ALONE：凭空间信念继续飞，只在动作受阻时重新看
以占据预测的可信度决定观测时机；逐体素97%不等于轨迹97%安全
ALONE把局部空间表示为量化几何模式上的概率分布：动作让信念随自运动推进，新深度图再纠正；另一个解码器估计每个占据体素是否预测正确。规划器选出的候选动作若因低可靠区域而受阻，并且相机能看见该区域，才请求深度。两种仿真场景达到98%/97%成功，成功回合深度请求中位率0.9%/1.3%；实机10次规则室内飞行全成功，但仍依赖持续位姿估计和更保守的观测设置。
图解主要方法
世界模型何时足够可信可继续导航，又如何知道重新观测会有用？
- 1
用离散几何模式保存空间假设
200×200×16占据网格覆盖20×20×4米，VQ编码成50×50位置、每位置512类别概率。各位置边缘分布乘积近似联合，保留局部替代几何但丢掉跨位置依赖；MAP码解码为规划使用的单一空间估计。
- 2
按动作推进，再用新观测纠正
从信念采样潜码，解码占据、刚性变换到当前坐标再编码，形成输运分布；先验网络补全未知结构，观测网络把深度概率表面与先验融合。不是单纯保存最近帧，也不是解析精确贝叶斯滤波。
- 3
单独监督规划查询的可靠性
先冻结VQ，再训练先验/后验，最后冻结滤波器训练可信度。目标是每体素MAP占据是否与真值一致；BCE预测这一事件概率，比潜码熵更直接，但严格适当损失的总体最优性质不保证有限模型完美校准。
- 4
按可信度选动作并决定是否看
A*参考路径加局部运动原语产生候选；扫掠体素全部≥0.97才可执行，否则选停留。仅当可靠性约束显著恶化名义动作成本、且足够多低可靠区域可见时请求深度，新证据纠正下一决策。
- 5
用强制观测限制模型外推
决策10Hz，但无观测信念更新在累计平移3米或偏航60°时触发；最多连续5次推断无观测后强制拍深度。因而0.9%请求率不等于模型每0.1秒无限自由推演，实际保留分布范围保护。
实验与证据
论文全部正文、公式、实验表和参考文献已读；当前公开版未包含独立附录；图2官方SVG已渲染和视觉检查，未独立训练或试飞。
来源证据训练T=6、观测掩码概率0.2，先验和后验候选均监督；按无观测步数组分层平均损失。 IV-B；V-A ↗
我的解读训练主动包含缺观测历史，避免只学连续感知；未给完整训练样本数与墙钟成本。
来源证据闭环每方法每场景100次、起终点相距50米；98%/97%成功对全频映射96%/97%。 表I；V-A ↗
我的解读小差异没有独立种子/区间，不应称显著更安全；失败含碰撞、100秒无进展或偏离15米。
来源证据成功回合格阵时长79.7[90.8]秒、请求7[12]次；Trap121.4[160.6]秒、16[39]次。 表I ↗
我的解读括号是90分位而非标准差；请求率0.009/0.013以10Hz决策步为分母，仅成功回合中位数。
来源证据格阵可靠区覆盖0.632、占据IoU0.981；Trap覆盖0.484、占据IoU0.958。 表II ↗
我的解读这是经可靠性筛选后的子集指标，不能说全场占据精度98%；完整体积占据IoU分别0.768/0.692。
来源证据同观测时刻先验到后验占据IoU格阵0.770→0.785，Trap0.681→0.701。 表III ↗
我的解读对齐时刻的比较支持新证据纠正，但不证明每一步或每体素都会改善。
来源证据去补全格阵IoU差0.361，随机同形障碍排列差0.094。 表IV ↗
我的解读学习先验主要利用规则空间延续；对随机结构的改善较小，应测试未见布局分布。
来源证据固定ALONE观测策略，RSSM-Query格阵成功59%、Trap75%，请求次数接近。 表V ↗
我的解读少观测本身不是目标；错误且过度自信的表征会使相似观测预算明显失败。
来源证据Periodic-2在两场景都100%，但请求中位41/56；Periodic-16格阵98%、Trap53%。 表VI ↗
我的解读主动策略是在观测需求与成功率间选操作点，不是全指标支配；最省请求也未必最短路径。
来源证据真实D435i深度、T265相对位姿，10次10米室内格阵全部成功，深度请求率7.0%。 V-E ↗
我的解读真实配置更保守但阈值未充分列出；该比例与仿真0.9%不能混用，无动态障碍与额外共享任务验证。
来源证据每扫掠体素可靠度≥0.97，潜分布在位置间因子化。 式3、9 ↗
我的解读最小逐体素概率不是联合安全概率；大量相关体素上的错误无法由这个阈值直接限制为3%。
开放情况与使用许可
已公开论文；论文外链和检索未找到可确认的官方项目代码、模型权重或训练场景包，因此不标已开源。未对用户无人机或服务器运行该方法。
LICENSE论文采用arXiv非独占分发许可；图2仅作必要方法评论，官方SVG渲染为PNG，内容不改；没有可核实的代码或模型许可。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
同10Hz决策与规划器下，ALONE以显著更少深度请求维持接近全频映射的成功率；同信念的观测策略对照能隔离部分主动观测收益。
规则格阵去学习补全占据IoU0.766→0.405，随机布局降幅小至0.094，说明增益确实依赖可预测结构。
反方 · 哪些结论还不够
深度请求率和时长仅统计成功回合，失败回合成本未合入，不能据此算所有任务总体节省。
格阵Periodic-16也有98%成功且中位6次观测，少于ALONE7次；ALONE并非每环境最少观测，而在Trap避免固定低频53%成功的退化。
97%是逐体素预测正确概率门槛，不是轨迹无碰撞概率；因子化信念舍弃潜变量间依赖，学习校准只在给定分布下受测。
综合判断
这项工作把空间预测、可信度和观测决策接成有意义的闭环；现有证据支持结构化静态环境内减少深度请求，尚未支持动态环境或总传感器功耗承诺。
我会先做的验证
建议实验（尚未执行）：加入移动障碍、漂移位姿和非规则几何，按全部回合计感知/计算能耗及失败成本；在同一信念下扫观测阈值，评估轨迹级风险校准，再测试真实传感器共享任务。