# 托盘论文原指标与当前数据集指标差距分析 v1

核查日期：2026-10-22。范围：冻结v5的Xiao结构模板适配、PILA几何后端适配、AGWF配准适配、FPFH内部消融。

## 结论先行

**当前结果确实没有达到部分原论文报告的误差量级，但不能将差距解释为“原算法在本数据上性能下降了某个确定百分比”。**

1. 指标、参考点、分母和实验范围不相同。
2. Xiao、PILA不是忠实完整复现；尤其PILA缺少原方法的重要结构中心求解步骤。
3. AGWF虽实现核心流程，但模板参考系、压缩密度和ISS参数等有重要偏离；本次发现了可量化的实现/模板问题。
4. 当前标签为非盲研究草稿，存在几何初值偏倚，不能当成独立物理精度基准。

因此，上一轮更严格的名称应为**“论文思路独立适配对比”**，不能当作“先在原数据复现达标、再进行跨域测试”的论文复现实验。

本次只读检查冻结输入，输出独立分析目录；没有修改标签、代码、模板、训练、选模、预测或原报告，没有重新训练或按test调参。

## 1. 原指标与本轮原生结果

以下主表采用**不接入共同几何回退的原生输出**，以免将项目几何回退的收益归给论文方法。均值只在有输出目标上计算，联合达标率使用完整1,159目标分母。

|方法|原论文可核对指标|当前test原生结果|可比性与差距解释|
|---|---|---|---|
|PILA 2021|摘要：3m处3D定位精度约10mm、角度分辨率0.4°，端到端小于700ms|XY位置均值25.895mm，中位9.661mm，P90 59.587mm；方向均值0.547°；输出1,158/1,159，联合998/1,159=86.11%|25.895/10≈2.59，只能作**量级参考**。原文3D“精度”/角度“分辨率”和当前2D中心MAE/方向MAE不是同一统计量，不能宣布严格下降159%|
|Shao 2023 AGWF|Table 2地面场景：分轴均值9.8mm、19.4mm，方向0.501°，Accuracy 97.3%；Table 4点云配准RMSE=0.011715|XY位置均值112.251mm，中位76.589mm；方向均值8.400°；输出1,074/1,159，联合344/1,159=29.68%|方向误差的数值量级约为原文0.501°的16.77倍，但样本、参考点及协议不同。**112.251mm不能直接除以11.715mm作为复现退化倍数：一个是位姿中心MAE，一个是点云配准RMSE**|
|FPFH消融|Shao Table 4的FPFH点云配准RMSE=0.017559，特征提取1.430s|XY位置均值117.293mm，方向8.800°；输出1,077/1,159，联合353/1,159=30.46%|同样不是相同误差定义。本轮为自写FPFH式内部消融，未验证与PCL官方FPFH数值等价；也不是另一篇托盘专用论文|
|Xiao 2017|出版社可索引正文明确写："Firstly, the accuracy of pallet localization has not been benchmarked."|XY位置均值276.379mm，中位242.476mm；方向28.402°；输出434/1,159，联合82/1,159=7.08%|不能编造一个原论文毫米/角度均值来计算差值。本轮只能分析适配实现失败，不据此否定原论文方法|

PointNeXt原论文主要报告分类/分割等任务指标，不提供与当前叉取面XYθ直接对应的托盘位姿数字；不能拿原论文分类准确率或mIoU与本轮位姿达标率相减。

### 原文证据的可靠性

- **AGWF：已获取并保存完整XML**，Table 1–4和正文可逐项核对。
- **PILA：原论文摘要可核对**；本次另取得同作者团队的详细综述，明确描述“T形结构/中柱边界”定位。原论文检索索引还能看到Table III的MAE行`3.96 / 5.36 / 8.75 / 0.39`，但本次未成功下载完整原PDF并核对分母，故不据该索引行计算精确退化百分比。
- **Xiao：出版社及ResearchGate原文索引均返回未benchmark的说明**；本次未下载到完整原文，不能把检索摘要冒充完整实验表验证。

