做SLAM碰到最难受的事是什么不是地图画歪而是协方差矩阵告诉你“我很有把握”结果误差其实已经飞到天上去了。这个现象在EKF-SLAM里尤其出名领域内一般叫它“不一致性”问题。我最早接触这个问题的时候第一反应是去查代码——矩阵算错增益更新不对角度归一化漏了结果一行行对完全都没毛病。后来才想明白这其实是EKF自身线性化带来的结构性缺陷不是代码的锅。要从根子上理解它“可观测性”这个概念是最顺手的解剖刀。这篇文章就把我的完整思路记录下来为什么EKF-SLAM会不一致怎么从可观测性角度去看以及怎么用Matlab把现象原原本本复现出来。既然标题里点名了要“从可观测性角度”研究这个切入点本身就很讲究。EKF-SLAM的不一致性不是简单的数值发散而是滤波器对自身不确定性的估计产生了系统性偏差。可观测性分析恰好能解释这种偏差的来源非线性SLAM系统真实的可观测性结构是固定的而EKF在每个时间步重新线性化之后等价系统却拥有了错误的可观测性结构。错误的结构导致滤波器“相信”了本不该相信的信息协方差被压得过小一致性就没了。这个逻辑链我后面会一步步拆开。如果你正在做基于滤波的SLAM或者被EKF的协方差“假收敛”坑过又或者想搞清楚FEJ这类修正方法到底在修什么这篇文章应该能帮上忙。1. 不一致性到底是什么为什么比误差大更致命1.1 先看现象协方差在收缩真实误差却在膨胀我第一次跑EKF-SLAM仿真时最直观的感受是地图慢慢成形了路径也逐渐闭合看起来一切正常。但我把真实轨迹和估计轨迹叠加在一起之后发现一个让人后背发凉的细节——大概从第400步开始估计轨迹的置信椭圆缩成了一个小点而真实误差却还在持续增长。换句话说滤波器“坚信”自己位置很准实际上已经偏到不知哪里去了。这个现象和单纯的“精度差”是两码事。精度差指的是估计值和真实值偏差大不一致指的是滤波器给出的不确定度描述和真实偏差不匹配。打个不太严谨的比方天气预报说明天降水概率10%结果连下三天暴雨这就是预报的“不一致”——不是雨大不大的问题而是它对不确定性的判断错得离谱。EKF-SLAM的问题正是后者协方差矩阵告诉我们的信息根本不能反映真实误差水平。在SLAM场景里这种不一致会带来很实际的伤害。地图建出来了但如果你把地图当成“可靠资产”拿去做路径规划或者拿去做重定位那些被低估的协方差会让后续模块产生错误的信任关系。尤其在闭环检测的时候滤波器可能已经对某个路标位置非常有信心实际上这个路标已经漂移了很大一段距离——闭环修正被一个过于狭窄的先验分布“锁死”系统就再也回不到正确轨迹上了。1.2 一致性用什么尺子量NEES与卡方检验要定量研究不一致性领域里最常用的指标是NEES全称Normalized Estimation Error Squared归一化估计误差平方。它的定义非常直白NEES (x̂ − x_true)ᵀ P⁻¹ (x̂ − x_true)如果只关心机器人位姿部分通常取x的前三维也就是(x, y, θ)。这个式子的意思是把真实误差放到协方差P这个“单位”里去衡量。如果P估计得恰到好处NEES的期望值应该等于状态维数d。对3维机器人位姿来说d 3。单次运行不够说明问题标准做法是做M次蒙特卡洛仿真统计每个时间步上的平均NEES。如果滤波器是一致的平均NEES应该落在卡方分布的置信区间内下限 chi2inv(0.05, M·d) / M上限 chi2inv(0.95, M·d) / M比如M50次、d3时95%置信区间的上限大约是3.6左右。如果平均NEES远超这个值比如十几甚至几十那就可以下结论滤波器过度自信协方差被系统性低估了。反之如果NEES远低于下界则说明滤波器过于保守虽然“一致”但也意味着信息没有用足。我后来做实验时几乎不看单次轨迹图只看NEES曲线。因为单次轨迹受随机噪声影响太大一条曲线好看没用50次平均后NEES超标才是真正的问题信号。1.3 为什么SLAM对不一致尤其敏感有人可能会问EKF本来就是一个近似滤波器所有非线性系统上它都会有误差为什么SLAM尤其容易暴露不一致原因是SLAM的状态向量里不只有机器人位置还有大量路标位置。路标之间通过观测模型产生耦合一旦某个路标的协方差被低估它会通过更新过程把这种“虚假信心”传染给机器人位姿和其他路标。