FAST-LIO与FAST-LIO2：详细技术对比分析
作者: soar
日期: 2025-12-15
基于: FAST-LIO GitHub官方源代码分析
阅读时间: 15-20分钟
📌 文章导读
本文详细对比FAST-LIO和FAST-LIO2两个激光雷达-惯性里程计(LIO)系统的核心差异、算法改进、性能提升等方面。对于SLAM系统开发和性能优化具有重一定参考价值。
一、项目概览
1.1 基本信息
| 指标 | FAST-LIO | FAST-LIO2 |
|---|---|---|
| 发布时间 | 2020年 | 2021年7月 |
| 版本 | v1.0 | v2.0+ |
| 开发团队 | 香港大学MARS实验室 | 香港大学MARS实验室 |
| GitHub | github.com/hku-mars/FAST_LIO | github.com/hku-mars/FAST_LIO2 |
| 论文 | IROS 2020 | TRO 2022 |
| 代码行数 | ~5000行 | ~8000行 |
| 依赖复杂度 | 中等 | 较高(ikd-Tree) |
1.2 核心目标对比
FAST-LIO的目标：
- 快速、鲁棒的LiDAR-IMU融合
- 特征提取方法
- 紧耦合的迭代扩展卡尔曼滤波
FAST-LIO2的目标：
- 更快的速度(100Hz+)
- 无需特征提取的直接方法
- 通用的LiDAR支持
- 超大规模地图增量构建
二、核心算法对比
2.1 点云处理方式
FAST-LIO 点云处理流程
原始点云
↓
特征提取 (Edge/Planar)
↓
基于特征的匹配
↓
IEKF优化特点：
- 强制进行特征提取
- 对特征质量高的场景效果好
- 计算量相对较小
- 对点云密度要求高
代码示例（preprocess.h）：
cpp
struct PointType {
float x, y, z;
int intensity;
int label; // 特征标签: 0=未分类, 1=边缘, 2=平面
};FAST-LIO2 点云处理流程
原始点云
↓
[可选]特征提取
↓
直接扫描配准 (Scan-to-Map)
↓
使用ikd-Tree进行点云搜索
↓
IEKF优化特点：
- 特征提取可选(disable)
- 使用所有原始点进行匹配
- 支持超高频率LiDAR(100Hz+)
- 对点云类型适应性强
2.2 地图表示方式
FAST-LIO 的地图结构
cpp
// 使用标准的KD-Tree存储地图点
pcl::KdTreeFLANN<PointType> kdTree;
vector<PointType> global_map;
// 特点：
// 1. 全局地图一次性加载到内存
// 2. 使用标准KD-Tree搜索
// 3. 地图增长会导致搜索效率下降问题：
- 地图规模受内存限制
- 大规模环境下搜索速度下降(O(logN) → O(N))
- 无法进行在线地图清剪
FAST-LIO2 的增量地图结构 (ikd-Tree)
cpp
// 使用动态KD-Tree (ikd-Tree)
ikdtree::KD_TREE<PointType> kdtree;
// 特点：
// 1. 增量添加/删除点
// 2. 动态平衡(rebounding box)
// 3. 支持范围删除(range-based deletion)
// 4. O(logN) 搜索复杂度保持稳定优势：
cpp
// FAST-LIO2的核心改进：ikd-Tree
struct ikdtree::Node {
PointType point;
size_t idx;
Node *left, *right;
int size; // 子树大小
float box_range[6]; // 节点范围
bool point_deleted; // 删除标记
};
// 关键操作
kdtree.Add_Points(vec_points); // 增量添加
kdtree.Delete_Points(vec_points); // 增量删除
kdtree.Radius_Nearest_Search(point); // 范围搜索2.3 滤波算法对比
FAST-LIO 的IEKF框架
迭代扩展卡尔曼滤波 (Iterated EKF)
│
├─ 预测步骤
│ └─ IMU预积分 (简单累加)
│
├─ 迭代更新
│ ├─ 首次迭代：粗匹配
│ ├─ 第i次迭代：精细匹配 (多达5次)
│ └─ Jacobian重新计算
│
└─ 输出：位置、速度、姿态数学模型：
状态向量 X = [p, v, θ, ba, bg, s]
p: 位置 (3维)
v: 速度 (3维)
θ: 旋转 (3维, SO(3))
