↓Eigen：矩阵、向量、坐标变换↓ROS/ROS2：节点、话题、tf、rviz↓OpenCV 或 PCL：图像或点云处理↓小项目：图像节点 / 点云节点 / 标定 / 配准↓SLAM 基础：里程计、地图、状态估计↓↓阅读 ORB-SLAM、VINS、LIO-SAM、FAST-LIO 等项目方向优先学习视觉 SLAM激光 SLAM多传感器融合自动驾驶感知OpenCV、PCL、ROS、深度学习部署移

噪声类型连续方差离散方差直觉白噪声nnnσc2\sigma_c^2σc2​σc2Δtσc2​/Δt采样越快单次噪声越大随机游走b˙\dot{b}b˙σc2\sigma_c^2σc2​σc2⋅Δtσc2​⋅Δt积分时间越长漂越多Allan 方差是分析 IMU 噪声特性的标准工具，通过对不同平均时间τ\tauτ的方差分析，识别各类噪声成分。斜率 -1/2：角度/速度随机游走（白噪声）→ 读取τ1\ta

本文深入分析了FAST-LIO2开源算法的实现细节，重点解读了LiDAR-IMU紧耦合状态估计的完整流程。文章通过模块化梳理，提炼出七大核心功能：状态定义（24维流形）、IMU初始化、前向传播、点云去畸变、最近邻搜索、观测模型构建和迭代ESKF更新。特别强调了FAST-LIO2的三大创新点：直接原始点云配准、增量式ikd-Tree地图维护和高效率iterated ESKF实现。文中详细展示了状态方