咪爷1. 项目背景与核心问题
在激光雷达（LiDAR）的实时定位与建图（SLAM）系统中，点云去畸变是一个关键的前处理环节。由于激光雷达在运动过程中连续扫描环境，每一帧点云数据中的点实际上是在不同位姿下采集的。如果不进行去畸变处理，直接使用原始点云数据会导致建图模糊和定位精度下降。
FAST-LIVO2作为新一代紧耦合激光-惯性里程计系统，其点云去畸变模块采用了创新的反向传播算法。与传统的前向传播方法不同，反向传播从当前时刻的位姿出发，逆向推算每个点在扫描时刻的真实位置。这种方法在高速运动场景下表现出更好的鲁棒性，但背后的数学推导却鲜有资料详细说明。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 点云畸变原理与常规处理方法
2.1 激光雷达扫描机制与畸变来源
机械式激光雷达通过旋转发射器/接收器模块实现360°环境扫描。以常见的Velodyne HDL-64E为例，其水平角分辨率约0.08°，垂直方向有64条扫描线。完成一帧扫描需要约100ms（10Hz），在此期间传感器的运动会导致点云畸变。
典型畸变表现为：
- 平移畸变：建筑物墙面出现"波浪形"扭曲
- 旋转畸变：柱状物体呈现"香蕉形"弯曲
- 混合畸变：高速运动下同时存在平移和旋转畸变
2.2 传统去畸变方法对比
| 方法类型 | 原理 | 优点 | 缺点 |
|---|---|---|---|
| 匀速模型 | 假设扫描期间匀速运动 | 计算量小 | 高速运动误差大 |
| 前向传播 | 从起始时刻正向推算 | 逻辑直观 | 依赖初始位姿估计 |
| 插值法 | 在IMU数据间插值 | 实时性好 | 需要高频率IMU |
| 反向传播 | 从当前时刻逆向推算 | 末端精度高 | 数学推导复杂 |
3. 反向传播算法的数学推导
3.1 坐标系定义与变量说明
首先明确各坐标系定义：
- W：世界坐标系（固定参考系）
- B_k：k时刻的机体坐标系
- L：激光雷达坐标系（与B系固连）
关键变量：
- T_{k→k+1} ∈ SE(3)：k到k+1时刻的位姿变换
- t_i ∈ [0,Δt]：点i的相对扫描时间（Δt为单帧时长）
- p_i^L：点i在L系下的原始测量值
3.2 核心推导过程
反向传播的核心思想是将所有点统一校正到当前帧结束时刻（k+