这就像一群人互相搀扶着走路每个人都觉得自己脚下很稳于是把别人往自己认为稳的方向带——结果整队人越走越偏但每个人手里的“信心牌”却越来越亮。而单目标跟踪或者纯定位问题没有这种群体耦合效应不一致问题就没那么明显。所以SLAM的不一致几乎是结构性的。只要用的是EKF只要系统包含多路标和长时间的闭环过程这个问题就一定会显现出来差别只在于程度轻重。理解这一点之后我没再纠结“是不是运气不好”而是老老实实去分析线性化到底破坏了什么。2. 从可观测性切入线性化如何制造“伪可观”2.1 可观测性分析在说哪件事可观测性是控制理论里一个基础概念给定系统的状态方程和观测方程如果我们能通过一段时间内的观测数据唯一确定系统的初始状态就说这个系统是可观测的。对线性系统而言判断方法很简单——构造可观测性矩阵看它的秩是否等于状态维数。秩等于状态维数说明完全可观测秩不够说明有些方向的信息永远无法从观测中获得。对非线性系统判断要更复杂一些通常用到李导数和李括号构造可观测性秩条件。这些概念听起来吓人但核心思想还是那一条系统中总有一些状态组合不管你怎么观测都会“映射”到相同的观测值那这些组合就是不可观测的方向。可观测性分析在SLAM里的意义很大。因为它告诉我们不管传感器多精确、算法多聪明系统天生就不可能获知哪些信息。如果滤波器在估计过程中“觉得”自己获得了这些不可能获知的信息那它就是在自欺欺人。2.2 2D SLAM的“真实身份”全局有3个自由度天然不可观考虑一个2D平面SLAM系统。机器人位姿有三个量x、y、yaw角θ。地图里有N个路标每个路标有2个坐标系统状态总数是3 2N。观测模型比如是距离加方位角。直观地想路标和机器人之间的相对几何是可观测的但整个地图的全局坐标呢把整个系统机器人所有路标一起平移一下所有距离和方位角观测值完全不变再把整个系统绕原点旋转一下观测值也完全不变。也就是说全局平移2个自由度加上全局旋转1个自由度总共3个自由度在数学上天然不可观测。真实非线性SLAM系统的可观测性秩因此是状态总数减去3。这3个不可观自由度不是缺陷而是系统的“物理现实”。一个合理设计的滤波器应该尊重这个现实让全局位置的协方差始终保持一个合理的水平而不是随着时间无限收缩。但在EKF里会发生什么实际结果恰好相反。2.3 线性化系统为什么“弄丢”了这3个自由度EKF的每一步都在当前状态估计点附近对非线性系统做泰勒展开只保留一阶项。这意味着每一步我们都在解一个“局部线性化了”的系统。问题在于这个线性化点是不断变化的——每更新一次状态线性化点就换一个地方。当所有雅可比矩阵都在同一个工作点上计算时线性化系统的可观测性结构还能大致保持原系统的性质。可一旦线性化点随估计值移动不同时刻的可观测方向就会“搅”在一起产生一些原系统根本不存在的新可观测方向。用秩的话说真实非线性系统的可观测性秩是状态总数减3但EKF等价线性化系统的可观测性秩往往更高严重时甚至接近满秩。这会造成什么后果卡尔曼滤波更新的本质是在可观测方向上收缩协方差。如果可观测方向比真实系统多滤波器就会在一些“伪可观”的方向上也收缩协方差。于是协方差被低估NEES超标不一致性随之而来。这个洞察我越琢磨越觉得关键不一致不是数值稳定性问题不是参数调得不好而是EKF的线性化改变了系统本身的可观测性结构。所以无论你把过程噪声调多大、把初始协方差调多宽都只能暂时掩盖症状不能解决问题。顺着这个思路修正方法也就很自然了能不能让线性化系统的可观测性和原系统保持一致比较著名的做法就是FEJ——First Estimate Jacobian第一估计雅可比。它的核心想法简单到让人意外在计算观测雅可比时把线性化点固定在第一次估计到该状态的位置上不要每次都用最新的估计。这样就避免了雅可比随估计值漂移系统可观测性结构也就稳住了。3. Matlab仿真设计如何把“不一致”逼出来3.1 仿真方案整体设计理论和嘴上说不算数得在仿真里把现象复现出来。我的思路是搭一个最小的EKF-SLAM闭环仿真环境然后用同样的场景、同样的噪声种子对比标准EKF和FEJ-EKF的表现。先说场景。为了让不一致性问题充分暴露场景里必须有一个闭环——机器人走一圈回到起点附近再次观测到之前见过的路标。闭环是信息量最大的时刻也是协方差快速收缩的时刻伪可观测方向带来的假信心会在闭环处被显著放大。所以不能让机器人直线跑圆轨迹最合适。