一、一个容易被忽视的问题想象这样一个场景一台搭载激光雷达的无人机正在快速飞行。雷达以100毫秒的扫描周期采集一帧点云每个点的采集时刻不同——第一个点采集于t₀时刻最后一个点采集于t₁时刻t₁ - t₀ 100毫秒。在这100毫秒里无人机带着雷达向前移动了0.5米同时机身还伴有小幅旋转。问题来了这帧点云里不同时间采集的点对应的雷达坐标系是不一样的。但当我们把这帧数据送去与地图做匹配时却默认所有点是在同一个坐标系下采集的。这种坐标系上的错位就是所谓的运动畸变[5†L12-L16]。如果飞行速度慢畸变不太明显系统还能勉强工作。一旦运动速度快起来点云会严重变形导致后续的状态估计产生系统性漂移甚至完全失效。这在快速飞行或者剧烈旋转的场景下尤为致命。二、FAST-LIO的两阶段补偿策略解决运动畸变朴素的想法很简单既然畸变是因为扫描期间载具在运动那把每一帧内的每个点都“补偿”到一个统一的基准坐标系下再用补偿后的点云去做匹配问题理论上就能解决。剩下的问题就是补偿值从哪来FAST-LIO的方案可以拆解为两个阶段前向传播Forward Propagation和反向传播Backward Propagation[5†L16-L18]。2.1 第一阶段前向传播——建一条“记录”前向传播解决的核心问题很简单想要把扫描期间每个时刻的点坐标都补偿到一个统一时刻首先得知道每个时刻载体都处在什么状态。FAST‑LIO的前向传播工作流程如下[5†L24-L28]系统收到前一帧的最终状态估计结果上一轮滤波给出的后验。收到每一个新IMU数据角速度和加速度后就基于它做一次状态预测用角速度更新旋转用加速度更新速度、位置同时带上偏置和噪声。把预测得到的状态位置、速度、姿态保存下来与对应的时间戳绑定。前向传播本身就是滤波器的预测步它基于上一帧的后验和当前IMU数据向前递推预测当前帧每一步的IMU状态。在这个过程中每个IMU时间戳对应的姿态、位置、速度都会被完整记录到IMUpose结构中[5†L28]。到一帧激光雷达扫描结束时系统已经得到了一整条连续的时间线记录了载具在扫描期间每一个时刻的运动状态。这一步可以理解为画出一条时间与状态对应的完整轨迹线2.2 第二阶段反向传播——从终点回溯有了前向传播记录的整条时间线反向传播的逻辑就水到渠成了。让两个核心概念先明确一下目标参考系统一基准坐标系通常选择当前激光雷达扫描的结束时刻或者相应的LiDAR坐标系作为统一基准也就是tₖ时刻[8†L16-L17][12†L4-L6]。每一帧雷达点的时间戳每个激光点都携带相对扫描起始的时间偏移据此可以知道每个点实际发生在轨迹线上的哪一段落在哪两个IMU状态之间。反向传播最直观的理解就是从终点往前推不需要用t₀时刻的状态去正向预测到每个点发生的时刻而是从最终估计状态tₖ时刻的位姿开始按照时间顺序逆向计算特征点时刻比如tⱼ的位姿[11†L4-L6]。在一张示意图中可以更清楚地看清整个思维脉络2.3 关键补偿公式解析前向传播记录了每个时刻的状态反向传播就把这些状态反向串起来把点云中的每个点逐个补偿到统一基准。具体的补偿变换公式如下[5†L44-L48]补偿点的坐标 R_offset⁻¹ × [ R_end⁻¹ × ( R_i × ( R_offset × P_i T_offset ) T_ei ) - T_offset ]P_i原始点的坐标R_i点对应时刻的旋转矩阵T_ei点对应时刻到扫描结束时刻的平移量由速度和加速度推算得出R_end基准时刻扫描结束时刻的旋转矩阵R_offset, T_offsetIMU与雷达之间的外参旋转和平移对于平移系统使用匀加速运动模型推算位置变化*T_ei pos_imu vel_imu × dt 0.5 × acc_imu × dt² — imu_state.pos* [5†L42-L43]dt代表从IMU测量时刻到补偿时刻的时间差。通过这个公式系统把每个点从它的采集时刻坐标系经过旋转和平移变换一步映射到统一基准下的坐标。2.4 “反向”的妙处与效果为什么要“反向”而不“正向”雷达扫描结束时滤波器的状态估计精度是最高的因为它刚刚融合了前一帧激光点云的观测信息。从精度最高的终点状态开始往回推算比从起点往前推算误差累积更小。直观来看反向传播直接对应于论文和工程实现中的backward propagation逻辑——利用终点状态去反推中间时刻公式和代码都能保持一致的整齐结构[12†L4-L5]。关于补偿前后的视觉效果原论文图6(a)和图6(b)对比非常明显原始点云在无人机快速飞行时呈现明显的拖尾状畸变经过反向传播补偿后墙角和边缘恢复成了本该有的清晰锐利直线。三、学习路线指引要更深入地理解这套机制可以参考以下学习路径优先打牢数学基础先熟悉《视觉SLAM十四讲》第3–4章四元数与SO(3)/SE(3)李群李代数基本概念、第9章状态估计与卡尔曼滤波尤其要理解EKF和流形上的广义加减法⊞/⊟——在后续阅读源码时会反复接触。梳理前向与后向传播代码逻辑官方的hku-mars/FAST_LIO代码库算法稳健但一些结构略显复杂。更推荐同时阅读开源社区的S-FAST_LIOzlwang7/S-FAST_LIO这里面简化版代码配合中文注释可以从IMU_Processing.cpp入手找到前向传播的迭代逻辑与后向传播的位置推算公式搭配论文附录看效果最好。用模拟数据集做对比实验录制或者找公开数据包对比“关闭运动补偿”和“开启反向传播”两种情况下的点云形态差异。可以重点关注高速转动或振动较大的数据段——补偿效果差异会更明显。参考高质量推导博文CSDN博客的《Fastlio系列算法中向后传播backward propagation的理解》[12†L2-L6]、知乎专栏《动手写Fast-Lio从零开始写基于IESKF的激光里程计》等都提供了带举例的公式推导可以弥补官方文档省略的部分中间计算[11†L7-L10]。运动畸变补偿是紧耦合LIO系统的隐形支撑点。它不直接决定算法的最终精度但没有它后面所有的匹配和优化都建立在错误的数据底座上。理解了前向传播和反向传播的配合逻辑也就把握住了激光惯性里程计工程实现的一条重要主线。