FAST-LIO2代码解析(二)

2.按时间从后往前遍历点云，假设当前点p对应的时刻为 tn，其所属的IMU区间时刻为[ tib , tie ]（代码这部分设计的很巧妙），可以求得 tn 与 tib 的时间差 dt ，通过 dt 和 tib 时刻的位姿，便可求得 tn 时刻IMU的状态(位姿)。：积分计算IMU每个时刻的状态量和协方差矩阵(公式4、8)，原代码的predict()函数有复杂晦涩的流行相关的计算，不好理解，这个函数内容建议参考简化版本的predict()函数，然后将更新的IMU状态量放到IMUpose中。

本文介绍了FAST_LIO原理，并搭建了FAST-LIO和FAST-LIO2的运行环境，方便学习FAST-LIO算法。

本文为FAST-LIO2的代码阅读笔记，记录整体流程及相关处理，便于后续回忆。

代码结构很清晰，从最外层看包含两个文件夹，一个是fast-lio,另外一个是加上scan-context的回环检测与位姿图优化。

FASTLIO2-代码整体框架Fast-lio2原理解析见链接注释版代码完整版见本节对代码的整体框架进行解析，将代码与论文中的公式对应。

FAST-LIO2是一种效果强大的SLAM框架，本文主要针对以下问题去理解该代码：下面的语句定义了ESEKF 其中,state_ikfom，input_ikfom是MTK库定义的状态变量，state_ikfom为状态，input_ikfom为输入： 其中所用的到的MTK库是一种处理流型的库。 该代码定义了三个自定义数据类型 state_ikfom、input_ikfom 和 process_noise_ikfom，分别表示状态、输入和过程噪声。初始化主要为了初始化观测模型、噪声等等。初始化由以下函数实现：

点云数据频率较低而IMU为高频数据。

Fast-lio2原理解析见链接注释版代码完整版见本代码解析以算法流程的逻辑解析代码，一些简单的函数忽略讲解。

FAST-LIO2是一种高效、稳健的雷达惯性里程计算法，它通过紧耦合误差状态卡尔曼滤波器实现IMU和激光雷达融合的状态估计。FAST-LIO2的代码结构清晰，包含预处理、IMU处理、特征提取与匹配、卡尔曼滤波和地图更新等关键组件。通过对代码的详细解析，可以深入理解FAST-LIO2的工作原理和实现细节，为进一步优化和扩展提供基础。

Fast-lio2原理解析见链接注释版代码完整版见本代码解析以算法流程的逻辑解析代码，一些简单的函数忽略讲解。

在讲述完一，二后IMU和雷达的数据输入算是讲明白了，下面几节我们将结合主程序来介绍本文最关键的迭代卡尔曼滤波器和iKD-Tree的算法。

本文介绍了FAST-LIO2算法：一种快速、鲁棒、通用的激光雷达-惯性里程计框架。FAST-LIO2基于高效的紧密耦合迭代卡尔曼滤波器，具有两个关键的新颖之处，可实现快速，稳健和准确的激光雷达导航(和测绘)。第一种方法是直接将原始点注册到地图上然后更新地图，而不提取特征。这样可以利用环境中的细微特征，从而提高准确性。消除手工设计的特征提取模块，也使其能够适应不同扫描模式的新兴激光雷达;

学习计划 因为fast-lio2的框架将各个线程都放到了一个节点中，因此也就只有一个主函数cpp文件，从工程结构来看更加简约，代码风格更加集中化。 主函数结构 主要梳理清楚各个模块在主函数中的分布，实现的功能以及之间的联系。 各模块函数具体实现 涉及各个模块中数学原理和代码的实现，较为复杂。 尚未理解的地方 主要涉及编程语言的使用技巧、数学原理的实现等没有理解的内容。 可以借鉴的优点 工程上对传感器信息进行处理的操作； 框架布局的构思； 项目文件的分布等。 主函数结构 各个结构所需参数获取 主要是从yaml