本文系统推导LIO-SAM紧耦合多传感器融合SLAM的核心原理，涵盖因子图建模、IMU预积分完整推导（含旋转/速度/位置增量与协方差传播）、iSAM2增量优化机制，并手写C++ ImuPreintegrator类实现。对比LIO-SAM、FAST-LIO2、Point-LIO及前沿的FAST-LIVO2、R3LIVE，揭示激光-视觉-惯性三路融合在退化场景下的鲁棒性优势，为工业巡检机器人提供可落地

我们从多层羊场巡检机器人被货架遮挡激光雷达的真实痛点出发，完整推导视觉SLAM前端三件套——ORB特征提取与对极几何、PnP位姿求解、BA光束法平差——并对比 ORB-SLAM3（特征点法集大成者）、VINS-Fusion（滑窗紧耦合VIO）、DROID-SLAM（学习法稠密BA）三条技术路线。最后给出一个可在 ROS2 Humble 下编译运行的 C++ ORB 特征检测节点（OpenCV），含

本文系统梳理AMR入门四大数学基石：坐标系与TF树、差速底盘运动学、激光雷达观测模型及贝叶斯滤波，将SLAM形式化为联合估计轨迹与地图的后验问题。基于ROS2 Humble实现DiffDriveOdomNode，提供可编译运行的差速里程计节点，作为后续SLAM算法的运动学底座，为理解Cartographer、FAST-LIO2等主流算法奠定理论与工程基础。