☰
【SLAM】FAST-LIO2论文精读
2026/10/30 16:29:13 网站建设 项目流程

从具体例子读懂这条方法链

假设机器人扫描到前方一面墙。它需要回答:“按我现在猜的位置,把激光点放进地图,它们是不是贴在墙上?”FAST-LIO2 每帧围绕这个问题修正位姿。输入是带时间信息的点云、IMU 测量与已有局部地图;输出是机器人状态和增量地图,没有“正确导航动作”的训练标签。

一个点怎样变成定位约束

激光测到的点p L p_LpL​先通过外参换到 IMU 坐标,再通过机器人位姿换到地图坐标。把合并后的变换简写为p W = R p L + t p_W=Rp_L+tpW​=RpL​+t:R RR表示朝向,t tt表示位置,W WW表示地图坐标。真实实现里外参和位姿分别处理。

在地图中找这个点附近的几个点,拟合一小块平面,写成:

n T p + d = 0 , r = n T p W + d , ∥ n ∥ = 1. n^T p+d=0,\qquad r=n^T p_W+d,\qquad \|n\|=1.nTp+d=0,r=nTpW​+d,∥n∥=1.

n nn是垂直于平面的单位方向,d dd是平面常数;r rr是有正负号的距离,单位为米。残差就是当前预测与几何要求的差。

教学例子:墙是x = 5 x=5x=5m,取n = ( 1 , 0 , 0 ) n=(1,0,0)n=(1,0,0)、d = − 5 d=-5d=−5;当前估计把点放到了p W = ( 5.12 , 2 , 1 ) p_W=(5.12,2,1)pW​=(5.12,2,1),于是r = 0.12 r=0.12r=0.12m。滤波器会联合很多点和 IMU 先验修正位姿,争取让这些距离整体更小。不能只看一个点,就武断地把机器人沿 x 轴移动 12 cm;朝向误差、外参误差也可能导致类似现象。

改了位姿,再查一次

一帧点云和点时间

IMU辅助去畸变

用当前位姿把点放到地图坐标

ikd-Tree查近邻并拟合局部平面

计算点到平面距离

迭代滤波:综合几何与IMU先验

收敛后输出状态

增量插点、删远点、维护局部地图

直接法是跳过专门的边缘/平面特征提取,让采样后的点直接参与地图匹配;它仍然需要去畸变、降采样、近邻查询和有效平面判断。ikd-Tree像一个可以边使用边增删的空间通讯录:按位置快速找到附近地图点,不负责替滤波器计算机器人动作。

如果把同一墙上离散的点拟合成平面后发现残差小,说明这部分观测与地图一致;不代表所有运动方向都被充分约束。与 FAST-LIO 的区别在于匹配点的使用及地图维护方式;它仍需要 IMU 与迭代估计。

原文依据:FAST-LIO2 的点到地图测量模型和增量地图章节。以上墙坐标是教学数值,不是论文实验数据。


一句话定位
在 FAST-LIO 的紧耦合迭代滤波上做「直接法」:去畸变、采样后的点直接配地图,并用 ikd-Tree 增量维护地图,更快更准、更适配多种雷达扫描模式。

本页概念卡

  • FAST-LIO2 · FAST-LIO
  • ikd-Tree · 点到平面残差
  • IESKF · 运动去畸变 · 紧耦合

1. 背景概念(给新人)

  • 直接法(这里的含义):不先抽边缘/平面特征,把采样点直接拿去和地图比(类比视觉直接法「不提点、用像素」的思路,但是几何距离)。
  • ikd-Tree:可增量插删的 k-d 树,专为实时建图查询。
  • 点到平面:点到局部平面距离作残差(见概念卡)。

2. 论文在干什么

  • 问题:特征提取对环境与扫描模式敏感;小 FoV / 弱结构时特征不够;地图结构更新贵。
  • 贡献两条主线:① 直接点到地图;② ikd-Tree 增量地图。
  • 设定:多种公开序列 + 固态雷达实机;高转速、杂乱室内等。

3. 核心创新点

  1. 取消手工特征提取:原始点进匹配,弱结构也能吃到「细微几何」。
  2. ikd-Tree:点级插入、轴对齐箱删、动态再平衡;支持树上降采样。
  3. 沿用并强化FAST-LIO 的流形迭代卡尔曼 + 快速增益公式 + IMU 去畸变。
  4. 系统级结果:文中报告相对多种 SOTA 更高精度、更低算力;室外可到很高里程计频率(量级上百 Hz 口径)。

4.1 状态与传播

  • 状态含 IMU 位姿、速度、零偏、重力、雷达到 IMU 外参等(流形表示)。

  • 每个 IMU 时刻前向传播;新扫描到达时,把点补偿到扫描结束时刻。

  • 对每个有效点:在地图找近邻 → 拟平面 → 点到平面残差。

  • 隐式测量模型:真值点应落在平面上;噪声导致有符号距离残差。

  • IESKF:反复在当前线性化点算H HH、更新误差状态,收敛后更新P PP。

4.3 建图

  • 有效点插入 ikd-Tree;超出局部大立方体的点删除,控制地图规模。

5. 整体框架(Mermaid)

IMU

前向传播

原始扫描点

反向去畸变

ikd-Tree 近邻+拟平面

迭代卡尔曼更新

状态

增量更新 ikd-Tree

ikd-TreeIESKFIMUikd-TreeIESKFIMU扫描结束时刻状态loop[迭代至收敛]Predict 多次近邻查询局部平面残差+H 更新状态插入有效点 / 删远点

6. 实验与结论

  • 多序列对比:精度与耗时优于多种当时 LIO;ikd-Tree 相对常见动态近邻结构更均衡。
  • 小 FoV 固态雷达、高角速度场景表现突出。
  • 局限:树结构在极端点密度下仍有开销 → Faster-LIO 用体素近似 kNN 再提速。

7. 要点总结

  • 「直接法」= 不提特征,不是光度法。

8. 开放问题

  • 外参在线估计在论文实验中的开启条件?

需要专业的网站建设服务?

联系我们获取免费的网站建设咨询和方案报价,让我们帮助您实现业务目标

立即咨询