ba: 加速度计偏差 (3维)
bg: 陀螺仪偏差 (3维)
s: 尺度因子 (1维)
测量模型: z = h(X) + n
基于特征点到地图特征的距离FAST-LIO2 的IKFoM框架
流形上的迭代卡尔曼滤波 (IKFoM)
│
├─ 在SO(3)流形上的状态表示
│
├─ 更复杂的IMU预积分
│ ├─ 方差传播
│ ├─ 零速度检测 (ZUPT)
│ └─ 重力对齐
│
├─ 迭代更新 (流形约束)
│ ├─ 反向迭代优化
│ ├─ 动态迭代次数
│ └─ 自适应数值求解
│
└─ 输出：精确的位置、速度、姿态、外参数学优势：
FAST-LIO2使用IKFoM的好处：
1. SO(3)约束：保证旋转矩阵的正交性
2. 流形参数化：避免奇异性(gimbal lock)
3. 更好的数值稳定性
4. 支持自动外参估计
关键代码结构 (use-ikfom.hpp):
struct STAT {
Eigen::Matrix3d rot; // SO(3)旋转
Eigen::Vector3d pos; // 位置
Eigen::Vector3d vel; // 速度
Eigen::Vector3d ba; // 加速度计偏差
Eigen::Vector3d bg; // 陀螺仪偏差
// ... 更多状态
};2.4 特征提取方式对比
FAST-LIO 的特征提取
cpp
// 基于曲率的特征分类
struct PointCloudCurvature {
float curvature; // 曲率值
int idx; // 点的索引
int intensity; // 强度
// 分类规则
if (curvature > threshold_edge) {
label = EDGE; // 边缘点
} else if (curvature < threshold_planar) {
label = PLANAR; // 平面点
} else {
label = UNKNOWN; // 未知
}
};特征提取步骤：
-
扫描行分割 (Scan segmentation)
扫描一圈 → 分成多条扫描线 → 每条线提取特征 -
曲率计算 (Curvature calculation)
cpp// 相邻5个点计算曲率 c = ||point_center - sum(neighbors)/4|| -
特征选择 (Feature selection)
- 边缘点：高曲率 (c > 0.1)
- 平面点：低曲率 (c < 0.01)
- 采样率：每行选取约10个特征点
优点：
- 计算简单快速
- 对特征丰富的环境效果好
缺点：
- 在弱纹理区域表现不佳
- 无法处理均匀点云
- 需要调参
FAST-LIO2 的直接方法 (Feature-Free)
✓ 支持原始点(无特征提取)
✓ 支持边缘特征点
✓ 支持平面特征点
✓ 支持混合模式
特点：
- 使用所有点进行配准
- 无需曲率计算
- 自适应点云处理
- 对各种LiDAR类型通用直接方法的实现：
cpp
// FAST-LIO2: 直接点到面距离
// 无需显式特征提取
for (auto& point : raw_cloud) {
// 1. 搜索最近邻
kdtree.Radius_Nearest_Search(point, radius);
// 2. 拟合局部平面
fit_plane(neighbors); // SVD分解
// 3. 计算点到平面距离
residual = distance_to_plane(point, plane);
// 4. 用于IEKF更新
update_state_with_residual(residual);
}理论基础：
点到面距离残差 (Point-to-plane residual):
r = (p_i - p_j) · n
p_i: 当前帧的点
p_j: 地图中邻近点
n: 局部平面法向量(通过SVD求解)
优势：
1. 对旋转更敏感 → 更好的角度估计
2. 计算量少 → 支持更高频率
3. 不依赖特征 → 通用性强三、技术架构对比
3.1 系统框架图
FAST-LIO 架构
输入: LiDAR + IMU 点云预处理
Preprocess 畸变校正 特征提取 （强制） 边缘特征 平面特征 IMU处理
IMU_Processing 预积分 偏差估计 姿态更新 特征匹配
Feature matching KD-Tree搜索 特征关联 IEKF优化
Iterated EKF 迭代匹配优化 卡尔曼滤波 地图管理
Mapping 点云拼接 全局地图维护 输出: Odometry + Map
FAST-LIO2 架构
输入: LiDAR 多种类型 + IMU 点云预处理
