在手持3D扫描和机器人导航领域，SLAM（同步定位与建图）算法的选择直接决定了建图精度、实时性能和硬件成本。来自香港大学MARS实验室（HKU-MARS）的三个算法——FAST-LIO2、R3LIVE、Point-LIO——是目前开源社区最受欢迎的LiDAR惯性里程计算法。
本文将逐一拆解它们的原理、优劣势和最佳使用场景，并附上实操配置经验，帮你快速做出选型决策。
三大算法一览
| 对比维度 | FAST-LIO2 | R3LIVE | Point-LIO |
|---|---|---|---|
| 传感器输入 | LiDAR + IMU | LiDAR + IMU + 摄像头 | LiDAR + IMU |
| 输出类型 | 点云地图（单色） | 点云地图（彩色）+ 位姿 | 点云地图（单色） |
| 里程计频率 | LiDAR帧率（通常10Hz） | LiDAR帧率（10Hz） | 4-8 kHz（逐点处理） |
| 回环检测 | ❌ 无（需外接模块） | ❌ 无（需外接模块） | ❌ 无 |
| RGB彩色重建 | ❌ 不支持 | ✅ 实时上色 | ❌ 不支持 |
| IMU饱和处理 | 基于模型补偿 | 基于模型补偿 | 逐点自适应 |
| 运动畸变校正 | 帧内插值 | 帧内插值 | 无需（逐点处理） |
| 计算需求 | 低（~15%单核ARM） | 中高（FAST-LIO2的2-3倍） | 低 |
| M360配置难度 | ⭐ 简单 | ⭐⭐⭐ 中等偏难 | ⭐⭐ 简单 |
| 社区资源 | 丰富（8k+ stars） | 中等 | 较少 |
| GitHub Stars | 8,000+ | 1,500+ | 800+ |
| 最佳场景 | 通用建图、资源受限平台 | 彩色点云、LiDAR退化环境 | 快速运动、高振动环境 |
FAST-LIO2：大多数项目的默认选择
FAST-LIO2 是目前最主流的开源紧耦合LiDAR惯性里程计算法，GitHub 上拥有超过 8000 颗星，社区活跃、文档完善。
核心原理
FAST-LIO2 采用紧耦合迭代扩展卡尔曼滤波（IEKF）架构，直接对原始点云进行扫描配准，无需特征提取（不提取角点、面点等），这一点大大简化了算法流程。地图管理使用 ikd-Tree（增量式k-d树），支持高效的动态点插入和删除。
关键优势
- 参数少、调试简单：核心可调参数仅几个，开箱即用
- 适配非重复扫描雷达：支持 Livox MID-360 等固态雷达（非旋转式），兼容性强
- 计算量极低：在ARM平台上仅占用约15%的单核算力，适合嵌入式部署
- 精度高：在19个公开数据集上表现优异，定位精度稳定
致命短板
- 无回环检测：长时间运行会出现漂移累积，需要外接回环检测模块（如 Scan Context）
- 无RGB信息：输出的是单色点云，无法直接生成彩色3D模型
- LiDAR退化环境失效：在长走廊、空旷大平面等几何特征匮乏的场景中，精度显著下降
M360 配置参数
使用 Livox MID-360 时，关键参数为：
cut_frame_num × orig_odom_freq = 50例如 orig_odom_freq = 10Hz，则 cut_frame_num = 5。这意味着算法每收集5帧原始数据后执行一次里程计更新。
R3LIVE：需要彩色点云时的进阶选择
R3LIVE（Robust Real-time Renderable 3D LiDAR-Inertial-Visual Odometry）在 FAST-LIO2 的基础上引入了视觉子系统，是目前最完善的紧耦合 LiDAR-IMU-Visual 三传感器融合方案之一。
核心原理
R3LIVE 采用双子系统架构：
- LIO子系统：类似 FAST-LIO2，负责LiDAR-IMU紧耦合定位建图
- VIO子系统：从摄像头图像提取特征，一方面为点云实时上色，另一方面在LiDAR退化时提供额外的位姿约束
