1. 核心摘要

这篇笔记回顾了 FAST-LIVO (arXiv:2203.00893) 的原文。这是该系列工作的开山之作，提出了一种紧耦合的、基于稀疏直接法的 LiDAR-惯性-视觉里程计系统。其核心贡献在于证明了直接法在多传感器融合中的有效性，并设计了一种新颖的离群点剔除方法，能够剔除图像边缘或被遮挡的不稳定地图点。

2. 关键概念/术语

  • Sparse-Direct (稀疏直接法)：介于稠密直接法（使用所有像素）和特征点法之间，仅选择具有高梯度的稀疏像素块进行直接法追踪。
  • Outlier Rejection (离群点剔除)：在融合过程中识别并丢弃错误匹配或动态物体的机制。
  • Subsystems (子系统)：论文将架构清晰地分为 VIO 子系统和 LIO 子系统，两者通过状态向量紧密耦合。

3. 详细内容整理

3.1 系统组成

  • LIO 子系统：
    • 类似于 FAST-LIO2，使用增量式构建的 ikd-Tree 点云地图。
    • 将新扫描的原始点（不提取特征）直接注册到地图中。
  • VIO 子系统：
    • 通过最小化光度误差来约束状态。
    • 处理 LiDAR 无法覆盖的盲区或特征缺失区域。

3.2 关键算法

  • 鲁棒的初始化：利用 VIO 快速初始化，随后加入 LiDAR 约束。
  • 边缘/遮挡点剔除：
    • 位于图像物体边缘的点通常深度不连续，容易导致直接法失效。
    • FAST-LIVO 提出了一种检测机制，识别这些位于深度跳变区域的点并将其剔除，提高了 VIO 的鲁棒性。

4. 关键知识点详解

4.1 为什么要剔除边缘点？

在直接法（Direct Method）中，我们假设由于相机运动，像素 $u$ 移动到了 $u’$，且 $I_1(u) \approx I_2(u’)$。 然而，如果一个点位于物体的边缘（Edge）：

  1. 深度不连续：微小的视角变化可能导致背景像素“跳”到前景，或者前景遮挡背景。
  2. 梯度异常：边缘处的梯度虽然大，但如果对应错误的深度（例如背景的深度），会导致极大的优化误差，甚至拉偏整个轨迹。

FAST-LIVO 的贡献在于显式地处理了这个问题，确保只有那些位于平滑表面或稳定纹理区域的点参与光度误差的优化。