Geometric Observability Index: An Operator-Theoretic Framework for Per-Feature Sensitivity, Weak Observability, and Dynamic Effects in SE(3) Pose Estimation

Résumé Technique : Indice d'Observabilité Géométrique pour l'Estimation de Pose SE(3)

Énoncé du Problème
L'estimation de pose sur le groupe euclidien spécial $SE(3)$ est fondamentale pour l'odométrie visuelle, le SLAM et la structure à partir du mouvement (SfM). Les back-ends dominants actuels déterminent quelles mesures privilégier principalement en se basant sur la magnitude du résidu (par exemple, le filtrage par $\chi^2$ ou les noyaux robustes). Cet article soutient que ce postulat échoue dans les géométries faiblement observables (par exemple, les scénarios à faible parallaxe ou de rotation quasi pure). Dans ces cas, une mesure avec un résidu modéré alignée avec une direction mal contrainte peut déplacer la pose estimée de manière bien plus significative qu'un résidu important le long d'une direction bien contrainte. Le facteur d'amplification est inversement proportionnel à la plus petite valeur propre de courbure ($1/\lambda_{min}$), qui devient non bornée à mesure que l'observabilité se dégrade. Par conséquent, s'appuyer uniquement sur la magnitude du résidu confond le contenu informationnel d'une mesure avec son potentiel de nuisance, menant au rejet excessif d'inliers à fort levier dans les régimes de faible observabilité.

Méthodologie et Cadre
Les auteurs introduisent l'Indice d'Observabilité Géométrique (GOI), une mesure de sensibilité par caractéristique dérivée d'un cadre opératoire sur $SE(3)$.

1. Formulation Mathématique :

   • Soit $H = E[J^\top W J]$ la matrice de courbure (Hessienne de Gauss-Newton) et $G$ une métrique de Riemann sur l'algèbre de Lie $se(3)$.
   • L'opérateur de courbure est défini par $A = G^{-1}H$, qui est auto-adjoint par rapport au produit interne $G$.
   • Le sous-espace observable est $O = \text{range}(A)$. L'opérateur $A$ est restreint à ce sous-espace comme $A_{OO}$.
   • Pour une mesure $z$, le score est $\psi(z) = J^\top W r(z)$, et sa représentation de gradient est $\phi(z) = G^{-1}\psi(z)$.
   • Le GOI est défini comme la norme $G$ de l'influence exercée par une seule mesure :
     $$\text{GOI}(z) = \| A_{OO}^{-1} P_O \phi(z) \|_G = \| A^\dagger_G \phi(z) \|_G$$
     où $P_O$ est le projecteur $G$-orthogonal sur $O$, et $A^\dagger_G$ est la pseudo-inverse $G$.

2. Caractérisation Spectrale :
   Dans une base propre $G$-orthonormée de $A$ avec des valeurs propres $\lambda_i$, le carré de l'indice est :
   $$\text{GOI}(z)^2 = \sum_{i: \lambda_i > 0} \frac{\psi_i(z)^2}{\lambda_i^2}$$
   Cette forme montre explicitement que le GOI amplifie l'énergie du score le long des directions faiblement observables (petits $\lambda_i$).

3. Unification Théorique :
   Le cadre unifie quatre concepts distincts sous la géométrie spectrale du seul opérateur $A$ :

   • Fonction d'Influence : Le GOI est égal à la norme $G$ de la fonction d'influence de l'estimateur M (Théorème 1).
   • Information de Fisher : Sous un bruit gaussien, l'information de Fisher coïncide avec la courbure $H$ (Théorème 2).
   • Conditionnement : La plus petite valeur propre $\lambda_{min}$ régit la faible observabilité et l'amplification du bruit.
   • Stabilité à Échantillon Fini : L'erreur d'estimation suit une loi en $O(\sigma / \sqrt{n \lambda_{min}})$ (Théorème 3).

