1. 课程导入
在移动机器人、自动驾驶与无人机系统中，实时、鲁棒、高精度的位姿估计是一切上层任务的基础。激光雷达提供稠密几何观测，惯性测量单元提供高频运动信息，两者天然互补。FAST-LIO 正是围绕“激光 + 惯性”这一组合，构建出的一套高效、可工程落地的紧耦合里程计方案。本课程将带你从原理到代码、从仿真到实机，系统掌握 FAST-LIO 的工程实现。
一、FAST-LIO 的定位：它解决什么问题
FAST-LIO（Fast LiDAR-Inertial Odometry）是一种紧耦合的激光惯性里程计。它把 IMU 的预积分预测与激光点云残差放入同一个迭代扩展卡尔曼滤波（IEKF）框架中求解，从而在剧烈运动、稀疏特征、甚至退化场景下仍能保持稳定输出。
与松耦合方案相比，紧耦合的核心优势在于：IMU 不仅用于提供初值，还参与状态更新；激光残差直接约束状态向量，避免了“先算激光、再融合 IMU”带来的信息损失。其状态向量通常包含位姿、速度、重力、IMU 零偏以及外参，更新时通过流形上的迭代优化逼近最优解。
二、发展历程：从 LOAM 到 FAST-LIO
理解 FAST-LIO 的演进脉络，有助于把握其设计取舍。早期 LOAM 系列奠定了“特征提取 + 帧间匹配 + 地图优化”的经典范式，但计算量大、对特征依赖强。随后 LIO-mapping、LIO-SAM 等方案引入 IMU 与因子图优化，提升了全局一致性，但实时性仍受限于优化规模。
FAST-LIO 的关键突破在于迭代卡尔曼滤波 + 直接点面残差：不显式提取线面特征，而是直接利用原始点云构建残差，并通过 iKD-Tree 加速最近邻搜索。后续 FAST-LIO2 进一步去掉特征提取模块，支持更多雷达类型，并引入增量式地图管理，使系统在嵌入式平台上也能实时运行。
| 阶段 | 代表方案 | 核心特点 | 主要局限 |
|---|---|---|---|
| 特征法 | LOAM / LeGO-LOAM | 提取线面特征，帧间匹配 | 特征依赖强，计算量大 |
| 优化法 | LIO-SAM / LIO-mapping | 因子图，IMU 预积分 | 实时性受优化规模限制 |
| 滤波法 | FAST-LIO / FAST-LIO2 | IEKF，直接点面残差 | 需调参，依赖 IMU 质量 |
三、应用场景：它适合用在哪里
FAST-LIO 的典型应用集中在需要高频位姿且计算资源受限的平台：
- 无人机室内外导航：在 GPS 拒止环境下提供稳定里程计，支撑避障与轨迹控制。
- 地面移动机器人：仓储 AGV、巡检机器人，在长廊、隧道等退化场景中保持定位。
- 手持/背包式扫描：快速构建三维点云地图，配合回环检测形成完整 SLAM 系统。
- 自动驾驶定位冗余：作为 GNSS/INS 的补充，在遮挡或隧道中维持短时高精度位姿。
四、整体学习路线与核心数据流
本课程按“原理—代码—调试—实战”递进。下图展示了 FAST-LIO 的核心数据流：IMU 数据进入预积分与状态预测，激光点云经过运动补偿后与地图做最近邻匹配，构建点面残差，最终在 IEKF 中迭代更新状态并输出位姿，同时更新局部地图。
围绕这条数据流，课程将依次展开：IMU 预积分与状态预测、点云去畸变与运动补偿、iKD-Tree 与最近邻搜索、IEKF 迭代更新、地图增量维护，最后进入实机调试与性能评估。每一部分都会配合可运行的代码片段与参数说明。
五、常见误区与学习建议
误区二：把 FAST-LIO 当成完整 SLAM。它主要提供里程计，回环与全局优化需额外模块。
误区三：忽视运动补偿。高速运动下不去畸变，点面残差会严重失真。
建议的学习方式是：先跑通官方数据集，观察轨迹与点云地图；再逐步替换为自己的传感器数据，重点检查时间戳对齐与外参标定；最后通过调整滤波参数与地图分辨率，理解精度与实时性的权衡。
# 典型运行命令示例
roslaunch fast_lio mapping_avia.launch
rosbag play your_dataset.bag --clock
# 关键配置片段
common:
lid_topic: "/livox/lidar"
imu_topic: "/livox/imu"
time_sync_en: true
掌握 FAST-LIO，不仅是学会一个算法，更是建立“传感器融合 + 实时估计 + 工程调优”的完整思维。接下来，我们将从 IMU 预积分开始，逐层拆解这套系统的每一个关键环节。