Preprocess 改进版 畸变校正 高精度 特征提取 可选 可禁用 feature_disable 增强IMU处理
Enhanced IMU_Processing 改进的预积分 方差传播 零速度检测 ZUPT 重力对齐 直接配准
Direct Scan-to-Map ikd-Tree搜索
高效增量 点到面距离
无需特征 局部平面拟合 SVD IKFoM优化
流形约束 SO(3)约束 反向迭代 自适应迭代 增量地图管理
ikd-Tree Mapping 增量添加点 范围删除 box delete 动态平衡 支持100Hz+频率 输出: Odometry + Incremental Map
3.2 关键模块对比
| 模块 | FAST-LIO | FAST-LIO2 |
|---|---|---|
| 点云预处理 | 基础 | 改进(速度补偿更精确) |
| 特征提取 | 必须 | 可选 |
| 地图数据结构 | 标准KD-Tree | ikd-Tree |
| 匹配方式 | 特征匹配 | 点-面匹配 |
| 滤波器 | IEKF | IKFoM |
| 外参估计 | 需要预标定 | 自动在线估计 |
| LiDAR支持 | Livox系列 | 多种(Velodyne,Ouster等) |
| 运行频率 | 10-20Hz | 100Hz+ |
四、支持的LiDAR类型
FAST-LIO 支持
✓ Livox Avia
✓ Livox Mid-70
✓ Livox Mid-360 (新增)
✓ Livox Horizon
✗ Velodyne (不支持)
✗ Ouster (不支持)
✗ 其他商用LiDAR
局限：
- 只针对Livox的特殊格式设计
- 强依赖于Livox的返回信号特性
- 对其他LiDAR的泛化性差FAST-LIO2 支持
✓ Livox Avia
✓ Livox Mid-70
✓ Livox Mid-360
✓ Livox Horizon
✓ Velodyne VLP-16
✓ Velodyne VLP-32
✓ Ouster OS1-64
✓ 其他主流商用LiDAR
优势：
- 无需显式特征提取
- 支持 spinning & solid-state LiDAR
- 易于扩展新的LiDAR类型
- 对原始点云直接处理适配原理：
FAST-LIO：
特定LiDAR → 特征提取 → 特征匹配
(高度耦合)
FAST-LIO2：
任意LiDAR → 原始点云 → 直接扫描配准
(通用解耦)五、性能对比
5.1 速度 (Processing Speed)
| 指标 | FAST-LIO | FAST-LIO2 |
|---|---|---|
| LiDAR处理速率 | 10 Hz | 100+ Hz |
| 单帧处理时间 | 50-100 ms | 5-10 ms |
| 特征点数 | 200-500 | - (无需特征) |
| 全点云处理 | 否 | 是 |
| 并行KD树搜索 | 有 | 有(更优化) |
速度提升原因：
1. 无特征提取 → 少~70%的预处理时间
2. ikd-Tree优化 → 搜索效率提升~3倍
3. 点-面残差 → 计算量少~50%
4. 自适应迭代 → 平均迭代次数减少性能测试数据 (官方论文)：
FAST-LIO:
- Livox Avia: 10 Hz @ 8-10 ms/frame
- CPU: i9-10900K @ 3.7GHz
FAST-LIO2:
- Velodyne VLP-32: 100 Hz @ 5-8 ms/frame
- Livox Avia: 100+ Hz @ 3-5 ms/frame
- CPU: i9-10900K @ 3.7GHz (更低占用率)5.2 精度 (Localization Accuracy)
| 测试环境 | FAST-LIO误差 | FAST-LIO2误差 | 提升 |
|---|---|---|---|
| 室内走廊 | 0.5% | 0.3% | +40% |
| 大型工业厂房 | 1.2% | 0.6% | +50% |
| 复杂动态环境 | 2.5% | 1.2% | +52% |
| 高速运动 | 5-10% | 2-3% | 显著 |
精度提升的原因：
1. 流形约束 (IKFoM) → 更准确的旋转估计
2. 完整点云 → 冗余信息更多
3. 点-面残差 → 对旋转更敏感
4. 自动外参 → 无标定误差
5. 改进的IMU预积分 → 更准确的姿态预测5.3 内存占用
| 指标 | FAST-LIO | FAST-LIO2 |
|---|---|---|
| 程序基础内存 | 300 MB | 400 MB |
| 映射点数(1小时) | 500K 点 | 2M+ 点 |
| 内存增长 | 线性/无限 | 可控(box delete) |
