- 现有动态物体跟踪方法在**场景流(scene flow)** 估计中常受限于坐标系选择，导致物体几何随时间不一致
- 实时在线地同时估计**6DoF姿态(6DoF pose)**、速度(speed)和表面重建仍具挑战，精度与效率难以兼顾
- 研究背景：动态场景理解需要紧耦合的空间-时间融合，但传统方法多在相机或世界坐标系操作，忽略物体自身几何一致性
- 使用**高斯过程隐式曲面(Gaussian Process Implicit Surfaces, GPIS)** 表示场景，并将表面法线作为导数约束，实现精确的**有符号距离(signed distance)** 计算与梯度查询，且附带不确定性
- 从距离场中计算**场景流(scene flow)**，描述连续帧间表面点的传输方式
- 通过增量式注册新观测点云，利用闭式优化直接在**物体坐标系(object frame)** 中估计姿态和运动
- 采用概率融合框架，在空间和时间上紧密耦合，同时输出稠密几何、法线、姿态轨迹、速度和不确定性
- **首创在物体坐标系(object frame)中进行概率融合**：与先前在相机或世界坐标系的方法不同，直接在物体坐标系中融合，保证物体几何随时间一致性
- **闭式优化(closed-form optimization)** 优雅地增量注册点云，避免复杂迭代，实现实时(real-time)运行
- **紧耦合时空(space-time coupling)** 的DisFlow方法：通过距离场场景流同时获取稠密几何、法线、位姿轨迹和速度，且输出不确定性
- **GPIS导数约束(derivative constraints)** 增强表面附近距离精度，提升场景流计算准确性
- 提出**DisFlow框架**，为动态物体**同步(simultaneous)** 估计6DoF姿态、运动跟踪和表面重建提供了一个统一的在线解决方案
- 在动态物体序列上验证，实现了**准确的姿态与运动跟踪(accurate pose and motion tracking)** 同时重建**高质量物体表面(high-quality object surfaces)**
- 所有输出（几何、法线、轨迹、速度、不确定性）均达到**实时速率(real-time rates)**，实用性显著
- 开源代码（ROS2接口）促进领域复现与后续研究