我正在开发一个iOS 17应用程序，将苹果的 RoomPlan（RoomCaptureSession）与自定义边缘AI模型（通过 CoreML 与 Vision 框架的YOLOv8）实时检测墙面上的结构缺陷（如裂缝）。

架构：

1. RoomPlan 在后台运行，用于生成3D房间网格。
2. 我截取相机帧（CVPixelBuffer），并将它们传递给一个 VNCoreMLRequest。
3. 模型成功返回一个2D的 VNRecognizedObjectObservation（边界框），其坐标为归一化坐标。

挑战： 我需要将这个2D边界框锚定到现实世界中的一个精确的3D绝对坐标（simd_float3），以便缺陷标记与导出的 .usdz 模型和2D .dxf 平面布置图完美对齐。

目前，我将Vision的归一化坐标转换为屏幕坐标，并使用 .estimatedPlane 进行 ARKit 射线投射：

// Pseudo-code of current approach
let screenPoint = CGPoint(x: boundingBox.midX * screenSize.width, 
                          y: (1 - boundingBox.midY) * screenSize.height)

let query = arSession.raycastQuery(from: screenPoint, 
                                   allowing: .estimatedPlane, 
                                   alignment: .vertical)

if let result = arSession.raycast(query).first {
    let worldTransform = result.worldTransform
    // Save coordinate...
}

我的问题：

由于RoomPlan自身创建了优化过的墙面（CapturedRoom.Surface），是否更适合对ARKit的 .estimatedPlane进行射线投射，还是有没有办法直接用数学方式与RoomPlan的几何输出相交以获得更高的精度？ 在ARSession的世界原点与最终的CapturedRoom导出原点之间，是否存在已知的坐标空间不匹配，需要我在最终的USDZ中处理，以防止3D标记漂移？ 对于处理这种跨维度坐标映射的任何见解，将不胜感激。

解决方案

1. 先将像素反投影为真实的3D光线。使用 ARFrame.camera.intrinsics（以及 simd\_inverse）将Vision的边界框中心转换到相机空间，然后乘以 camera.transform 得到世界空间的光线。不要仅依赖屏幕宽高比来缩放。

2. 对真实几何体进行射线投射，而不是 .estimatedPlane。RoomPlan不断向AR会话输入LiDAR网格。切换到 allowing: .existingPlaneGeometry，或遍历 ARMeshAnchors / CapturedRoom.Surface.mesh，自行与射线相交。这样能将命中点绑定到实际的墙面上。

3. 将坐标空间与RoomPlan的导出对齐。RoomPlan在生成USDZ/DXF之前会重新设定世界原点。缓存 session.currentRoom?.worldTransform（或随 CapturedRoom 一起提供的重基矩阵），并在写入导出前对你的ARKit worldTransform 进行预乘。这样可以防止漂移。

4. 可选的简化方法：采样SceneDepth。如果在边界框中心读取 ARFrame.sceneDepth / smoothedSceneDepth，可以直接反投影到一个 simd\_float3，无需射线投射。在门框或角落附近，这通常是最稳定的方法。

通过这些步骤，2D检测结果将在世界坐标系中与RoomPlan的 USDZ/DXF对齐。