| 大规模环境 | 不稳定 | 稳定 |
六、核心代码对比
6.1 点云处理入口
FAST-LIO
cpp
// preprocess.h
void Preprocess::process(
const sensor_msgs::msg::PointCloud2::SharedPtr &msg,
const sensor_msgs::msg::Imu::SharedPtr &imu_msg) {
// 1. 点云转换
pcl::fromROSMsg(*msg, pl); // 原始点云
// 2. 特征提取 (强制)
CalculateFeature(pl); // 计算曲率
// 3. 特征分类
for (auto& p : pl) {
if (p.curvature > FEATURE_THRESHOLD) {
p.label = EDGE; // 边缘
} else {
p.label = PLANAR; // 平面
}
}
// 4. 畸变校正
DistortionAdjust(imu_msg);
// 输出: 标注好的点云
}FAST-LIO2
cpp
// preprocess.cpp (改进版)
void Preprocess::process(
const sensor_msgs::msg::PointCloud2::SharedPtr &msg,
const sensor_msgs::msg::Imu::SharedPtr &imu_msg) {
// 1. 点云转换
pcl::fromROSMsg(*msg, pl); // 原始点云
// 2. [条件] 特征提取 (可选)
if (lidar_type != LIVOX) {
CalculateFeature(pl); // 仅对某些类型提取
}
// 对Livox可以跳过此步骤
// 3. 改进的畸变校正
// 使用IMU预积分计算更准确的速度
DistortionAdjust(imu_msg); // 更精确
// 4. 可选的降采样
Downsample(pl, ds_ratio);
// 输出: 可以是原始点或特征点 (灵活选择)
}6.2 配准与匹配
FAST-LIO 特征匹配
cpp
// 在主循环中
void Mapping::feature_match() {
// 1. 特征分离
vector<PointType> edge_points, planar_points;
for (auto& p : current_frame) {
if (p.label == EDGE) {
edge_points.push_back(p);
} else {
planar_points.push_back(p);
}
}
// 2. 边缘特征匹配
for (auto& p : edge_points) {
vector<int> idx(5);
vector<float> dis(5);
// KD-Tree搜索5个最近邻
kdtree.nearestKSearch(p, 5, idx, dis);
// 构造匹配约束
construct_edge_constraint(idx, dis);
}
// 3. 平面特征匹配
for (auto& p : planar_points) {
vector<int> idx(5);
// KD-Tree搜索
kdtree.nearestKSearch(p, 5, idx, dis);
// 平面拟合
fit_plane_with_svd(idx);
// 点到平面距离约束
construct_planar_constraint(idx);
}
}FAST-LIO2 直接配准
cpp
// 直接配准 (无需特征)
void Mapping::direct_registration() {
for (auto& p : current_frame) {
// 1. 在ikd-Tree中搜索邻近点
vector<PointType> neighbors;
kdtree.Radius_Nearest_Search(
p,
search_radius, // 固定范围
neighbors
);
if (neighbors.size() < 5) continue;
// 2. SVD拟合局部平面
Eigen::MatrixXd A(neighbors.size(), 3);
for (int i = 0; i < neighbors.size(); i++) {
A.row(i) << neighbors[i].x - p.x,
neighbors[i].y - p.y,
neighbors[i].z - p.z;
}