两个子系统通过状态传递机制紧密耦合，VIO的位姿估计可以补偿LIO在退化环境下的精度损失。
性能数据
在 NTU-VIRAL 数据集上的 RMSE 达到 0.185m，精度表现优秀。
关键优势
- 实时RGB点云：扫描同时生成带颜色信息的3D点云，视觉效果好，适合展示和数字孪生
- 退化环境鲁棒：视觉信息的引入显著提升了在长走廊、玻璃幕墙等场景下的鲁棒性
使用代价
- 额外硬件成本：需要额外摄像头（约$100-300），增加了硬件复杂度
- 三次标定：LiDAR-IMU标定、相机-IMU标定、LiDAR-相机标定，标定流程繁琐
- 算力翻倍：计算量约为FAST-LIO2的2-3倍，在低功耗嵌入式平台上可能吃力
Point-LIO：快速运动与高振动场景的利器
Point-LIO 是三个算法中最独特的——它打破了"以帧为单位"的处理范式，改为逐点处理。
核心原理
与 FAST-LIO2 和 R3LIVE 每收到一帧完整点云后才进行一次状态更新不同，Point-LIO 在每收到一个LiDAR点时就执行一次状态估计。这使得里程计输出频率高达 4-8 kHz，远远超过帧级处理方案的10Hz。
关键优势
- 抗振动最强：官方测试在 75 rad/s 的极端角速度下仍能稳定工作
- 无运动畸变：逐点处理天然消除了帧内运动畸变问题，无需额外的畸变校正
- 快速运动场景表现优异：高速运动时的定位精度明显优于帧级方案
局限性
- 无RGB支持：纯LiDAR-IMU融合，无法生成彩色点云
- 无回环检测：长时间运行同样存在漂移累积
- 社区资源少：GitHub stars 仅800+，遇到问题可参考的资料较少
选型决策树
根据实际项目需求，选择建议如下：
你的项目需要彩色点云吗？
├── 是 → 预算和算力充足吗？
│ ├── 是 → R3LIVE
│ └── 否 → FAST-LIO2 + 后处理上色
└── 否 → 工作环境有高振动或快速运动？
├── 是 → Point-LIO
└── 否 → FAST-LIO2（推荐）总结一句话：大多数项目直接从 FAST-LIO2 开始就对了。 只有在明确需要彩色点云或应对极端动态场景时，才考虑升级到 R3LIVE 或 Point-LIO。
M360 + FAST-LIO2 实操要点
对于使用 Livox MID-360 的手持扫描仪项目，以下是 FAST-LIO2 的快速部署清单：
硬件配置
| 组件 | 推荐型号 | 用途 |
|---|---|---|
| LiDAR | Livox MID-360 | 主传感器 |
| 计算平台 | Jetson Orin Nano | 实时SLAM处理 |
| IMU | M360内置（BMI088） | 惯性测量 |
| 电池 | 12V移动电源 | 供电 |
ROS Workspace 配置
在 Jetson Orin Nano 上搭建 FAST-LIO2 的工作空间，核心依赖包括：ROS Noetic（或 ROS2 Humble）、PCL、Eigen 3.3+、ikd-Tree。克隆仓库后直接 catkin_make 编译即可。
关键参数调优
M360 的配置核心是确保数据采集率与里程计更新率的匹配：
orig_odom_freq：设为 10Hzcut_frame_num：设为 5cut_frame_num × orig_odom_freq = 50（固定值）
如果发现建图效果不理想，可以尝试调整 max_iter（默认2-3）和 filter_size_map（建图分辨率）。
结语
三个算法各有侧重：FAST-LIO2 是"万金油"，R3LIVE 是"锦上添花"，Point-LIO 是"极限运动选手"。在手持3D扫描仪的开发实践中，建议先用 FAST-LIO2 跑通全流程，再根据实际痛点决定是否升级。
本文基于 HKU-MARS 实验室开源项目及实测经验整理，如有遗漏欢迎交流讨论。