从具体例子读懂这条方法链
理解 Faster-LIO，先把两件事分开：滤波器负责“怎么改位姿”，地图数据结构负责“去哪里快速找参照点”。本文主要加速后者，仍使用激光惯导的状态估计链。
体素到底是什么
**体素（voxel）**是三维小格子。二维地图按 x、y 分格，三维再加 z。一格只存附近点，空格子可以不分配内存，所以叫“稀疏”。iVox 用哈希表按格子编号找到里面的点。
教学例子：格边长s = 0.5 s=0.5s=0.5m，点p = ( 1.2 , − 0.1 , 0.8 ) p=(1.2,-0.1,0.8)p=(1.2,−0.1,0.8)m，按每个坐标向下取整得到：
k = ⌊ p / s ⌋ = ( 2 , − 1 , 1 ) . k=\lfloor p/s\rfloor=(2,-1,1).k=⌊p/s⌋=(2,−1,1).
注意负数− 0.2 -0.2−0.2向下取整是− 1 -1−1，不是截断成 0。查询点落在哪格，就先查该格及选定邻接格；从候选点中找距离较近的点，用来拟合平面。kNN是“找最近的 k 个点”；限制在局部格子搜索得到的是近似近邻，不承诺全地图上绝对最近的 k 个。
改变格子尺寸和邻域范围，会改变候选点数量、查询开销与找到好平面的机会。格子更大不一定更快：每格可能装更多点；邻域更小也不一定更准：边界附近可能漏掉真正有用的邻居。不能只用“体素越大越省算力”概括。
一帧示例：机器人转过一点角度→IMU 预测运动并帮助去畸变→把墙面点放进地图→iVox 找附近墙点→点到平面误差驱动滤波→更新地图。这里没有额外“学习正确动作”的损失函数，运行时依靠物理运动模型与几何观测。
文中很高的处理 Hz 是特定硬件、扫描切分和点数下的算法吞吐口径，不是说激光雷达硬件因此每秒发出同样数量的完整扫描，也不是整个导航系统频率。
原文与实现依据：Faster-LIO 官方仓库 及本文 DOI 对应的地图结构、近邻查询章节。格子数值是教学示例。
一句话定位
滤波骨架跟 Fast-LIO2 同族，换地图结构为 iVox（稀疏增量体素 + 并行近似 kNN），在相近精度下把前端吞吐再抬一截——后续许多高速 LIO 前端的直接工程祖先。
本页概念卡
- Faster-LIO · iVox · iVox-PHC
- FAST-LIO2 · ikd-Tree
1. 背景概念（给新人）
- 为什么还要更快：机器人上 LIO 只是模块之一，CPU 要分给规划、感知、控制。
- 近似 kNN：不保证全局精确第 k 近邻，但在体素邻域里找「够好的近邻」拟平面，对 LIO 通常够用。
2. 论文在干什么
- 问题：ikd-Tree 已经快，但仍想再挖地图查询与并行的潜力。
- 做法：提出 iVox / iVox-PHC；接到 Fast-LIO2 式紧耦合 LIO 上得到 Faster-LIO。
- 宣称量级：固态雷达可达约 1k–2k Hz 量级处理（视平台与点数）；多线机械雷达也可显著加速。
3. 核心创新点
- iVox 数据结构：哈希稀疏体素，增量插入，O ( 1 ) O(1)O(1)级更新思路。
- 两种底层：linear iVox（点少时更合适）与 iVox-PHC（体素内点多时用伪希尔伯特曲线加速）。
- 并行近似近邻：按邻接体素搜集候选，适合多核。
- 系统集成：替换 Fast-LIO2 地图模块，精度同级、耗时下降；也可把 iVox 塞进别的 SLAM（文中示意 LeGO-LOAM 类）。
4. 方法细节
实现图解（开源
ivox3d）
完整逐步说明 + 四张示意图写在概念卡 iVox；PHC 变体见 iVox-PHC。图目录：04-学习/技术笔记/assets/ivox/。
4.1 数据结构（对应代码）
- 外层：
unordered_map<Key, list_iterator>+list做LRU（grids_map_/grids_cache_）。 - 坐标→格子：开源用
round(p * inv_resolution)（Pos2Grid），不是教科书常见的纯 floor。 - 容量满：删链表队尾最老体素（被动删除，不扫全图箱删）。
4.2 近似近邻
- 查询点 → 本格 +
NEARBY6/18/26→ 各格内凑候选 →nth_element取最好的K KK个。 - 有界近似：宁可漏掉很远分支上的「理论最近点」，也不去全树乱跳——IMU 初值够好时对点到平面通常够用。
- 整帧可对「每个查询点」并行（
par_unseq）。
4.3 Linear vs PHC
- Linear：格内
vector，扫点O ( n ) O(n)O(n)；点少默认更合适。 - PHC：格内 Hilbert 下标 + 质心，点多时更划算。
4.4 与滤波的接口
- 仍是：IMU 去畸变 → 点到平面 → IEKF/IESKF 迭代。
- 加速主要来自「找邻居 + 地图维护」，不是另写一套卡尔曼。
5. 整体框架（Mermaid）
6. 实验与结论
- 合成数据与公开数据集：插入/查询相对多种 NN 结构更快；召回率与精确 kNN 有折中。
- 整系统相对 Fast-LIO2：精度接近，耗时明显下降（机械雷达可省约四成量级，视序列而定）。
- 局限：要极高召回的精确邻居时，纯近似体素不一定最优。
7. 要点总结
- 调
ivox_grid_resolution/ivox_nearby_type是在调「地图邻居质量 vs 速度」。 - 类名
ESKF+max_iteration= 论文语境的 IEKF/IESKF。
8. 开放问题
- 开源
round格子与论文表述的 floor/哈希素数公式，数值边界差对平面拟合影响多大？