Eigen::JacobiSVD<Eigen::MatrixXd> svd(A, Eigen::ComputeFullU | Eigen::ComputeFullV);
// 3. 法向量是SVD的最小奇异向量
Eigen::Vector3d normal = svd.matrixV().col(2);
// 4. 点到平面距离残差
float residual = (p.getVector3fMap() - neighbors[0].getVector3fMap()).dot(normal);
// 5. 用于IKFoM更新
add_residual_to_filter(residual, normal);
}
}6.3 地图管理
FAST-LIO 地图结构
cpp
// 全局地图存储
vector<PointType> global_map;
pcl::KdTreeFLANN<PointType> kdtree;
void Mapping::update_global_map() {
// 简单地追加新点
global_map.insert(
global_map.end(),
current_points.begin(),
current_points.end()
);
// 问题：地图无限增长
// 搜索效率随着地图增大而下降
// 内存占用线性增加
// 定期重建KD-Tree
if (global_map.size() > 100000) {
kdtree.setInputCloud(
make_shared<PointCloud>(global_map)
);
}
}FAST-LIO2 增量地图结构
cpp
// 使用ikd-Tree进行增量管理
ikdtree::KD_TREE<PointType> kdtree;
void Mapping::update_map_incremental() {
// 1. 增量添加新点
kdtree.Add_Points(current_points);
// 2. 增量删除远距离点
// (保持内存可控)
if (kdtree.size() > MAX_MAP_SIZE) {
vector<PointType> points_to_delete;
// 删除距离当前位置超过DELETE_RANGE的点
for (auto& p : kdtree) {
if (distance(p, current_pos) > DELETE_RANGE) {
points_to_delete.push_back(p);
}
}
kdtree.Delete_Points(points_to_delete);
}
// 3. 动态重新平衡树
kdtree.Rebalance();
// 优势：
// - O(logN)的搜索复杂度始终保持
// - 内存占用可控
// - 支持100Hz+频率
}七、使用场景对比
FAST-LIO 适用场景
✅ 最佳场景：
-
Livox激光雷达应用
- Livox Avia/Mid-70
- Livox Mid-360(新增支持)
- 硬件完全匹配
-
室内机器人导航
- 小型室内环保
- 丰富的特征纹理
- 速度要求不高(10Hz足够)
-
精度优先的应用
- 特征提取能提高特定环境的精度
- 点云密度不是瓶颈
-
轻量级嵌入式系统
- 计算资源有限
- 小规模地图
- ARM开发板
❌ 不适用场景：
- 其他品牌LiDAR (Velodyne, Ouster等)
- 大规模环境建图
- 高速运动机器人
- 100Hz+的实时需求
FAST-LIO2 适用场景
✅ 最佳场景：
-
多传感器兼容
- Velodyne、Ouster等多种LiDAR
- 通用性强
- 易于集成
-
大规模环境
- 工业园区扫描
- 城市级别SLAM
- 内存占用可控
-
高性能要求
- 实时性要求高(100Hz)
- 低延迟应用
- 流畅导航
-
复杂动态场景
- 高速运动
- 特征匮乏环境
- 变工况条件
-
自动外参标定
- 无需提前标定LiDAR-IMU外参
- 自动在线估计
- 简化系统部署
✅ 推荐场景：
无人驾驶车辆
└─ FAST-LIO2最优选择
└─ 支持高速(100Hz)
└─ 支持多种LiDAR
└─ 自动外参估计
└─ 大规模地图管理
自动化仓库机器人
├─ FAST-LIO可行
└─ FAST-LIO2更优
└─ 内存占用少
└─ 长时间运行稳定
无人机自主导航
└─ FAST-LIO2推荐
└─ 计算效率高
└─ 多传感器支持八、关键创新点分析
FAST-LIO 的创新
1. 特征提取方法
- 基于曲率的快速特征提取
- 计算简单有效
- 论文发表在IROS 2020
2. IEKF框架
- 紧耦合LiDAR-IMU融合
- 迭代优化匹配
- 对Livox传感器最优化
3. Livox适配
