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。

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。

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 K=0.04/(0.04+0.01)=0.8K=0.04/(0.04+0.01)=0.8，更新为1.00 + 0.8 ( 0.90 − 1.00 ) = 0.92 1.00+0.8(0.90-1.00)=0.921.00+0.8(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 Odometry（LIO，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

1. 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。
2. 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。
3. 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。
4. 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）

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。