index.md

机器人视觉专家知识索引

这个目录是 Pagurus 的研究认知底座。它的目标不是保存零散资料，而是把机器人视觉研究中需要反复调用的判断依据组织起来。

核心问题：

一个机器人视觉 idea 是否值得做，它站在谁的肩膀上，解决了什么 failure mode，应该如何被证伪，最后能形成什么 claim？

目录结构

路径	作用	第一批内容
00_foundations	数学和研究地基	线性代数、概率、优化、李群李代数
01_geometry_vision	几何视觉	相机模型、多视图几何、PnP、BA、光流、深度
02_sensors_calibration	传感器与标定	Camera、IMU、LiDAR、时间同步、外参、噪声模型
03_state_estimation	状态估计	EKF、factor graph、preintegration、sliding window
04_method_families	方法族	VO、VIO、Visual SLAM、RGB-D SLAM、relocalization
05_baselines	强 baseline	ORB-SLAM3、VINS-Mono、DROID-SLAM 等
06_failure_modes	失败模式库	弱纹理、动态遮挡、地图过期、tracking lost
07_datasets	数据集与场景	EuRoC、KITTI、TUM、自采场景、退化场景集合
08_metrics	指标与评测	ATE、RPE、failure rate、latency、闭环成功率
09_experiments	实验记录	baseline、消融、压力测试、最小证伪实验
10_idea_cards	研究想法卡片	每个 idea 的问题、假设、prior art、证伪实验
11_papers	论文节点	论文结构化笔记和方法关系
12_claims	研究 claim	方法真正证明了什么，以及边界条件
13_semantic_scene	语义与场景理解	动态物体、可通行区域、语义地图、开放词汇感知
14_world_models	视觉世界模型	时序表示、future prediction、occupancy flow、planning 可用性
15_expert_workflows	专家工作流	prior art 审查、baseline gate、failure 诊断、claim 审查

第一阶段聚焦

第一阶段只追求跑通：

视觉定位 / VIO / SLAM 研究专家。

优先填充这些目录：

1. 10_idea_cards
2. 11_papers
3. 04_method_families
4. 05_baselines
5. 06_failure_modes
6. 08_metrics
7. 09_experiments
8. 12_claims
9. 15_expert_workflows

数学、几何和状态估计先做成“够用的检索入口”，后续遇到具体问题再扩展。

推荐节点关系

一个研究方向应该尽量形成下面的关系链：

IdeaCard
  -> related Paper
  -> belongs to MethodFamily
  -> depends on Assumption
  -> targets FailureMode
  -> compares with Baseline
  -> verified by Experiment
  -> supports or rejects Claim

如果一个 idea 无法连到 FailureMode、Baseline 或 Experiment，它通常还不够成熟。

新 idea 进入流程

每个新 idea 先不要直接实现，先按这个流程进入知识图谱：

1. 写一张 IdeaCard。
2. 查找相似 Paper 和 MethodFamily。
3. 通过 Baseline Gate 判断必须比较谁。
4. 匹配或新增 FailureMode。
5. 设计 Minimum Falsification Experiment。
6. 写出预期 Claim。
7. 实验后更新 claim 或否定假设。

扩展原则

• 每个节点都要服务研究判断，而不是百科式收集。
• 每篇论文至少记录核心假设、方法机制、baseline、失败场景和 claim。
• 每个 baseline 都要记录适用条件、运行成本和典型失效情况。
• 每个 failure mode 都要能关联到真实案例或可复现实验。
• 每个实验都必须回到一个明确假设。