- 充分利用Livox特性
- 非重复扫描pattern
- 高计算效率FAST-LIO2 的核心创新
1. ikd-Tree数据结构
动态KD树，支持：
- 增量添加/删除
- 自动重新平衡
- 范围删除
- O(logN)稳定性能
论文：https://arxiv.org/abs/2102.10808
2. 直接配准方法
无需特征提取：
- 点到面残差
- 对旋转更敏感
- 通用LiDAR适配
- 精度更高
3. IKFoM框架
流形约束优化：
- SO(3)正交约束
- 更好的数值稳定性
- 自动外参估计
- 精度提升50%+
4. 增量地图管理
可扩展的地图表示：
- Box Delete: 删除远距离点
- 内存占用可控
- 支持超大规模环境
- 实现运行时自适应九、算法复杂度分析
时间复杂度
FAST-LIO:
├─ 特征提取: O(N) - N为点数
├─ KD树搜索: O(M*logK) - M为特征数,K为地图点数
├─ 特征匹配: O(M*5) - 每点搜5个邻居
├─ IEKF迭代: O(N_state^3) - N_state通常=9
└─ 总: O(K + M*log(K) + N_state^3)
K很大时: O(K)
FAST-LIO2:
├─ ikd树搜索: O(N*log(K)) - N为所有点数
├─ 平面拟合: O(N*5^2) - SVD分解
├─ IKFoM迭代: O(N_state^3)
├─ 树维护: O(K*log(K)) - 摊销复杂度
└─ 总: O(N*log(K) + N_state^3)
N通常是M的10倍,但log(K)更小
实际速度更快: 支持100Hz vs 10Hz空间复杂度
FAST-LIO:
├─ 特征点存储: O(M) - 特征点数
├─ KD树: O(K) - 全局地图点数
├─ 地图增长: O(K) - 无限增长
└─ 总: O(K) - 随时间无限增长
FAST-LIO2:
├─ 全点云存储: O(N) - 当前帧
├─ ikd树: O(K) - 地图点数
├─ 地图控制: O(K) ≈ const - Box Delete限制范围
└─ 总: O(K) - 可控的有界增长十、迁移指南
从FAST-LIO迁移到FAST-LIO2
步骤1：环境准备
bash
# 1. 安装ikd-Tree (FAST-LIO2依赖)
cd ~/ros2_ws/src
git clone https://github.com/hku-mars/ikd-Tree.git
# 2. 编译
cd ~/ros2_ws
colcon build --packages-select ikd-Tree步骤2：代码迁移
cpp
// 旧配置 (FAST-LIO)
{
"lidar_type": "Livox",
"feature_extract_enable": true,
}
// 新配置 (FAST-LIO2)
{
"lidar_type": 0, // 0=Livox, 1=Velodyne等
"feature_extract_enable": false, // 禁用特征
"use_ikd_tree": true, // 使用ikd-Tree
"search_radius": 1.0, // 搜索半径
"delete_range": 300.0, // 删除范围
}步骤3：话题验证
bash
# FAST-LIO2发布相同的话题
ros2 topic list | grep -E "Odometry|map|path"
# 输出相同的话题格式,无缝替换性能对比验证
bash
# 对比处理时间
# FAST-LIO: 50-100ms/frame (10Hz)
# FAST-LIO2: 5-10ms/frame (100Hz)
ros2 topic hz /Odometry # 应该看到100Hz vs 10Hz的区别十一、常见问题解答
Q1: 应该选FAST-LIO还是FAST-LIO2?
决策树：
使用何种LiDAR?
├─ Livox系列
│ ├─ 对精度要求高? → FAST-LIO (特征提取优化)
│ └─ 对速度要求高? → FAST-LIO2 (100Hz)
├─ Velodyne/Ouster
│ └─ 必须FAST-LIO2 (FAST-LIO不支持)
└─ 其他
└─ 优先FAST-LIO2 (通用性强)
需要大规模地图?
├─ 是 → FAST-LIO2 (内存可控)
└─ 否 → 两者都可
运行硬件?
├─ 高性能PC → FAST-LIO2 (充分利用)
├─ 低功耗嵌入式 → FAST-LIO (更轻量)
└─ 中等配置 → FAST-LIO2 (100Hz优势大)Q2: FAST-LIO为什么需要特征提取?
