1. Roll Pitch Yaw

Roll横滚 绕前后轴X转，左右侧倾
Pitch俯仰 绕Y轴转，抬头/低头
Yaw航向：绕竖直轴Z转，像原地向左或向右转身

横滚歪身子，俯仰抬低头，航向转方向

2. 位姿包含啥

包含位置（x，y，z）和姿势（roll，pitch，Yaw）一共6个自由度。

3. 流形是什么？

流形是一个“整体可能弯曲，但在很小的局部看起来像普通平面或普通欧氏空间”的空间。
地球表面整体是一个球面，不是平面。但如果只看你脚下几百米的范围，可以近似当成二维平面，用两个坐标表示位置。
三维旋转的集合叫：
SO(3)
它由所有合法的三维旋转矩阵组成。
旋转矩阵是 3X3，有9个元素，但这些元素不能随意取值，必须满足约束。因此三维旋转实际上只有3个自由度。
绕 x 轴转多少；
绕 y 轴转多少；
绕 z 轴转多少；

4. 为什么旋转矩阵有9个元素，但实际上它只有三个自由度。

为什么旋转矩阵有9个元素？
因为它本质上是一个3X3的线性变化：
R = [
r11, r12, r13
r21, r22, r23
r31, r32, r33
]
所以存储时自然需要9个数字。

它的用途是把一个向量从机体坐标系转到世界坐标系:
p__world = R__pbody,
例如机器狗体坐标中的“正前方”是：
ex = [
1
0
0
]
那么：
Rex = [
r11,
r21,
r31
]

这篇论文的本质：

IMU让LiDAR点云在快速运动中不变形；LiDAR让IMU积分不会长期跑偏；FAST-LIO的卡尔曼增益优化让更多激光几何约束能够实时加入这场互相校。

对了一半。更准确地说：
FAST-LIO的核心不是把IMU原始数据本身“修到准确”，而是利用LiDAR地图约束，持续估计并修正由IMU驱动的18维运动状态。

IMU原始读数仍是：
陀螺仪角速度 ωm
加速度计读数 am
FAST-LIO不会改变传感器硬件输出，而是估计：
这条陀螺仪读数里，偏置 bω 有多少？
这条加速度计读数里，偏置 ba 有多少？
当前姿态 R、位置 p、速度 v 应该是多少？
重力 g 在当前全局系中该怎么表示？
整个过程是：
IMU原始数据
↓
减去估计的偏置 bω、ba
↓
积分，预测 R、p、v
↓
当前点云投到历史地图中
↓
检查点是否仍落在墙面、地面、边缘上
↓
如果没落对，产生LiDAR残差
↓
迭代卡尔曼滤波修正18维状态
↓
下一时刻继续用修正后的状态预测
例如，系统通过点云匹配发现：
预测中机器狗的墙面位置偏了 5 cm
它不只是机械地把位置 (p) 往回拉5 cm，还会综合判断：
可能是姿态 R 有一点偏
可能是速度 v 估错
可能是陀螺仪偏置 bω 估错
可能是加速度计偏置 ba 估错
可能是重力方向 g 没估准
然后按这些变量之间的数学关系共同修正。
其中：

• (R,p)：LiDAR点云匹配能较直接地约束；
• (v)：通过“位置随速度变化”的模型间接修正；
• (b_\omega,b_a)：通过长期观察“IMU预测总是如何错”而逐渐修正；
• (g)：通过静止初始化、姿态和LiDAR运动约束逐步修正。
  所以可以把FAST-LIO理解为：
  IMU负责高频预测“机器狗下一刻在哪”；LiDAR负责检查“这个预测是否符合真实环境”；一旦不符合，就反向校正整个18维状态，尤其是IMU偏置。

而这篇论文另外两个很重要的核心是：

• 利用IMU给一帧内的每个LiDAR点做运动畸变补偿；
• 用新的卡尔曼增益计算方式，让上千个激光点也能实时参与修正。

imu 的数据可能不准 让lidar看着点
lidar的数据可能也不准，让imu给点补偿
再用卡尔曼增益，让更多的激光点来参与进来，是这么理解么？

对，这个理解已经很到位了。稍微精确一点：
IMU可能漂
→ LiDAR通过“点是否贴合地图”来纠正IMU预测

LiDAR一帧点不是同一时刻采到的，机器人又在运动
→ IMU告诉每个点采样时机器人处于什么姿态
→ 给LiDAR点云做运动畸变补偿

LiDAR点很多
→ 新的卡尔曼增益公式让大量点都能实时参与融合
但有一个小修正：
IMU不是把LiDAR的测距值“修准”；它主要修正的是LiDAR点在运动过程中对应的坐标位置和姿态。

例如，机器狗在20 ms扫描一帧点云时正在转身：
第一个点采到时：机器人朝前
最后一个点采到时：机器人已转了一点
如果把这两个点直接拼成同一帧，墙会弯、边缘会重影。
IMU提供这20 ms内的姿态变化，FAST-LIO把各点“拉回”到统一时刻：
原始LiDAR点
+
IMU估计的相对运动
↓
去畸变后的LiDAR点
然后LiDAR再用环境几何来检查IMU预测是否正确：
IMU预测的位姿
↓
把当前点投到历史地图
↓
若点没有落在墙/地面/边缘上
↓
得到几何残差
↓
修正 R、p、v、bω、ba、g
至于卡尔曼增益，你的理解也接近：

• 它本质上决定“IMU预测”和“LiDAR残差”各该信多少；
• FAST-LIO的新公式没有改变融合结果；
• 但它把大规模求逆变成了18维小矩阵求逆；
• 所以原本因计算太慢而只能舍弃的许多LiDAR特征点，现在能实时参与。