FAST-LIO, ikd-Tree, FAST-LIO2, FASTER-LIO论文总结

目录

一、FAST-LIO

本文的三个创新点：

FAST-LIO框架

二、ikd-Tree

三、FAST-LIO2

四、FASTER-LIO

一、FAST-LIO

FAST-LIO三个创新点：

1.  将IMU和雷达点特征点紧耦合在一起；
2. 考虑到了运动补偿（使用反向传播）；
3. 将IEKF中的卡尔曼增益由原来的转变为,这样做的好处是原本公式求逆中的矩阵是观测维度的，新公式求逆中的矩阵是状态维度的，需要求逆的矩阵维度减小了（因为在实际情况中，激光特征点的数量维度要远大于状态量的维度）。

FAST-LIO框架

        本文的IEKF的更新频率是基于雷达的采样频率k，一帧雷达点云估计出一个后验状态。其中状态方程是IMU离散传播。观测方程是scan-submap匹配的，特征用点和面特征。

        每帧状态量会做反向传播利用△ T传播到特征点时间戳下的状态（一帧雷达点云包含若干个IMU状态，两个IMU状态之间包含若干个特征时间戳，在计算时考虑到了不同的IMU状态），将特征点经过外参和和进行运动补偿。然后将点转换到global坐标系与submap关联计算点-线，点-面的距离，这个过程是观测方程。本文将状态方程进行一阶泰勒展开。通过IEKF的方式迭代估计,直到每次迭代的增量小于阈值，表示收敛。

IEKF与EKF的区别是对状态方程进行泰勒展开后，在计算后验状态量的公式不同，最终的后验状态就是收敛时最终的

二、ikd-Tree

这篇文章翻译的不错https://blog.csdn.net/weixin_43910370/article/details/121705356

1. 在point-wise和block-wise，通过对结点新加了deleted, treedeleted, pushdown，treesize, invalidnum属性，进而减小了插入，删除，检索，re-insert的时间复杂度，并达到增量更新的目的；并且能够通过设置的参数，检测到二叉树不平衡时，进行重建。
2. 实验主要和静态tree进行对比，增量更新时间复杂度降低，查询复杂度烧逊色于静态tree，如下图所示：

1. 在FAST-LIO系统里比较其使用static-tree和ikd-tree，系统大约运行7分钟。如下图所示：ikd-tree插入比static-tree快；查询+更新时间大约快7-8倍。

三、FAST-LIO2

1. 不用线，面特征点而使用全局点云。
2. 使用ESKF做前端进行点云配准。
3. 使用ikd-tree存储点云。

四、FASTER-LIO

高翔组的论文，整体是在FAST-LIO2的框架上改进的。

1. 前端没有使用特征点，而是使用所有点
2. 使用迭代ESKF（IEKF）
3. 使用ivoxel存储点云，voxel删除使用被动删除LRU，检索时考虑到voxel。在每个voxel里使用线性和PHC两种方式，点的数目多时使用PHC。
4. 实验和FAST-LIO2相比，精度差不多，属于牺牲了配准的精度而减少处理时间。系统整体上在大多数的数据集上是时间减少了一半。