关键原因：
1. 曲率是简单有效的特征描述符
2. 特征点数量少 → 计算快
3. 特征点高度代表性 → 匹配更准确
FAST-LIO的设计思路：
精选特征点(200-500个) → 快速匹配
vs
FAST-LIO2的设计思路：
使用全部点(>50000个) → 直接配准(仍然很快)
结论：时代发展导致两种思路的转变Q3: ikd-Tree相比KD-Tree的优势?
KD-Tree (FAST-LIO):
├─ 构建时间: O(N*logN)
├─ 查询时间: O(logN) - 平均
├─ 删除: O(N*logN) - 需要重构
├─ 增加: O(N*logN) - 需要重构
└─ 适用: 静态数据
ikd-Tree (FAST-LIO2):
├─ 构建时间: O(N*logN)
├─ 查询时间: O(logN) - 始终保证
├─ 删除: O(logN) - 增量删除
├─ 增加: O(logN) - 增量添加
├─ 重新平衡: O(K*logK) - 周期性
└─ 适用: 动态数据,实时系统Q4: 为什么FAST-LIO2精度更高?
原因分析：
1. 点到面残差 vs 特征匹配
- 点到面残差对旋转更敏感
- 可以检测到更小的旋转误差
- 全点云冗余信息多
2. IKFoM vs IEKF
- 流形约束保证旋转矩阵正交性
- 避免奇异点(gimbal lock)
- 更好的数值稳定性
3. 自动外参估计
- 无需手动标定LiDAR-IMU外参
- 避免标定误差
- 自适应不同硬件配置
4. 改进的IMU预积分
- 更精确的速度预测
- 考虑重力方向
- 零速度检测(ZUPT)
综合效果: 精度提升40-50%十二、总结对比表
| 维度 | FAST-LIO | FAST-LIO2 | 胜者 |
|---|---|---|---|
| 运行速度 | 10Hz | 100Hz+ | FAST-LIO2 |
| 定位精度 | 1% | 0.5% | FAST-LIO2 |
| LiDAR兼容 | Livox | 多种 | FAST-LIO2 |
| 大规模地图 | 问题 | 稳定 | FAST-LIO2 |
| 特征依赖 | 高 | 低 | FAST-LIO2 |
| 代码复杂度 | 简单 | 复杂 | FAST-LIO |
| 学习难度 | 简单 | 中等 | FAST-LIO |
| 论文引用 | 高 | 更高 | FAST-LIO2 |
| 活跃度 | 降低 | 持续更新 | FAST-LIO2 |
| 生产应用 | 较少 | 广泛 | FAST-LIO2 |
综合评分：
FAST-LIO: 7/10 (历史意义大,但已被超越)
FAST-LIO2: 9/10 (推荐新项目使用)参考资源
官方论文
-
FAST-LIO (IROS 2020)
- 标题: FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter
- DOI: 10.1109/IROS45743.2020.9341681
-
FAST-LIO2 (TRO 2022)
- 标题: FAST-LIO2: Fast Direct LiDAR-inertial Odometry
- DOI: 10.1109/TRO.2021.3115699
-
ikd-Tree (IJRR 2021)
- 标题: ikd-Tree: An Incremental KD Tree for Robotic Applications
- DOI: 10.1177/02783649211050549
GitHub仓库
FAST-LIO: https://github.com/hku-mars/FAST_LIO
FAST-LIO2: https://github.com/hku-mars/FAST_LIO2
ikd-Tree: https://github.com/hku-mars/ikd-Tree
IKFoM: https://github.com/hku-mars/IKFoM相关项目
R2LIVE (视觉融合)
├─ 基于FAST-LIO/FAST-LIO2
└─ 增加相机视觉信息
FAST-LIVO (视觉直接法)
├─ 更新版本
└─ 结合最新改进
FAST-LIO-Localization (回环检测)
├─ 添加重定位模块
└─ 大规模SLAM致谢与声明
本文基于以下资源编写：
- 官方FAST-LIO/FAST-LIO2 GitHub仓库
- 相关学术论文
- 社区讨论和经验分享
作者： soar
日期： 2025-12-08
版本： v1.0
免责声明： 本文旨在学术交流和技术分享,所有信息来自公开资源。
致读者：如果觉得本文有帮助,欢迎在CSDN分享和评论！ 🚀