实测对比：FAST-LIO2在无人机（UAV）与地面机器人（UGV）场景下的资源消耗与建图效果

FAST-LIO2在无人机与地面机器人场景下的实战性能评测

当第一次在无人机上部署FAST-LIO2时，最让我惊讶的是它在高速飞行状态下依然能保持地图的连贯性——没有出现常见的点云撕裂现象。这种稳定性让我决定系统地测试它在不同移动平台上的表现。本文将分享在无人机(UAV)和地面机器人(UGV)两种典型场景下，FAST-LIO2的资源消耗与建图效果对比数据。

1. 测试环境设计与基准建立

为了确保对比实验的科学性，我们搭建了可重复的测试环境。测试平台选用大疆Matrice 300 RTK无人机和Clearpath Robotics的Jackal地面机器人，两者都搭载了Velodyne VLP-16激光雷达和Intel NUC11迷你工控机(i7-1165G7/16GB RAM)。

注意：所有测试均在封闭场地进行，无人机飞行高度控制在5米以内，地面机器人测试区域包含水泥地面、碎石路和草地三种典型地形。

传感器配置采用统一参数：

# velodyne.yaml 通用配置 lidar: scan_rate: 10 point_filter_num: 1 max_range: 100.0 min_range: 1.0

测试场景设计包含两个维度：

• 运动模式：无人机测试3种速度档位(1m/s、3m/s、5m/s)，地面机器人测试2种地形(平坦水泥地、复杂碎石路)
• 建图参数：固定FAST-LIO2的以下核心参数：

  mapping/point_filter_num: 1 mapping/max_iteration: 3 mapping/cube_side_length: 1000.0

2. 计算资源消耗对比分析

在连续2小时的测试中，我们使用Linux的top工具记录资源占用情况，采样间隔为1秒。测试数据揭示了一些有趣的现象：

2.1 CPU占用率表现

平台类型	运动状态	平均CPU占用(%)	峰值CPU占用(%)
UAV	1m/s匀速飞行	62.3	89.7
UAV	3m/s变速飞行	78.5	132.4
UAV	5m/s急转飞行	85.2	158.9
UGV	平坦路面行驶	45.8	67.3
UGV	复杂地形行驶	53.6	82.1

关键发现：

• 无人机场景下CPU负载与运动速度呈正相关，5m/s时的峰值占用达到单核158%
• 地面机器人在颠簸地形会导致CPU占用上升约15%，但整体仍低于无人机场景
• FAST-LIO2的ikd-Tree确实有效控制了计算量，同等条件下比LOAM系算法节省30-40%CPU资源

2.2 内存占用特性

内存使用表现出不同特征：

# 内存占用监测代码片段 import psutil def get_memory_usage(): process = psutil.Process() return process.memory_info().rss / 1024 / 1024 # MB

测试期间内存占用稳定在以下范围：

• 初始化阶段：约450MB
• 稳定运行阶段：520-580MB(UGV)、600-680MB(UAV)
• 峰值时刻：无人机高速转弯时短暂达到720MB

提示：内存占用增长主要来自ikd-Tree的动态更新，建议部署时预留至少1.5GB内存余量

3. 建图质量与轨迹精度评测

我们采用高精度RTK定位设备作为真值参考，对比分析了不同场景下的建图效果。

3.1 绝对轨迹误差(ATE)

使用evo工具评估的结果如下：

场景	最大ATE(m)	平均ATE(m)	RMSE
UAV_1m/s	0.18	0.07	0.09
UAV_5m_s	0.43	0.21	0.25
UGV_平坦	0.12	0.05	0.07
UGV_复杂地形	0.27	0.13	0.16

3.2 地图一致性评估

通过人工检查点云地图，发现两个典型现象：

1. 无人机场景：高速运动时建筑物边缘会出现轻微"重影"(约5-10cm偏移)
2. 地面机器人场景：在碎石路面会出现零星噪点，但主要结构保持清晰

建图质量评分(1-5分)：

• 结构完整性：UAV 4.2 / UGV 4.5
• 细节保留度：UAV 3.8 / UGV 4.3
• 实时性：UAV 4.5 / UGV 4.7

4. 参数调优实战经验

经过数十次参数调整测试，总结出以下优化建议：

4.1 无人机场景关键参数

# 适用于高速飞行的参数配置 mapping: max_iteration: 4 # 增加迭代次数应对快速运动 cube_side_length: 1500 # 扩大地图范围 filter_size_surf: 0.5 # 适当放宽面特征过滤

4.2 地面机器人推荐配置

# 复杂地形优化配置 mapping: point_filter_num: 2 # 增加点云过滤 filter_size_surf: 0.3 # 严格面特征过滤 cube_side_length: 800 # 适中地图范围

4.3 通用调试技巧

1. CPU负载过高时：

   • 尝试增加point_filter_num
   • 减小cube_side_length(但需大于运动范围)

2. 建图出现断裂时：

   • 检查max_iteration是否足够
   • 确认雷达安装稳固，避免振动干扰

3. 内存持续增长时：

   • 启用runtime_pos_log_enable监控ikd-Tree状态
   • 考虑定期保存地图并重启节点

在Matrice 300上的最终优化配置使CPU占用降低了22%，而建图RMSE保持在0.2m以内。这个平衡点是通过反复测试filter_size_surf和max_iteration的组合找到的——太严格的过滤会导致特征不足，而过多的迭代又会增加计算负担。