近期，閱讀了FAST-LIO、FAST-LIO2以及Faster_LIO論文，這三篇論文都屬于濾波器的SLAM算法，下面記錄一下三個工作的主要貢獻和不同。

FAST-LIO?

1.提出了一種計算效率高、魯棒性強的激光雷達-慣性里程測量框架。使用緊密耦合的迭代擴展卡爾曼濾波器將激光雷達特征點與 IMU 數據融合，從而在快速運動、噪聲或雜亂環境中實現穩健導航。

2.為了降低大量測量時的計算負荷，提出了一種計算卡爾曼增益的新公式。新公式的計算負荷取決于狀態維度而非測量維度。

FAST-LIO2

基于FAST-LIO，FAST-LIO2主要有兩點貢獻：

1.第一項是直接將原始點注冊到地圖上（隨后更新地圖，即制圖），用而無需提取特征。這樣可以利環境中的細微特征，從而提高精度。

2.第二個主要創新點是通過增量 k-d 樹數據結構（ikd-Tree）來維護地圖，從而實現增量更新（即點插入、刪除）和動態再平衡。

?點云配準的方式如下：

地圖更新的方式如下（局部地圖）：

?

Faster_LIO

為了實現高跟蹤速度，Faster_LIO既沒有使用復雜的基于樹的結構來劃分空間點云，也沒有使用嚴格的k最近鄰（k-NN）查詢來計算點匹配。取而代之的是，使用增量體素 （iVox） 作為點云空間數據結構，它從傳統體素修改而來，支持增量插入和并行近似 k-NN 查詢。我們提出線性 iVox 和 PHC（偽希爾伯特曲線）iVox 作為我們算法中的兩個替代底層結構。?

Faster_LIO相比于FAST-LIO2的區別是提出了一種新的點云數據結構。