具体参数我列成一张表方便你直接抄参数项数值说明时间步长dt0.1 s仿真步长仿真总时间40 s机器人约走1.2圈线速度v1 m/s固定角速度ω0.2 rad/s圆形轨迹半径约5 m路标数量20均匀随机分布在圆心周围半径3~8 m观测范围max_range6 m超过范围不可见距离观测噪声σρ0.1 m精度较高的距离传感器方位观测噪声σφ1°约0.017 rad换算成弧度注意别写错过程噪声Qdiag([0.02², 0.02², 0.01²])对应机器人x、y、θ初始位置估计误差[0.2 m, −0.1 m, 0.02 rad]让初始协方差和真实偏差匹配蒙特卡洛次数M50统计平均NEES有两个参数选择特别说一下。观测噪声设置得比较小是有意为之——观测越准信息累积越快滤波器对伪可观方向的自信膨胀就越快不一致性表现得越明显。反过来如果观测噪声特别大所有误差都被噪声压住了NEES曲线反而不容易看出明显超标。过程噪声也别设太大否则协方差发散压过收敛同样会掩盖不一致。路标的初始化我采用“运动中逐步发现”的方式而不是一开始全部可见。这样更贴近真实场景也让新路标初始化这一点能暴露出来。3.2 标准EKF主循环代码骨架Matlab代码的核心主循环大概是下面这个结构。状态向量组织方式是这样的前3维是机器人位姿[xr; yr; theta]后面按次序每2维放一个路标[x_l; y_l]。为了方便更新我用一个索引函数把路标序号映射到状态向量位置。% 参数定义 dt 0.1; T_end 40; N round(T_end/dt); v 1.0; w 0.2; sigma_v 0.02; sigma_w 0.01; sigma_rho 0.1; sigma_phi deg2rad(1); max_range 6.0; N_L 20; % 生成真实路标半径3~8m内均匀分布 angles unifrnd(0, 2*pi, N_L, 1); radii unifrnd(3, 8, N_L, 1); LM_true [radii .* cos(angles), radii .* sin(angles)]; % 状态维数 state_dim 3 2 * N_L; % 初始真实状态和估计状态 x_true [0; 0; 0]; x_est [0.2; -0.1; 0.02]; P blkdiag(0.2^2 * eye(3), 10^2 * eye(2 * N_L)); % 记录路标是否已初始化、首次观测时的系统状态 lm_init false(N_L, 1); init_robot_pose zeros(N_L, 3); % 机器人首次观测到路标时位姿估计 init_lm_pos zeros(N_L, 2); % 路标首次初始化时的位置估计EKF预测部分运动模型用的是里程计模型。这里有一个需要注意的点状态转移雅可比G只对机器人位姿有影响路标部分是静态的所以G是稀疏的单位阵加上机器人位姿部分的偏导。for k 1:N % 真实运动控制输入加噪声 v_true v sigma_v * randn; w_true w sigma_w * randn; x_true(1) x_true(1) v_true * cos(x_true(3)) * dt; x_true(2) x_true(2) v_true * sin(x_true(3)) * dt; x_true(3) x_true(3) w_true * dt; % EKF预测使用名义控制 theta x_est(3); x_est(1) x_est(1) v * cos(theta) * dt; x_est(2) x_est(2) v * sin(theta) * dt; x_est(3) x_est(3) w * dt; G eye(state_dim); G(1,3) -v * sin(theta) * dt; G(2,3) v * cos(theta) * dt; Q zeros(state_dim); Q(1:3,1:3) diag([sigma_v^2, sigma_v^2, sigma_w^2]) * dt^2; P G * P * G Q;接下来是观测生成和EKF更新。数据关联在这个仿真里假设已知也就是我们明确知道每个观测对应哪个路标。