多传感器融合SLAM------松耦合与紧耦合

一、松耦合与紧耦合

        1.松耦合（Loosely Coupled）

        松耦合 LIO 中，LIDAR 和 IMU 的观测量通常被独立处理。即分别处理来自 LiDAR 和 IMU 的观测数据，然后在高层次 Pose（Position + Orientation）上进行融合。

        松耦合通常的思路是首先处理 IMU 的观测数据得到高频的位姿（Pose）信息，将高频的位姿信息用于 LiDAR 观测数据的去畸变和LIDAR 点云配准的初值，然后使用滤波的方式将IMU 观测数据处理得到的高频位姿信息（预测） 和 LIDAR 点云配准得到的位姿信息（观测）融合，得到更加精确的位姿信息。

        松耦合相关的研究成果有 LOAM (with IMU)，LeGO-LOAM等；但松耦合 LIO 对 LiDAR 和 IMU 的融合仅体现在结果（Pose）层面，没有考虑两种观测数据间的内在约束，且依然无法解决一些退化场景问题。

        2.紧耦合（Tightly Coupled）

        紧耦合 LIO 中， LiDAR 和 IMU 的原始观测会被放到一起联合处理、考虑其内在联系并互相影响，是在低层次 传感器观测数据 上进行融合。

        紧耦合通常的思路是首先将 IMU 观测数据经过处理后用于 LiDAR 观测数据的去畸变，然后 LiDAR 观测和 IMU 观测会被一起丢到某种形式的状态估计模型中，并以最小化 LiDAR 观测和 IMU 观测的总体误差为目的，估计出最终的 Position、Orientation、Velocity、Bias、Gravity 等状态量（优化零偏是松耦合做不到的）。

        其中，IMU 数据通常以预积分的形式进行处理；对 Bias 的估计相当于用 LiDAR 观测反过来影响 IMU 的状态量；对 Velocity 和 Bias 这些状态量的估计体现了紧耦合的思想之一 —— 充分考虑观测之间的内在约束，而非仅仅对 Position，Rotation 这样的结果做融合；所谓“某种形式的状态估计模型”通常是滑窗优化（Sliding Window Optimization）或者迭代误差状态卡尔曼滤波（iESKF），前者能够批量估计近期多个时刻的状态量， 后者则以迭代卡尔曼滤波（iEKF）为基础框架递归式地估计当前时刻的状态量。滑窗优化和迭代误差状态卡尔曼滤波，是实现紧耦合 LIO 的两种主流方法。

        紧耦合 LIO 相关的研究成果有 LIOM（LIO-Mapping）、LINS、LIO-SAM（有争议）、LiLi-OM、Fast-Lio1&2、Faster-Lio等。紧耦合充分考虑了 LiDAR 观测和 IMU 观测的内在约束性，互相影响，共同决定最终的结果，理论上，能够应对松耦合无法解决的退化场景问题，比如长隧道环境、剧烈运动环境等。

若满足以下任一条件即为紧耦合：

1. ✅ 状态向量包含跨传感器参数（如IMU零偏被视觉/LiDAR数据优化）

2. ✅ 目标函数同时含多类原始传感器残差（如IMU动力学残差+点云匹配残差）

3. ✅ 原始数据参与同一优化器计算（非中间结果传递）

        例如：FAST-LIO2使用IMU预测位姿，但因LiDAR残差会修正IMU零偏（跨传感器状态），故为紧耦合。

参考

        紧耦合LIO综述 | 6篇顶会论文看透紧耦合LIO玩儿法

        从零入门激光SLAM（十九）——松耦合与紧耦合到底怎么区分

        重读经典《Quaternion kinematics for the error-state Kalman filter》

        LIO-SAM中利用IMU去运动畸变

        利用IMU进行激光点云运动畸变校正