从具体例子读懂这条方法链把机器人想成手持激光扫描仪走过一面墙IMU是测量转动和加速度的惯性传感器更新快但会漂LiDAR用激光测环境表面的位置能把漂移拉回来。里程计在这里是连续估计机器人位置和朝向的算法不是车轮上的里程表。环节输入产物及作用预测上一状态、连续 IMU 测量先猜扫描结束时的位姿、速度、传感器偏差以及猜测的不确定性去畸变一帧内不同时间采到的点、预测运动将点换算到同一参考时刻避免边转头边扫描把直墙扫弯几何更新激光特征、已有地图、预测状态比较“按当前位姿放进地图的点”与环境表面的偏差修正状态更新地图修正后的位姿、当前点将本帧信息放进地图为下一帧提供参照紧耦合直接用每个激光几何误差修正包含位姿、速度、零偏的共同状态不是先让激光和 IMU 各自出一个位置再对两个位置取平均。迭代同一帧里位姿改了就重新计算几何误差再改一次不是把同一帧当成多份独立证据反复加权。未收敛重新计算几何误差供下一帧使用上一时刻状态及不确定性IMU先预测这一段怎么动激光扫描每个点有自己的采样时间去畸变统一到扫描参考时刻特征与地图几何比较上一帧留下的地图迭代滤波修正位姿、速度和偏差收敛后输出状态并更新地图用一个教学简化例子理解滤波IMU 预测前进 1.00 m激光几何约束支持 0.90 m。若只看一维并假定两者独立先验方差为 0.04、测量方差为 0.01则K 0.04 / ( 0.04 0.01 ) 0.8 K0.04/(0.040.01)0.8K0.04/(0.040.01)0.8更新为1.00 0.8 ( 0.90 − 1.00 ) 0.92 1.000.8(0.90-1.00)0.921.000.8(0.90−1.00)0.92m。K KK是信任测量修正的程度。真实 FAST-LIO 更新的是多维、含旋转的状态不能把所有量都套进这条一维公式这里仅解释“预测按不确定性纠正”的含义。它不靠标注好的“正确动作”训练神经网络运行时的约束来自 IMU 运动模型和地图几何。若只看到一面无限大平墙沿墙滑动也可能仍贴着同一平面某些方向就缺少约束算法快不等于任何场景都能定位。原文依据FAST-LIO 的状态传播、测量更新与快速增益推导。其主要矩阵求逆可转到状态维度并不意味着点数增加没有计算开销构造残差等操作仍与点数相关。一句话定位把激光特征点和 IMU紧耦合进迭代扩展卡尔曼滤波iEKF / IESKF并用「增益按状态维算」的公式让上千点也能在机载电脑上实时融合。本页概念卡滤波ESKF · IESKF · 紧耦合观测与预处理点到平面残差 · 运动去畸变1. 背景概念给新人LiDAR-Inertial OdometryLIO激光惯导里程计用激光看环境几何 IMU 感知短时运动估计机器人「这一小段怎么动」。松耦合 vs 紧耦合松耦合先各自估位姿再捏紧耦合把激光残差直接塞进同一滤波器/优化器。迭代卡尔曼观测对姿态非线性同一帧残差多线性化几次→ IESKF。运动畸变一帧点时间不同要用 IMU 去畸变。本篇站在「滤波式 LIO」线上面向小视场固态雷达 机载算力。2. 论文在干什么问题特征少时易退化一帧特征点又很多传统卡尔曼增益随测量维暴涨扫描畸变 IMU 噪声。设定Livox 等固态雷达 IMU室内外与四旋翼实测。输出实时位姿与地图开源 FAST_LIO。3. 核心创新点紧耦合迭代 EKF特征点残差直接更新完整状态含速度、零偏等退化场景更稳。反向传播去畸变按点时间把点补偿到统一时刻而不是假装整帧同时刻。新的卡尔曼增益公式复杂度主要跟状态维走而不是测量点数m mm等价于经典增益但点数上千时明显更快。可跑在小 onboard 电脑文中称融合 1200 有效特征点、iEKF 迭代可在约 25 ms 内完成机载实测口径。4.1 流水线特征提取边缘/平面→ 与 IMU 进入状态估计 → 估计位姿把特征并入地图 → 下一帧再匹配。4.2 预测与去畸变IMU 高频前向传播名义状态与协方差。对扫描内各点做 back-propagation消除运动畸变。4.3 观测特征点相对地图的几何约束平面/边缘距离。迭代更新重复算残差与H HH直到收敛或达到迭代上限。4.4 增益技巧直觉经典形式涉及对大测量维矩阵求逆文中给出等价形式使主要矩阵尺寸贴近状态维从而「点再多也不按点数立方爆炸」。5. 整体框架Mermaid高频 IMU前向传播 Predict激光扫描边缘/平面特征反向传播去畸变点到平面/边缘残差特征地图迭代 EKF 更新位姿/速度/零偏6. 实验与结论室内外、杂乱与快速运动场景四旋翼实测。结论紧耦合 快速增益公式使「多点 实时」同时成立退化时比松耦合更耐造。局限仍依赖特征提取扫描模式变化时特征模块要跟着调 → 被 FAST-LIO2「直接法」缓解。7. 要点总结增益公式是工程能跑上千点的关键。