嵌入式部署论文未报告" → 在 ARM 上直接复现会卡在 MOSEK 安装/许可证。 * **缓解**：换用 SCS / SDPA / Clarabel 等开源 SDP 求解器，但收敛速度和数值精度需重测（论文未报告）。 ### Pitfall 2 · RANSAC 外点场景下证书失效 * **机制**：PnP\* 最小化 L2 MLE，无鲁棒核；外点会污染 $\theta_i$，使 Shor 松弛不再精确（稳定性只在 $\bar\theta$ 邻域成立），rank-1 检查失败后回退 LM，证书丢失。 * **推导链**：§6 "不能做"第 1 条（外点）+ 结论中 "incorporating outlier robustness" 列为未来工作 → 真实数据必须先 RANSAC，但 RANSAC + PnP\* 的延迟论文未报告。 * **缓解**：RANSAC 内点集 + PnP\* 验证；或对残差做鲁棒加权后重解（论文未评估）。 ### Pitfall 3 · $N<6$ 或临界配置下 rank-1 检查失败 * **机制**：Assumption 1 要求 $N\ge6$ 且世界点 + 相机中心不在 camera resectioning 临界集。$N=3$ 时松弛 tight 但不 exact（多解，P3P 至多 4 解），$N=4/5$ 时部分运行 rank>1，算法回退 LM。 * **推导链**：§6 "不能做"第 2/3 条（$N<6$、退化配置）+ §5 实验 "39 of 40 at N=4, 37 of 40 at N=5" → 小 N 场景（如 3-4 点的实时应用）得不到认证解。 * **缓解**：$N\ge6$ 时再用 PnP\*；小 N 用 P3P+RANSAC 或 EPnP。 ### Pitfall 4 · 负深度 / 点在相机后方导致提取失败 * **机制**：Proposition 3 要求 $e_3^\top P_i z\neq0$（正深度）。若部分点在世界坐标系中位于相机后方，或数值上深度接近 0，提取 $z^*=z/h$ 后检查失败，回退 LM。 * **推导链**：§6 "不能做"第 4 条（负深度）+ Proposition 3 的显式条件 → 环视/鱼眼/大视场配置下容易触发。 * **缓解**：先做视锥剔除，确保所有点在前方；或改用不假设正深度的投影模型（论文未涉及）。 *** [← Back to module README](./README.md) > **Status**：v0.1 · 基于 arXiv 全文 · 未在真机复现的数字标 `UNVERIFIED` [//]: # "" This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.