FAST-LIO系列-阅读笔记

近期，阅读了FAST-LIO、FAST-LIO2以及Faster_LIO论文，这三篇论文都属于滤波器的SLAM算法，下面记录一下三个工作的主要贡献和不同。

FAST-LIO 

1.提出了一种计算效率高、鲁棒性强的激光雷达-惯性里程测量框架。使用紧密耦合的迭代扩展卡尔曼滤波器将激光雷达特征点与 IMU 数据融合，从而在快速运动、噪声或杂乱环境中实现稳健导航。

2.为了降低大量测量时的计算负荷，提出了一种计算卡尔曼增益的新公式。新公式的计算负荷取决于状态维度而非测量维度。

FAST-LIO2

基于FAST-LIO，FAST-LIO2主要有两点贡献：

1.第一项是直接将原始点注册到地图上（随后更新地图，即制图），用而无需提取特征。这样可以利环境中的细微特征，从而提高精度。

2.第二个主要创新点是通过增量 k-d 树数据结构（ikd-Tree）来维护地图，从而实现增量更新（即点插入、删除）和动态再平衡。

 点云配准的方式如下：

地图更新的方式如下（局部地图）：

Faster_LIO

为了实现高跟踪速度，Faster_LIO既没有使用复杂的基于树的结构来划分空间点云，也没有使用严格的k最近邻（k-NN）查询来计算点匹配。取而代之的是，使用增量体素 （iVox） 作为点云空间数据结构，它从传统体素修改而来，支持增量插入和并行近似 k-NN 查询。我们提出线性 iVox 和 PHC（伪希尔伯特曲线）iVox 作为我们算法中的两个替代底层结构。 

Faster_LIO相比于FAST-LIO2的区别是提出了一种新的点云数据结构。