hku-mars/FAST_LIO

## 相关工作与扩展应用 **SLAM:** 1. [ikd-Tree](https://github.com/hku-mars/ikd-Tree)：用于 3D kNN 搜索的先进动态 KD-Tree。 2. [R2LIVE](https://github.com/hku-mars/r2live)：使用 FAST-LIO 作为 LiDAR-惯性前端的高精度 LiDAR-惯性-视觉融合工作。 3. [LI_Init](https://github.com/hku-mars/LiDAR_IMU_Init)：一个鲁棒、实时的 LiDAR-IMU 外参初始化与同步包。 4. [FAST-LIO-LOCALIZATION](https://github.com/HViktorTsoi/FAST_LIO_LOCALIZATION)：FAST-LIO 与 **重定位 (Re-localization)** 功能模块的集成。 5. [FAST-LIVO](https://github.com/hku-mars/FAST-LIVO) | [FAST-LIVO2](https://github.com/hku-mars/FAST-LIVO2)：具备高计算效率、鲁棒性和像素级精度的先进 LiDAR-惯性-视觉里程计 (LIVO) 系统。 **控制与规划:** 1. [IKFOM](https://github.com/hku-mars/IKFoM)：一个用于快速、高精度流形上 Kalman filter 的工具箱。 2. [UAV Avoiding Dynamic Obstacles](https://github.com/hku-mars/dyn_small_obs_avoidance)：FAST-LIO 在机器人规划中的实现之一。 3. [UGV Demo](https://www.youtube.com/watch?v=wikgrQbE6Cs)：基于可微流形的轨迹跟踪模型预测控制。 4. [Bubble Planner](https://arxiv.org/abs/2202.12177)：使用后退走廊规划高速平滑的四旋翼轨迹。 ## FAST-LIO **FAST-LIO** (Fast LiDAR-Inertial Odometry) 是一个计算效率高且鲁棒的 LiDAR-惯性里程计包。它使用紧耦合的迭代扩展 Kalman filter 融合 LiDAR 特征点与 IMU 数据，使得在快速运动、嘈杂或杂乱等容易发生退化的环境中依然能够实现鲁棒的导航。我们的包解决了许多关键问题： 1. 用于里程计优化的快速迭代 Kalman filter； 2. 在大多数平稳环境中可自动初始化； 3. 并行 KD-Tree 搜索以减少计算量； ## FAST-LIO 2.0 (2021-07-05 更新) **相关视频：** [FAST-LIO2](https://youtu.be/2OvjGnxszf8), [FAST-LIO1](https://youtu.be/iYCY6T79oNU) **流程：** **新特性：** 1. 使用 [ikd-Tree](https://github.com/hku-mars/ikd-Tree) 进行增量式建图，实现更快的速度并支持超过 100Hz 的 LiDAR 速率。 2. 在原始 LiDAR 点云上直接进行里程计（scan to map），无需特征提取（可禁用特征提取），从而获得更高的精度。 3. 由于不需要进行特征提取，FAST-LIO2 可以支持多种类型的 LiDAR，包括机械旋转式（Velodyne, Ouster）和固态（Livox Avia, Horizon, MID-70）LiDAR，并且可以轻松扩展以支持更多 LiDAR。 4. 支持外部 IMU。 5. 支持 ARM 架构平台，包括 Khadas VIM3、Nivida TX2、Raspberry Pi 4B(8G RAM)。 **相关论文：** [FAST-LIO2: Fast Direct LiDAR-inertial Odometry](doc/Fast_LIO_2.pdf) [FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter](https://arxiv.org/abs/2010.08196)