既然我们要深入到 TSDF（Truncated Signed Distance Function，截断符号距离函数） 的最底层，我们就需要抛开表面的概念，直接进入它的数学本质、算法推演以及在 GPU 上的显存工程实践。
TSDF 是目前微软 KinectFusion 及其所有衍生 3D 重建算法（包括各种机器人的实时环境感知系统）的绝对核心。它的出现，本质上是为了解决一个极度复杂的统计学和计算机图形学问题：如何在充满大量不可预测噪声的连续 2.5D 深度帧中，求导出一个绝对稳定、平滑的 3D 物理表面？
以下是 TSDF 算法的深度技术解剖：
一、 TSDF 的数学本质
我们先从最基础的 SDF 说起，再看它是如何被“截断（Truncated）”的。
1. SDF（符号距离函数）
假设在 3D 空间中有一个真实的物理表面 $S$。对于空间中的任意一个点 $\mathbf{x} = (x, y, z)$，它的 SDF 值被定义为：该点到表面 $S$ 的最短欧几里得距离。
- 如果 $\mathbf{x}$ 在空气中（物体外部），值为正（$d > 0$）。
- 如果 $\mathbf{x}$ 在物体内部，值为负（$d < 0$）。
- 如果 $\mathbf{x}$ 恰好在表面上，值为 0。
2. Truncation（截断机制）
真实的物理世界空间无限大，如果我们计算所有空间的 SDF，算力会瞬间崩溃。此外，深度相机只能看到物体的“前表面”，它根本不知道物体背面的 SDF 是多少。
因此，引入了一个极小的值 $\mu$（通常设置为几厘米，比如 5cm），作为截断带（Truncation Band）。
TSDF 的数学定义为：
$$
TSDF(\mathbf{x}) = \max\left(-1, \min\left(1, \frac{SDF(\mathbf{x})}{\mu}\right)\right)
$$
- 物理意义： 我们只关心距离物体表面 $\pm\mu$ 范围内的薄薄一层空间。在这个带内，距离被线性归一化到了 $[-1, 1]$。超出这个范围的空间，TSDF 值直接被强行截断为 1（太远）或 -1（太深），系统不再对它们进行高精度的浮点运算。
二、 核心算法：TSDF 的加权融合流水线 (Fusion)
深度相机每秒会吐出 30 帧深度图，TSDF 是如何把这 30 帧图像融合成一个 3D 模型的？这是一个极其精妙的投影与加权更新（Projective Update）过程。
假设我们在显存里开辟了一个巨大的 3D 体素网格（Voxel Grid），每个格子 $\mathbf{v}$ 里存两个值：当前的 $TSDF$ 值，以及一个权重 $W$。
当新的一帧深度图（带有相机的 6DoF 位姿）到来时，算法会在 GPU 上并行执行以下步骤：
第一步：全局到局部的投影 (Projection)
对于显存里的每一个体素 $\mathbf{v} = (x,y,z)$，利用当前相机的外参矩阵（旋转和平移 $\mathbf{T}$）和内参矩阵（焦距等 $\mathbf{K}$），将这个 3D 体素投影到当前相机的 2D 像素平面上，找到它对应的像素坐标 $(u, v)$。
第二步：计算瞬时 SDF
在这个 2D 像素 $(u, v)$ 处，读取深度相机拍到的真实深度值 $d_{sensor}$。
同时，计算体素 $\mathbf{v}$ 到相机的理论深度 $d_{voxel}$。
瞬时的符号距离即为：
$$
sdf = d_{sensor} - d_{voxel}
$$
如果 $sdf > 0$，说明体素在表面前方；如果 $sdf < 0$，说明体素陷入了表面后方。
第三步：状态更新（噪声过滤的终极杀器）
将上述算出的 $sdf$ 经过 $\mu$ 截断后，得到这一帧的瞬时 $tsdf_{new}$。接下来使用经典的加权平均公式更新体素的全局状态：
$$
TSDF_{global} = \frac{TSDF_{global} \cdot W_{old} + tsdf_{new} \cdot W_{new}}{W_{old} + W_{new}}
$$
$$
W_{global} = W_{old} + W_{new}
$$
- 为什么这能过滤噪声？ 深度相机的噪声是符合高斯分布的随机跳动。当你在同一位置累加了 100 帧数据后，全局的权重 $W$ 变得非常大。此时即使第 101 帧因为反光出现了一个极其荒谬的噪点，它在加权公式中也会被庞大的历史数据直接“稀释”掉。这就把剧烈闪烁的深度图，变成了一个坚如磐石的 3D 场。
三、 架构师视角的显存优化战役
在工程落地时，TSDF 最大的敌人是空间复杂度 $O(N^3)$。
如果我们在一个 $5\text{m} \times 5\text{m} \times 5\text{m}$ 的房间里，想要达到 5 毫米精度的 3D 重建，我们需要划分 $(1000 \times 1000 \times 1000) = 10^9$ 个体素。每个体素存 TSDF 和 Weight（各 16-bit），一瞬间就会吃掉几 GB 到十几 GB 的显存。而房间里 99% 的空间都是空的（空气）。
为了把 TSDF 塞进普通的 GPU 或边缘计算设备，业界演化出了极度硬核的数据结构：
1. 八叉树 (Octree)
将 3D 空间不断八等分。如果一个区域里全是空气，或者全在物体极深处，就不再往下细分。只有在 TSDF 零交叉点（表面）附近，才将格子切分到最细。这种方法大幅压缩了内存，但指针跳转会导致 GPU 并行计算效率下降。
2. Voxel Hashing (体素哈希)
这是由 Niessner 等人提出的神级优化（目前多数现代重建管线的底层逻辑）。
不再维护一个巨大的 3D 数组，而是只在物体表面附近分配 $8 \times 8 \times 8$ 的“体素块（Voxel Blocks）”。系统维护一个巨大的哈希表（Hash Table）。GPU 计算时，通过空间坐标算出一个 Hash 值，用 $O(1)$ 的时间复杂度瞬间找到对应的体素块。这让大场景的实时高精度 TSDF 重建成为可能。
四、 从 TSDF 到物理网格的终跃
经过成百上千帧的加权融合，GPU 显存里现在有了一个完美的 TSDF 场。但物理引擎（如 PhysX、MuJoCo）依然不认识它，物理引擎只认识顶点和三角形。
最后一步，是运行 Marching Cubes（移动立方体）算法 或 Raycasting（光线投射）：
遍历所有的体素，寻找 TSDF 值从正数变为负数的相邻格子（这意味着恰好穿过了表面）。算法在这些格子的连线上进行线性插值，精确计算出 0 值所在的精确 3D 坐标，并在这些坐标上自动生成三角面片（Mesh）。
至此，冰冷的传感器电流，彻底变成了一个可以在虚拟元宇宙中进行碰撞、抓取和重力计算的数字孪生物体。