## 2. AGWF的97.3%不是本项目的联合达标率

原文地面场景只有8组示例a–h，且明确排除d、h两个超范围控制组后计算总平均。原文认为平移偏差在0.15m内、偏角在15°内较可靠；20°及0.2m示例会出现视场/初值问题。

按Table 2逐行已给出的分轴绝对误差，重算

\[
e_{xy}=1000\sqrt{e_x^2+e_y^2}\quad\mathrm{mm}
\]

得到：

|原论文Table 2分母|按50mm/5°形式重算通过数|形式通过比例|
|---|---:|---:|
|原文用于平均的6组：a,b,c,e,f,g|5/6|83.33%|
|包括超范围控制组的全部8组|6/8|75.00%|

这只是在原表上重算阈值，**并未统一参考点、标准状态、坐标轴、物体类型和场景，仍不是与当前29.68%同协议的准确率对照**。它足以说明：不能把97.3%-29.68%写成“联合达标率下降67.62个百分点”。

这6组逐行重算的平均平面误差为**23.204mm**，与当前112.251mm的数值量级相差约**4.84倍**；但原文是相对标准状态的位移估计，当前是叉取面中心，因此仍不作为严格复现退化比例。

原文报告方向均值0.501°；Table 2逐行给出的6个角度误差求平均是0.5177°。这里保留“原文报告值”与“表格重算值”两者，不擅自更正原论文。

### 原文Table 4也有百分比算术不一致

|比较|表中印刷百分比|按同表原始数值重算|
|---|---:|---:|
|AGWF相对FPFH的RMSE降低|36.23%|`1-0.011715/0.017559` = **33.28%**|
|AGWF相对FPFH的特征提取时间降低|48.15%|`1-0.952/1.430` = **33.43%**|

不能机械复述这些百分比，再与当前不同定义的误差降幅对比。

## 3. 不是仅仅“数据更难”：已有实现与输入证据

### 3.1 PILA：主要是定位中心与长尾，而不是大面积无输出

本轮PILA适配版没有实现原PILA的**叉孔附近横线+中柱竖边构成T形、再求结构中心**；采用了按高度分层的外轮廓边界最小二乘和可见宽度中心。它们在完整、对称、无载货时可能接近，但在边缘缺测、遮挡、堆叠、选到其他平面时并不等价。

当前test证据：

- 1,159例只有1例无输出；有输出但不满足联合阈值的有160例。
- 位置均值25.895mm，但**中位9.661mm**，说明典型样本仍在约1cm量级，不能理解为每例都退化到2.6cm。
- 156个位置误差>50mm的输出，其位置均值**107.618mm**；其余1,002个位置误差≤50mm的输出均值**13.172mm**。这是完整统计的诊断拆分，不是剔除长尾重报成绩。
- 源X/源Y分轴MAE为9.539/22.177mm；按当前+X前向、源Y横向的研究假设，横向中心比深度更不稳定。
- 1,158个输出中，1,146例角度≤5°，但位置≤50mm只有1,002例。问题更集中于**中心位置**。

因此，PILA差距的优先解释是**关键结构中心步骤未忠实复现、可见外轮廓受缺损影响，以及少量严重中心偏差形成长尾**。不能直接归因于其原网络或原方法原理。

### 3.2 AGWF：模板参考系不一致是明确的风险

原论文先采集同一标准蓝托盘的参考点云，物体与传感器标准位姿受控；本轮从原train自动原框ROI建立6个模板，试图覆盖多个形状和采集域。这已改变了问题条件。

对冻结模板的只读诊断发现：

- **模板4**的自动平面法向与赋予模板的叉入方向相差**27.647°**，平面到赋予参考原点的距离约**165.519mm**。
- AGWF的1,074个test输出中，**210个选中模板4，联合通过0个**；该子集位置均值262.611mm、方向均值31.434°。
- 对照地，模板0的109个输出中通过68个，方向均值0.666°。这是描述性关联，不是控制场景后的因果消融。
- 另一个模板2存在约2.319m的平面/参考原点不一致，但**它没有出现在test有效输出的最终模板选择中**，不能把它直接说成当前test误差的来源。