对每一个可见路标首先生成带噪声的真实观测再根据路标是否初始化分别处理。for i 1:N_L % 真实观测 dx LM_true(i,1) - x_true(1); dy LM_true(i,2) - x_true(2); rho_true sqrt(dx^2 dy^2); phi_true atan2(dy, dx) - x_true(3); if rho_true max_range continue; end z [rho_true sigma_rho * randn; wrapToPi(phi_true sigma_phi * randn)]; if ~lm_init(i) % 路标首次观测用机器人当前位置估计路标位置 theta_now x_est(3); lm_x x_est(1) z(1) * cos(theta_now z(2)); lm_y x_est(2) z(1) * sin(theta_now z(2)); x_est(3 2*i - 1) lm_x; x_est(3 2*i) lm_y; % 记录首次估计供后续使用 init_robot_pose(i,:) x_est(1:3); init_lm_pos(i,:) [lm_x, lm_y]; lm_init(i) true; % 注意这里没有马上调用观测更新 % 初始化本身已经用了观测信息且协方差要按增广方式更新 continue; end % 已知路标执行标准EKF更新 xl x_est(3 2*i - 1); yl x_est(3 2*i); dx xl - x_est(1); dy yl - x_est(2); rho_hat sqrt(dx^2 dy^2); phi_hat atan2(dy, dx) - x_est(3); z_hat [rho_hat; wrapToPi(phi_hat)]; nu [z(1) - z_hat(1); wrapToPi(z(2) - z_hat(2))]; H zeros(2, state_dim); H(1,1) -dx / rho_hat; H(1,2) -dy / rho_hat; H(1,3) 0; H(2,1) dy / rho_hat^2; H(2,2) -dx / rho_hat^2; H(2,3) -1; H(1,3 2*i - 1) dx / rho_hat; H(1,3 2*i) dy / rho_hat; H(2,3 2*i - 1) -dy / rho_hat^2; H(2,3 2*i) dx / rho_hat^2; R diag([sigma_rho^2, sigma_phi^2]); S H * P * H R; K P * H / S; x_est x_est K * nu; P (eye(state_dim) - K * H) * P * (eye(state_dim) - K*H) K * R * K; end这里用约瑟夫形式更新协方差而不是简单的P (I − KH)P。这个习惯我从一次翻车经历中养成的简单形式的数值对称性和非负定性保持不好长时间仿真中协方差矩阵可能出现微小不对称最后导致滤波发散。约瑟夫形式计算量稍微大一点但数值上稳得多强烈建议养成习惯。3.3 FEJ实现的唯一区别FEJ的实现思路非常干净在已经初始化过的路标做更新时计算观测雅可比H用的不是当前机器人位姿估计和当前路标估计而是这个路标第一次被初始化时的“第一估计”。代码上只要把上面更新段落里的dx、dy替换一下% FEJ: 使用第一估计来计算雅可比 xr_fe init_robot_pose(i,1); yr_fe init_robot_pose(i,2); theta_fe init_robot_pose(i,3); xl_fe init_lm_pos(i,1); yl_fe init_lm_pos(i,2); dx xl_fe - xr_fe; dy yl_fe - yr_fe; rho_fe sqrt(dx^2 dy^2); H zeros(2, state_dim); H(1,1) -dx / rho_fe; H(1,2) -dy / rho_fe; H(2,1) dy / rho_fe^2; H(2,2) -dx / rho_fe^2; H(2,3) -1; H(1,3 2*i - 1) dx / rho_fe; H(1,3 2*i) dy / rho_fe; H(2,3 2*i - 1) -dy / rho_fe^2; H(2,3 2*i) dx / rho_fe^2;但注意观测预测值z_hat仍然应该用当前状态估计来计算只有雅可比矩阵H里的线性化点被锁定在第一估计上。