Description：LONER 论文笔记 (读 arXiv 全文后所写) — 首个实时 LiDAR-only 神经隐式 SLAM，ICP 跟踪 + MLP 隐式地图，提出 Jensen-Shannon 动态边距损失防遗忘
Paper：Isaacson, S., Kung, P.-C., Ramanagopal, M., Vasudevan, R., & Skinner, K. A. (2023). LONER: LiDAR Only Neural Representations for Real-Time SLAM. IEEE RA-L 2023. arXiv:2309.04937
K2E-B ID：[K2E-B-G5-10]
Max3 PDF：[K2E] SLAM/[K2E-B-G] Geometry & Rendering/[K2E-B-G5] NeRF SLAM/[K2E-B-G5-10][2023] LONER LiDAR Only Neural Representations for Real-Time SLAM.pdf
Notion ID：(待创建)
Created：2024-03-31
Updated：2026-06-02
License：转载欢迎 — 请署名 Yu Zhang 并链回 yuzhang.io 原文

1. 概述

LONER (Isaacson et al. 2023, U. Michigan, RA-L) — 首个实时 LiDAR-only 神经隐式 SLAM。并行跟踪 + 建图双线程，纯 LiDAR (无 IMU、无 RGB)。

核心创新：Jensen-Shannon 动态边距损失 — 在线训练中按区域学习程度自适应边距，防灾难遗忘。

LiDAR 神经隐式同期工作 NeRF-LOAM (G5-9) 偏离线重建质量；LONER 强调实时。本笔记读 arXiv 全文。

2. 跟踪 — Point-to-Plane ICP

地图 = MLP + 分层特征网格编码，输出每点密度 $\sigma$。沿 LiDAR 射线体渲染:

$$ T_i = \exp!\left(-\sum_{j<i}\sigma_j\delta_j\right), \quad w_i = T_i\sigma_i, \quad \hat{D}(\mathbf{r}) = \sum_i w_i t_i $$

(透射率 → 权重 → 期望深度，同 NeRF 体渲染，见 NeRF §3)

核心贡献。实时 SLAM 中地图各区学习不均 → 统一边距要么糊新区要么忘旧区。LONER 按目标分布 $G$ 与预测样本分布 $S$ 的 Jensen-Shannon 散度 $J^*$ 给每条射线定制边距：

$$ \epsilon_{dyn} = \epsilon_{min}(1 + \alpha J^*) $$

未学好区域 → 大边距 (快学)；已学好区域 → 小边距 (防遗忘)。

总损失：

$$ \mathcal{L}(\Theta) = \mathcal{L}{JS} + \lambda_1\mathcal{L}{depth} + \lambda_2\mathcal{L}_{sky} $$

$\mathcal{L}_{JS} = |w^*_i - w_i|_1 + |1 - \sum w_i|_1$
$\mathcal{L}_{depth} = |\hat{D}(\mathbf{r}) - z^*|_2^2$ (弱权 $\lambda_1 = 5\times10^{-6}$)
$\mathcal{L}_{sky}$ 惩罚指天射线的权重

建图线程按时间选关键帧，联合优化 MLP 参数 $\Theta$ + 位姿 (6-DoF twist $\hat{\xi}_i$)，每优化窗 = 当前 KF + 随机历史 KF — 随机历史 KF 重放 (replay) 维持全局地图一致性 (消融见 Table IV)；JS 动态边距损失则专门防灾难遗忘 (对已学好区域用小边距、未知几何用大边距)
结果 (Fusion Portable / Newer College)：轨迹精度优于 LeGO-LOAM (4 序列中 3 个胜出，仅最大最开阔的 Newer College Quad 持平、差距毫米级)，稠密隐式地图优于 baseline
运行：建图 ~18 Hz、跟踪 5 Hz，实时 (Ryzen 5950X + A6000)

Isaacson, S., et al. (2023). LONER: LiDAR Only Neural Representations for Real-Time SLAM. IEEE RA-L 2023. arXiv:2309.04937 — 论文 (本笔记读 arXiv 全文整理)
LiDAR 隐式对比见 NeRF-LOAM (G5-9)；ICP 见 ICP 那篇；体渲染见 NeRF