---

FAST-LIO2

摘要：
本文介绍了FAST-LIO2：一种快速、稳健、通用的激光雷达惯性里程计框架。
FAST-LIO2建立在高效紧耦合迭代卡尔曼滤波器的基础上，有两个关键的新颖之处，可以实现快速、稳健和准确的激光雷达SLAM。分别为：incremental k-dimensional (k-d) tree and direct points registration。

本文的其余部分组织如下。在第二节中，我们讨论了相关的研究工作。我们分别在第三节、第四节和第五节中概述了完整的系统管道和每个关键组件的详细信息。第六节介绍了开放数据集上的基准比较，第七节报告了真实世界的实验。最后，第九节对本文作了总结。

四、状态估计：
A 动态学模型
1）状态转移模型
2）量测模型
B 迭代卡尔曼滤波
1）预测步
2）残差计算
伪代码。。
五 实验

FAST-LIO

摘要：
提出一个计算高效和稳健的激光雷达惯性里程计框架。我们使用紧密耦合的迭代扩展卡尔曼滤波器将激光雷达特征点与IMU数据融合，以允许在发生退化的快速运动、噪声或杂乱环境中进行稳健导航。为了在存在大量测量的情况下降低计算负载，我们提出了一个计算卡尔曼增益的新公式。

本文的其余部分组织如下。在第二节中，我们讨论了相关的研究工作。在第三节中，我们给出完整的系统管道以及每个关键组件的细节。第四节中介绍了实验，第五节中给出了结论。

三 方法：
A 系统框架
B 系统概述
1）运算符说明
2）连续模型
3）离散化模型
4）雷达量测预处理
C 状态估计
1）前向传播
2）反向传播运动补偿
3）残差计算
4）迭代更新
5）伪代码

四 实验

IMU

三 IMU和问题模型
A IMU离散模型
B 问题公式化
四 卡尔曼滤波和量测模型
A 定义动态模型f()
B 定义量测模型h()
C 卡尔曼滤波
五 目标算法

R2LIVE

三 概述
四 基于滤波器的里程计
A 符号定义
B 连续运动学模型
C 离散的IMU模型
D 一步预测传播
E 先验分布
F 初始化迭代更新
G 雷达量测
H 视觉量测
I ESIEKF更新
五 因子图优化

R3LIVE

二 概述
三 系统
A 状态向量
B 地图表示
四 LIO子系统
五 VIO子系统

EKF

摘要第一句：
精确的定位系统和正确表示环境的地图是几种机器人应用的基础。在几乎没有几何特征的环境中，传统的激光雷达SLAM算法特别容易低估真实机器人所覆盖的距离。

LINS

三 LIO和建图
A 系统概述
B 特征提取
C 使用IESKF的LIO
1）状态定义
2）一步预测
3）更新
4）状态合成
5）初始化

退化

三 系统概述
A 状态向量
B IMU传播
C 量测模型
1）雷达量测模型
2）其他里程计量测模型
3）退化感知更新

摘要第一句

摘要第一句：
我们在本文中介绍了xxxxx，以实现轨道车辆的实时、准确和稳健的里程计和地图绘制。
我们针对最极端的场景之一，即大规模xxxxx定位和映射，提出了一个准确而稳健的多模态传感器融合框架xxxxxx。
准确的xxxxx定位对xxxxxx运营安全至关重要。现代光探测和测距（LiDAR）同时定位和测绘（SLAM）系统在现实世界场景中取得了优异的结果。
在本文中，我们提出了一种全球导航卫星系统（GNSS）辅助的激光雷达视觉惯性方案xxxx，用于精确和稳健的xxxxx定位和测绘。