原文关键章节已核对
以下分析来自论文原文，保留实验条件与结果适用范围。
原文依据范围
3.1–3.6 完整方法、深度/位姿图和尺度感知对齐 · 4.1–4.3 长轨迹、TUM与收敛域 · 5 结论 · PDF第13页图8/9可视检查
原文来源与版本用于研究核对。公开可获取不等于允许全文转载；本站提供中文分析和官方原文链接。
方法机制
LSD-SLAM用有梯度像素构建半稠密逆深度及不确定度，不先提取稀疏特征。新帧通过方差归一化光度误差估计SE(3)位姿，多次小基线立体匹配更新深度；关键帧间联合光度与深度残差估计Sim(3)，在位姿图中显式修正尺度漂移和回环。
实验设置与硬件
作者在约500米、六分钟手持单目户外轨迹展示大尺度回环，并以TUM RGB-D的RGB序列和两条合成序列进行定量比较；另测金字塔层数与ESM对对齐收敛范围的影响。TUM评测实际使用首帧深度初始化和设定初始尺度，之后采用单目跟踪。
结果及统计口径
图9报告绝对轨迹RMSE：fr2/desk为4.52厘米、fr2/xyz为1.47厘米；合成desk为0.04厘米。相对所比半稠密里程计有改善，但部分RGB-D方法误差更小；图8中回环消除不同尺度重复结构，说明地图一致性而非恢复绝对尺度。
局限与风险
单目本身不能观测绝对尺度；直接对齐是非凸问题，仍需良好初始化、足够平移和稳定成像。小规模选定序列不能证明所有场景鲁棒，随机深度自初始化的系统评估被明确留给未来；本文无机器人自主闭环实验。
复现建议
无需训练，重点是相机标定、图像金字塔、深度方差传播、Huber核及Sim(3)图优化。复现应区分纯单目随机初始化和用首帧深度的基准设置，固定尺度对齐规则，并记录失败序列，避免仅比较成功运行时的轨迹误差。
实验标签与机器人
- 验证范围
- 真实数据评测
- 机器人型号
- 未核实
代码与训练
有开源代码 · 实现已开源
无需神经网络训练；官方 ROS 实现公开，README 给出历史 Ubuntu/ROS 环境、输入序列及相机标定要求。
来源与分类证据
作者论文 PDF 核对 2014 年方法与半稠密直接建图范围。
查看一手来源作者实验室页提供论文、真实输入序列与代码入口。
查看一手来源官方实现确认 GPLv3、ROS 依赖、Sim3 输出和标定/运动注意事项。
查看一手来源3.1/3.3/3.5：Random-depth initialization possible;uncertainty-weighted photometric tracking;depth residual required to constrain relative scale.
查看一手来源4.2 PDF p12：First depth map used to bootstrap and obtain initial scale on RGB-D benchmark.
查看一手来源PDF p13 图8/9：Visual inspection confirms before/after scale alignment and RMSE units in cm:4.52,1.47,0.04,0.35.
查看一手来源4.3：ESM/more pyramid levels enlarge convergence radius, not notably final accuracy.
查看一手来源