这一点非常关键——你不能把z_hat也换成第一估计否则新息计算就错了滤波器会直接产生有偏估计。FEJ锁住的只是线性化点不是观测预测本身。我第一次实现的时候没想清楚这个区别把z_hat也锁死了结果滤波器虽然NEES看着很漂亮但真实误差明显增大估计严重有偏。这就是“为了一致性牺牲了精度”的极端反面教材。后来才明白观测预测必须反映当前最优估计这是滤波器更新逻辑的基本盘不能动。3.4 新路标初始化里容易被忽视的细节路标初始化是一个看着简单但水很深的环节。上面代码里当路标第一次被观测到时我用机器人位姿估计和观测值直接解算路标位置lm_x x_est(1) z(1) * cos(theta_now z(2)); lm_y x_est(2) z(1) * sin(theta_now z(2));如果只是把路标位置直接塞进状态向量、不动协方差那就不对——这个初始化的路标位置带有观测噪声和机器人位姿误差的耦合不确定性协方差必须相应增广。一个简化的处理是给新路标设一个较大的初始协方差比如这里用了100的协方差用于体现“我们对这个路标的位置其实很不确定”。在更严格的实现里应该把观测噪声和机器人位姿不确定性都投影到路标坐标上用一个投影雅可比矩阵来增广协方差。FEJ里还必须记录这个路标首次初始化时的机器人位姿估计和路标位置估计。这个记录要放在初始化的时候一次性完成之后就不能改了——哪怕后续机器人位姿更新了很多次哪怕路标位置估计被修正了很多次第一估计始终是那个原始值。这就是FEJ能维持可观测性结构的原因。4. 实验结果怎么看NEES曲线说明一切4.1 NEES计算与判据仿真循环结束之后把每步的NEES都算出来。我这里的做法是在所有仿真完成之后对每个时间步k统计M次蒙特卡洛的平均NEESM 50; nees zeros(N, 1); for k 1:N e x_est_all{k}(1:3) - x_true_all{k}(1:3); Pk P_all{k}(1:3, 1:3); nees_k e / Pk * e; nees(k) mean(nees_k_all(:,k)); % 对M次取平均 end d 3; alpha 0.95; ub chi2inv(alpha, M * d) / M; lb chi2inv(1 - alpha, M * d) / M;判据很简单如果平均NEES大部分时间落在[lb, ub]区间内滤波器是一致的如果超出上限则滤波器的协方差过小也就是过度自信。超过越多、持续越久不一致越严重。4.2 仿真结果对比标准EKF vs FEJ-EKF在我这套参数下标准EKF的NEES曲线几乎是灾难性的。前几十步还算正常随着机器人不断观测路标、协方差开始收缩NEES就一路上涨。到闭环节点附近NEES经常跳到几十甚至上百。注意这里的“上百”意味着什么真实误差是协方差所声称水平的10倍以上。也就是说滤波器对自身定位精度的信心比真实水平高了一个数量级。而FEJ-EKF的表现明显不同。NEES曲线全程在3附近波动且有相当一部分时间落在置信区间内。即使偶尔超一点上界程度也在可接受范围内不会出现数量级的偏差。这说明FEJ确实让线性化系统的可观测性结构更接近真实非线性系统协方差估计不再是系统性偏小。还有一个有趣的细节看单次运行的轨迹标准EKF在大部分时间里看起来“更平滑”置信椭圆更小地图也似乎更紧凑FEJ的置信椭圆则明显更大轨迹噪声也更明显。但对照真实轨迹后会发现标准EKF的自信是空中楼阁。这让我意识到有时候“看起来漂亮”的地图反而是危险的协方差才是滤波器内心真正的语言。4.3 单次运行 vs 蒙特卡洛为什么不能只看一条曲线如果只跑一次仿真你可能什么都看不出来。有一次我跑标准EKF正好噪声运气好轨迹贴合真实路径NEES虽然超过上限但也不算离谱看起来似乎“没毛病”。但换成蒙特卡洛跑50次之后平均NEES的超标幅度触目惊心。一致性是一个统计性质必须通过大量独立重复实验来评估。