模板参考系不一致可能来自自动选错平面、混入背景、原草稿标尺/方向或目标绑定问题。当前证据无法独立判定哪一项是真因，不能据此自动改标签。但至少在本次研究标签定义下，**这些模板不满足“标准参考托盘与正确叉取参考系一致”的前提**。

### 3.3 AGWF：当前采样与特征条件已经明显偏离原示例

以下当前统计限于test中1,140个成功完成配准预处理的目标，另19个自动平面预处理失败。

|项目|原文示例|当前冻结输入|
|---|---|---|
|目标点数|地面4,001–7,155；货架7,438|原框有效点数中位3,300.5；进入配准后中位**518**，上限1,024|
|关键点数|地面916–1,548；货架1,476|中位**62**，上限96|
|平均最近邻间距dp|货架示例6mm|各目标均值的中位约**14.065mm**|
|自适应半径|货架6–12mm、步长1mm|各目标半径中位的中位约**25.078mm**；五个候选半径|
|ISS参数|货架半径0.05m，两个阈值0.4/0.2|半径6dp，阈值0.975/0.975，NMS 4dp，最多96关键点|

不能把点数差全归给传感器：**本实现主动使用15mm体素、1,024点上限以及自动平面深度/高度带**，把原框点云进一步压缩了。

进一步测得：

- 每目标约**22.60%**的点，在最终自适应半径内不足4个邻点（含自身；这里是逐目标比例等权平均）。
- 约3.53%的全点描述子为零向量；在ISS关键点中，零描述子的比例逐目标平均为**12.27%**。
- SAC-IA仍可能给多个零向量/弱特征匹配，不能将“有足够ISS点”理解为“有足够有辨识力的几何约束”。

这些证据支持：**采样压缩、ISS/半径参数和描述子退化是值得优先检查的实现因素**。尚未做固定模板/固定场景的单因素回放，不能给它们各自分配一个精确的误差贡献百分比。

### 3.4 Xiao：区域碎片与整托盘模板尺寸不匹配

test的725个无输出中：

|原因|例数|
|---|---:|
|没有尺寸兼容结构模板|651|
|没有区域生长前向平面|67|
|相似度低于阈值|7|

对651个“没有尺寸兼容模板”的目标，使用完全相同冻结参数只读重算区域尺寸：

- 最小模板宽度0.5873m，匹配要求候选宽度大于其一半，即**0.2937m**。
- 每例实际参与匹配的前6候选平面中，最大宽度的中位仅**0.1556m**。
- **650/651例**所有这些候选都窄于0.2937m；651例尺寸兼容区域总数为0。

因此，大量失败不是“模板找到但位置不准”，而是**把被孔洞/缺测隔开的局部板块区域，直接拿去匹配整托盘尺寸模板**。缺少同一物体前面片段聚合、模板结构尺度与搜索策略的忠实处理，是本轮适配实现的重要问题。

有输出的434例中，352例联合不达标；错误面/错误局部匹配也未被充分拒绝。当前大误差不能代表原Xiao方法经过完整复现后的能力。

## 4. AGWF相对FPFH：当前只看到小幅均值改善，联合通过没有改善

必须配对相同目标，不能直接对不同输出覆盖的均值作因果比较。

|两者共同有输出的1,027例|AGWF适配|FPFH消融|
|---|---:|---:|
|XY位置均值mm|107.588|112.366|
|方向均值°|7.802|8.174|
|50mm/5°联合通过数|339|351|

位置均值的相对改善为**4.25%**，但联合通过少12例。本轮没有重现“所有指标同步提升”的结论。

原论文Table 4对比的是点云配准RMSE；本表是叉取中心位置均值，不能把4.25%与33.28%/36.23%相减后宣布“算法改进收益减少了多少个百分点”。两者最多说明改进效应没有按相同数量级体现在当前任务中，仍需同指标复测。

