前言：lio里面，fastlio2的精度和速度表现很显眼。有必要总结一下运行效果高的缘由。参考各大家，从个人对fastlio2理解，汇总所得。
Fast-LIO2 运行速度快的主要原因可以归结为以下几个方面：
🔹 1. 采用增量式 KD 树（IKD-Tree），高效管理点云
● IKD-Tree（Incremental KD-Tree） 允许动态添加和删除点，而不像传统 KD-Tree 需要完全重建索引。
● 加速最近邻搜索（Nearest Neighbor Search），提高点云匹配效率。
● 避免构建全局地图，只维护局部滑动窗口地图，减少计算量。
✅ 优化点云匹配，使得 LIO 计算更快。
🔹 2. 采用扩展卡尔曼滤波（EKF），替代 BA 优化
● 传统 LIO-SAM 等方法采用 因子图优化（Batch Optimization），计算量较大。
● Fast-LIO2 采用基于扩展卡尔曼滤波（EKF）的递推估计，可以逐帧更新状态，而无需全局优化。
● 不需要回溯优化，减少计算复杂度，使得每帧 LiDAR 数据处理更快。
✅ 利用 EKF 避免大规模优化，使实时性更强。
🔹 3. 采用紧耦合（Tightly Coupled）IMU 预积分，提高初始估计
● IMU 预积分（Preintegration） 可以在 LiDAR 里程计计算前，提供一个较为精准的先验估计。
● 减小点云匹配的计算压力，提高匹配成功率，减少错误匹配带来的优化迭代次数。
● 在高速运动或激光雷达点云稀疏的场景下（如固态雷达），IMU 提供更稳定的姿态估计，减少点云畸变的影响。
✅ IMU 预积分降低点云计算负担，提高里程计算效率。
🔹 4. 直接在状态空间中优化，减少点云拟合计算
● 传统 LOAM 采用点到线、点到面优化，需要迭代拟合多个特征方程。
● Fast-LIO2 直接在状态空间中优化位姿，而不是单独优化点云误差。
● 避免额外的非线性优化，提高计算效率。
✅ 减少不必要的计算步骤，使 LIO 更加实时。
🔹 5. 仅维护局部地图，避免大规模点云存储
● 传统 LIO-SAM 维护 全局点云地图，数据量大，计算慢。
● Fast-LIO2 仅保留局部滑动窗口地图，并通过 IKD-Tree 实现动态更新，无需全量重建地图。
● 旧点云自动移除，降低内存使用，提高查询速度。
✅ 只保留关键数据，减少冗余计算。
🔹 6. 高效的多线程并行处理
● Fast-LIO2 采用多线程架构，不同任务可以并行计算：
○ IMU 预积分（并行执行）
○ 点云去畸变（异步处理）
○ 点云匹配（主线程计算）
○ 状态更新 & 地图维护（后台线程）
○ 充分利用多核 CPU 资源，加速计算。
✅ 多线程架构减少等待时间，提高吞吐量。
🔹 7. 轻量级 C++ 实现，优化 CPU 使用
● 采用 轻量级 C++ 代码，减少不必要的运算和内存占用。
● 相比 LIO-SAM，Fast-LIO2 依赖更少，代码更加紧凑。
● 适合嵌入式计算设备，如 Jetson TX2、树莓派、低功耗 CPU。
✅ 高效 C++ 代码 + 精简实现，提升计算效率。
🔹 8. 针对高动态环境优化
● 传统 LIO 方法在高速运动时（如无人机、自动驾驶）可能会出现漂移。
● Fast-LIO2 结合 IMU 进行动态补偿，减少运动畸变对点云匹配的影响。
● 在高速场景下，仍能保持高精度，且计算量不增加。
✅ 适用于高动态环境，如无人机、自动驾驶。
🔹 总结：Fast-LIO2 为什么快？
关键优化点 ：作用
IKD-Tree ：动态点云管理，快速最近邻搜索
EKF 递推优化 ：避免全局优化，减少计算量
IMU 预积分 ：先验估计，提高匹配效率
状态空间优化 ： 直接优化位姿，减少非线性计算
局部地图维护 ： 仅存储关键点，减少内存和计算负担
多线程并行 ： 提高 CPU 资源利用率
轻量级 C++ 实现 ：适用于嵌入式设备，降低计算开销
高动态环境优化 ： 适应无人机、自动驾驶等高速运动场景
✅ Fast-LIO2 通过高效的数据结构（IKD-Tree）、优化方法（EKF）和并行计算，极大提升了 LiDAR 里程计的计算速度
###################
好记性不如烂笔头
积跬步期千里
觉得不错的话，记得点赞收藏