这里有个细节可以提一下蒙特卡洛每次都要重新生成过程噪声、观测噪声和初始估计误差不能复用同一组随机数。Matlab里可以用rng(shuffle)或者记录不同种子的方式保证独立性。我习惯在每次仿真前用一个随机的种子并在记录结果时把种子存下来这样如果某个结果特别反常还能用同一个种子单独复现分析。5. 复现过程中的坑与心得5.1 参数设置会影响“现象”的显隐很多人复现这个实验时第一反应是“为什么我的EKF没有不一致”。大多数情况不是FEJ本身没效果而是参数设置把现象掩盖掉了。观测噪声设太大是头号原因。假设距离观测噪声从0.1m调到0.5m方位噪声从1°调到5°传感器提供的有效信息大幅减少协方差收缩变慢即使线性化引入了伪可观方向额外的“假信息”也被大噪声淹没NEES超标不明显。但这不是好消息——它只是说明你传感器的噪声盖过了算法的病征并不代表算法本身健康。初始协方差设置也是一个因素。如果初始协方差设得过大协方差需要更长时间才能收缩到“伪可信”水平现象也会延后。反过来如果初始协方差设得过小滤波器可能在最初的几十步就快速锁定NEES很快飙升。这里我推荐的做法是让初始协方差和初始估计误差大致匹配比如初始位置误差0.2m就设0.2²的协方差这样才能干净地暴露后续不一致。仿真时间不够长也是常见问题。EKF的不一致是随时间累积的特别是要等闭环出现后才能看到明显冲击。我最初只跑15秒路径还没闭合NEES只是略微超过上限差点误判问题不明显。后来把仿真时间延长到40秒走了完整的闭环才看到NEES爆发式的上升——那一下真的让人印象深刻。5.2 代码层面的几个坑第一角度归一化一定要做好。方位角观测、预测和新息都要做wrapToPi处理。如果忘记归一化当真实方位角在±π附近跳变时新息会出现一个2π量级的大脉冲滤波器会瞬间被“冲击”偏掉。这个坑在纯定位仿真里可能不明显因为机器人朝向变化不大但SLAM中机器人在闭环后往往有大角度变化几乎必然触发。第二新息协方差S的求逆或者“/”运算要注意条件数。如果P很大而R很小S可能病态。我遇到过S矩阵接近奇异导致K的元素异常大状态估计直接爆炸的情况。解决方法是检查R是否过小、观测模型是否线性化不良以及在更新前对H·P·H′做对称化处理。第三路标增广状态后所有索引要重算。如果你的代码里路标发现顺序不是预先固定的而是随机顺序那么状态向量中的路标索引必须和存储路标属性的数组对应。我这里用了一个lm_init布尔数组和i的路标编号来保持一致性这个做法不容易出错。第四FEJ中“第一估计”的存储必须在路标初始化时完成而且要存一份具有完整精度的数值副本。不要在后续运算中偷偷引用可能更新的变量。Matlab的引用语义有时候会让人疏忽——如果你直接把init_robot_pose(i,:)指向x_est(1:3)的引用后面x_est更新了第一估计也跟着变了FEJ就名存实亡。用赋值语句把值拷出来是最稳妥的。5.3 从可观测性还能往哪些方向走做完这个仿真后我最大的收获是以后再看到某个滤波SLAM算法号称“收敛快”我都会先问一句——它的可观测性结构对吗如果一个算法能让协方差快速收敛但收敛的方向包含了原系统不可观的方向那快就是伪快。这个思路可以延伸到不少方向。比如在视觉惯性导航里系统也存在类似的不可观方向比如全局位置和重力方向EKF类的VIO算法同样会遭遇不一致问题可观测性分析同样适用。再比如多机器人协作SLAM多个机器人之间的相对位姿约束和全局自由度的不可观性纠缠在一起比单机器人更复杂用可观测性框架分析能提前规避很多坑。即使你后来改用不基于滤波的图优化方法这个问题的影子依然存在——只是表现形态不同。图优化里每个节点的线性化点也是迭代更新的如果处理不好信息和信息矩阵同样会虚假收缩。理解了EKF版本的不一致再去看图优化里的信息矩阵处理技巧会有一种豁然开朗的感觉。最后分享一个我在实际排查时常常用的小技巧当滤波结果看起来不正常时第一步不是去看轨迹误差而是先画NEES曲线。轨迹误差只能告诉你“结果不对”NEES能告诉你“哪里不对”——是协方差太小导致盲目自信还是协方差太大导致保守迟钝。有了这个判断再回头排查雅可比、线性化点、参数设置思路会清晰很多。EKF-SLAM的不一致性问题看似玄学但只要握住可观测性这把尺子它就会变得可以理解、可以复现也可以修正。
