1. 核心摘要

这篇笔记整理自 FAST-LIVO2 on Resource-Constrained Platforms (arXiv:2501.13876)。针对边缘计算设备（如 ARM 平台），作者对 FAST-LIVO2 进行了深度剪枝和优化。核心策略包括退化感知的自适应帧选择器和序列化 ESIKF 更新，在 Hilti 数据集上实现了 33% 的速度提升和 47% 的内存减少，且精度仅损失 3cm。

2. 关键概念/术语

  • Degeneration-aware Selector (退化感知选择器)：一种机制，能够识别当前运动是否处于退化状态（如匀速直线运动或纯旋转），从而智能决定是否丢弃视觉帧以节省算力。
  • Sequential Update (序列化更新)：在卡尔曼滤波中，不一次性处理所有测量值，而是分批次或按顺序更新状态，降低单次矩阵运算的维度。
  • Long-term Visual Map (长期视觉地图)：为了平衡内存，将地图分为局部高精度的统一地图和全局的长期稀疏地图。

资源受限平台优化策略

3. 详细内容整理

3.1 优化策略

  • 计算优化：
    • 引入自适应视觉帧选择器。如果系统检测到 LiDAR 状态估计良好且无退化风险，会主动跳过部分视觉帧的处理，减少 CPU 占用。
    • ESIKF 序列更新：将大规模的矩阵求逆操作拆解，降低峰值计算量。
  • 内存优化：
    • 双层地图结构：
      1. 局部统一视觉-LiDAR 地图：用于当前的精确实时跟踪。
      2. 长期视觉地图：仅存储关键信息，用于闭环或重定位，大幅降低 RAM 占用。

3.2 实验结果

  • 平台：验证了 x86 和 ARM (嵌入式) 平台。
  • 性能对比：相比原版 FAST-LIVO2，运行时间减少 33%，内存占用减少 47%。
  • 精度权衡：在 Hilti 数据集上，RMSE 仅增加了 3cm，这对于大多数机器人导航任务是完全可接受的。

4. 关键知识点详解

4.1 序列化更新 (Sequential Update) 的数学原理

标准的 Kalman Filter 更新步骤涉及计算卡尔曼增益 $K$： \(K = P H^T (H P H^T + R)^{-1}\) 当测量维度（$H$ 的行数）很大时（例如同时融合数百个 LiDAR 点和视觉像素），$(H P H^T + R)$ 的求逆非常耗时。

序列化更新利用了测量值之间的独立性假设，将观测 $z$ 分为 $z_1, z_2, … z_n$。

  • 先用 $z_1$ 更新状态 $x$ 和协方差 $P$。
  • 得到新的 $x’, P’$ 后，再用 $z_2$ 进行更新。
  • 这样避免了构建巨大的观测矩阵，显著降低了计算复杂度，特别适合算力有限的嵌入式 CPU。