## 5. 数据域与评价协议差异仍然存在，但不是充分解释

- 原AGWF对同一蓝托盘、标准参考点云和有限位移/角度实验；当前为多传感域、多种尺寸/材质、不同采集组、堆叠及部分可见场景。跨物体模板配准比同一物体定位更难。
- PILA原文为RGB检测+RGB-D融合+几何后端，本轮固定原检测框且未实现完整前端，不能比较端到端检测率或声称更快。
- 原文对象/标准状态参考点与本轮叉取面宽度中心不一定相同，位姿中心误差随参考点变化；坐标轴也未通过设备标定统一。
- 当前失败目标计入完整分母，原文有人工选择场景或排除超范围控制组的情况；不能只对当前成功子集与原文精选案例比较。
- 当前已确认单位解释不等于工厂标定。研究标签非独立测量，几何初值偏倚可能影响几何与学习方法相对成绩。
- 本轮耗时包含共享双描述子准备/文件读取/配准，而原文0.952s是特征提取、本来就不是完整链路。硬件、语言和线程不一致，也不能作速度收益比较。

一个反证性诊断：事后限制`|标注源θ|≤15°`、源X在0.5–3m的640例，AGWF输出位置均值仍约125.520mm、方向10.885°，并没有恢复原文量级。源θ/源X本身不等于原论文标准状态偏角/标定距离，这不是公平复测，但足以提醒：**仅以“角度更大、距离更远”解释差距并不充分**。

## 6. 下一步优先级（建议，不是本轮已执行的修复）

1. **先补复现忠实性，而非继续调test阈值**：取得完整Xiao/PILA原文及作者实现；PILA恢复T形/中柱结构中心；Xiao恢复片段聚合、结构模板与正确搜索策略。
2. **只在原train内审计模板参考系**：区分自动选面错误与标签/目标关联问题；不得用test误差挑模板、偷偷删除模板4后重报同一test为独立改进。
3. **AGWF恢复接近原文的点密度/ISS设置**，并用PCL基准实现核验自写FPFH、SAC-IA、ICP的数值/功能行为；训练组内做单因素对照。
4. 拆开同托盘跨视角与跨托盘类型匹配，使用明确的标准模板和独立参考系；保留采集组隔离。
5. 保存完整估计刚体变换作为算法诊断，重算原论文定义的配准RMSE；它不等于新增完整6D GT，更不能下发机器人。
6. 在原数据能拿到时先验证能否恢复原文量级；最终能力证明使用新的独立标定/测量标签或外部holdout，而不是反复重选已看过的test。

## 7. 输出与证据

- `analysis.json`：8份原生val/test指标、原表转录/重算、模板统计、1,159例test输入统计、651例区域失败诊断和配对对照。
- `additional_diagnostics.json`：模板方向不一致及事后范围限制的完整数字。
- `input_manifest.json`：冻结输入及源码哈希，确认本次分析前后不变；未打开在线SQLite。
- `paper_evidence/evidence_manifest.json`：来源等级、URL、可获取范围与索引证据的限制。
- 脚本：`scripts/analyze_pose_paper_gap_v1.py`；回归测试：`tests/test_pose_paper_gap_analysis.py`（3项通过）。

### 论文来源

1. Shao et al., 2023, [A Point Cloud Data-Driven Pallet Pose Estimation Method Using an Active Binocular Vision Sensor](https://doi.org/10.3390/s23031217)，[可读全文](https://pmc.ncbi.nlm.nih.gov/articles/PMC9919204/)，§3.1–3.3、Table 1–4。
2. Li et al., 2021, [Pallet detection and localization with RGB image and depth data using deep learning techniques](https://doi.org/10.1109/CACRE52464.2021.9501390)，原论文摘要/已索引表格片段。
3. Li et al., [Pallet Localization Techniques of Forklift Robot: A Review of Recent Progress](https://crgjournals.com/robotics-and-mechanical-engineering/articles/pallet-localization-techniques-of-forklift-robot-a-review-of-recent-progress)，同作者团队对PILA的详细流程说明，不冒充原2021论文全文。
4. Xiao et al., 2017, [Pallet recognition and localization using an RGB-D camera](https://doi.org/10.1177/1729881417737799)，出版社索引正文关于未benchmark的说明。

全部结果`robot_command_eligible=false`。本报告不宣称事后关联已经完成因果归因，也不将不完整适配实验当作原论文算法优劣排名。
