室内导航系统 06：FAST-LIO2、LIO-SAM 与 KISS-ICP 应该怎样选

3D LiDAR 能在弱光环境提供稳定几何，也能支撑高程地图和轮足导航。但“上一个 3D SLAM”并不是完整方案。至少要区分：

• 高频、连续的局部里程计；
• 长时间和大范围的全局一致性；
• 供定位、规划和运营使用的地图产品。

FAST-LIO2、LIO-SAM 和 KISS-ICP 分别在这些维度上做了不同取舍。

KISS-ICP：先建立一个可靠的 LiDAR 基线

KISS-ICP 的核心思想是尽量减少需要手调的复杂性，用点云配准获得 LiDAR 里程计。它适合：

• 快速验证 LiDAR 数据和运动畸变；
• 没有 IMU 或 IMU 质量不可靠的系统；
• 作为其它融合算法的基线；
• 希望用较少参数得到稳健结果。

局限是它主要解决局部里程计，不天然提供完整回环和长期地图管理。快速运动、低重叠和几何退化仍会影响结果。

工程上很有价值的一点是：如果复杂 LIO 表现还不如 KISS-ICP，优先检查 IMU、时序、外参和运动补偿，而不是继续增加优化因子。

FAST-LIO2：高速直接点到地图融合

FAST-LIO2 将 IMU 与原始 LiDAR 点直接融合，使用增量数据结构维护局部地图，强调高频、低延迟和多种 LiDAR 适配。

适合：

• 需要高频 LIO 的无人机、四足和快速移动平台；
• 非重复扫描式 LiDAR；
• 计算资源有限但要求实时；
• 局部高精度状态估计。

需要额外解决：

• 回环与全局图优化；
• 多会话地图；
• 地图裁剪、版本和发布；
• 与 ROS 2 导航接口的产品化封装。

FAST-LIO2 强在前端，不应被误认为开箱即用的整套楼宇导航。

LIO-SAM：因子图把多种约束放到一起

LIO-SAM 使用因子图融合 IMU 预积分、LiDAR 里程计、GPS（如有）和回环约束。其结构更适合理解和扩展全局优化：

IMU 高频传播
  + LiDAR 关键帧约束
  + 回环约束
  + 可选绝对位置
  → 因子图优化

优势：

• 因子边界清楚；
• 有关键帧地图和回环；
• 易于加入其它绝对或相对约束；
• 学术与工程资料丰富。

代价：

• 对 IMU 质量、安装方向、时间和外参敏感；
• 原始项目主要面向 ROS 1，ROS 2 分支和第三方版本需评估；
• 参数和依赖更重；
• 高动态或非典型 LiDAR 需要更多适配。

横向选择

现实系统经常组合使用：FAST-LIO2 提供高频 odom，另一个图优化或定位模块维护 map → odom；KISS-ICP 用作回归基线；RTAB-Map 或自研后端管理跨会话图。

室内 3D LiDAR 的特殊退化

长走廊

沿走廊方向约束弱。需要 IMU、轮速、侧向几何或视觉特征补充。

大平面和重复结构

停车场、仓库货架容易出现错误匹配。回环必须做更严格的几何验证。

玻璃和镜面

可能出现穿透、镜像或缺失点。过滤能减少异常，但不能凭空恢复真实表面，应由视觉、地图规则或安全传感器补足。

人群与移动设备

动态点会污染局部地图。可使用时序一致性、地面/人体分割和局部地图衰减，但要避免把长期静态结构一并删除。

输出如何进入导航

2D Nav2 仍可消费 3D LIO 的位姿，但地图要转换：

3D 点云 / 体素
  → 地面与高度范围过滤
  → 2D occupancy / costmap layer
  → Nav2 planner 和 controller

轮足或无人机则更适合保留高程、体素或 ESDF，让局部规划器直接使用三维距离和地形。

无论哪种路线，都应把 odom 的连续性与 map 的全局修正分开，避免回环跳变直接进入底盘控制。

验收指标

• ATE/RPE 轨迹误差；
• 直线尺度、转角和闭环误差；
• 点云墙面厚度与重影；
• 快速运动和停走时的稳定性；
• CPU/GPU、内存和 P95 延迟；
• IMU 或 LiDAR 短时丢失后的恢复；
• 回环误检率；
• 地图重载后的重定位时间；
• 连续运行数小时后的地图与内存增长。

选算法之前，先问团队最需要的是一个稳健前端、一个可扩展因子图，还是一套能长期运营的地图系统。没有这个边界，三个项目的优点会被混成一张并不存在的功能清单。

延伸阅读

• FAST-LIO2 开源实现
• LIO-SAM 因子图式 LiDAR—IMU 里程计与建图
• KISS-ICP：简洁、低参数的 LiDAR 里程计