4. Standardisation et Équivalence $\chi^2$ :
   Un résultat théorique critique (Proposition 2) prouve que lorsque l'influence est standardisée par sa covariance nulle d'inlier, elle se réduit exactement à la statistique classique du résidu du $\chi^2$ ($r^\top W r / \sigma^2$). Cela établit que le filtrage par résidu est effectivement un test d'influence "corrigé par le levier". Inversement, l'utilisation du GOI brut (non standardisé) pour le filtrage des outliers est montrée comme étant théoriquement erronée dans les géométries faiblement observables car elle confond l'information avec la nuisance.

Contributions Clés

1. Attribution Exacte : L'article prouve que le GOI est le décalage de pose de premier ordre exact causé par une mesure. Il prédit le véritable décalage de pose "leave-one-out" avec une corrélation $r=1,00$.
2. Unification des Heuristiques : Le cadre fonde les noyaux robustes, les tests $\chi^2$ et les seuils de nombre de conditionnement dans un objet opératoire unique, expliquant leurs relations et modes de défaillance.
3. Loi de l'Observabilité Faible : Les auteurs dérivent une expression spectrale en forme fermée montrant que l'observabilité de la translation s'effondre de manière quadratique avec la parallaxe ($\lambda_{min} \propto \text{parallaxe}^2$), fournissant un mécanisme précis de détection de dégénérescence.
4. Rayon de Stabilité : Une borne de stabilité à échantillon fini est dérivée, liant le conditionnement déterministe à l'échelle de l'erreur statistique.
5. Validation Rigoureuse : Contrairement aux traitements purement formels, l'article valide chaque affirmation quantitative sur des problèmes synthétiques $SE(3)$ contrôlés et des jeux de données réels (TUM RGB-D et KITTI).

Résultats Expérimentaux

• Validation Synthétique :
  • Loi d'Influence : Confirmation d'une corrélation $r=1,00$ entre le GOI prédit et les décalages de pose empiriques.
  • Identité Fisher-Courbure : Vérifiée avec une erreur relative de $1,8 \times 10^{-3}$.
  • Effondrement de la Translation : Ajustement de l'exposant de $1,98$ pour $\lambda_{min}$ vs parallaxe, correspondant à la mise à l'échelle quadratique prédite.
  • Loi de Stabilité : L'échelle de l'erreur s'est regroupée sur une seule ligne avec un coefficient de variation de 5 % à travers les niveaux de bruit, les tailles d'échantillon et le conditionnement.
• Études sur Données Réelles :
  • TUM RGB-D (Bien Conditionné) : Dans des scènes intérieures à fort conditionnement ($\text{cond}(H) \approx 10^2$), le filtrage par GOI et le filtrage par résidu ont performé de manière identique (parité), comme le prédit la théorie lorsque le spectre est plat.
  • KITTI (Faiblement Observable) : Dans des scènes de rue extérieures à faible parallaxe ($\text{cond}(H) \approx 10^4$), le filtrage par GOI brut a significativement dégradé les performances par rapport au filtrage par résidu. L'indice brut a rejeté de manière excessive des inliers à fort levier alignés avec des directions faibles, confirmant la prédiction théorique que l'influence non standardisée est trompeuse dans les géométries faibles dominées par le bruit.

Signification et Revendications
L'article affirme fournir une explication fondée sur les premiers principes de la robustesse empirique du test classique du résidu $\chi^2$ : il s'agit de la fonction d'influence correctement standardisée. Simultanément, il délimite le mode de défaillance précis du filtrage par influence brute : il échoue dans les géométries faiblement observables en confondant l'information avec la nuisance.

Les auteurs positionnent le GOI non pas comme un remplacement du test $\chi^2$ pour la détection d'outliers, mais comme la métrique correcte pour l'attribution, l'audit et l'analyse de sensibilité (identifier quelles mesures déplacent l'estimation et de combien). Le cadre unifie l'analyse du conditionnement, l'information de Fisher et la détection de dégénérescence, offrant un outil rigoureux pour diagnostiquer la faible observabilité (via $\lambda_{min}$) et les risques d'alignement (via le ratio $\rho_1$). Ce travail est présenté comme une avancée théorique et diagnostique plutôt que comme un nouveau système SLAM, avec tout le code publié pour la reproductibilité.