关于kd-tree和ikd-tree的学习

一、前言

新的工作需要将ikd-tree接入，之前做毕设的时候fastlio2的ikd-tree没仔细看，重新捡起来看，记录自己的心得。

看两篇文章：

 1.首先把kd-tree给过一遍：

数据结构专题(一) | kd-tree 原理深入理解【看这一篇就够了】 - 知乎

2.把ikd-tree给过一遍：
https://zhuanlan.zhihu.com/p/529926254

看完这两篇文章ikd-tree就差不多了。

二、一些心得

1.SLAM究竟需要怎么样的kd-tree

做一个记录：

1. 支持local map随着pose移动 → 支持高效地动态增删；
2. 支持始终如一的高效 kNN&ranged-kNN搜索 → 能够始终保持tree的平衡，做到动态re-balance；
3. 点的数量不要太大，点无需太过稠密 → 最好自带体素降采样功能；（辨证一下自己的想法）

 2、ikd-Tree的节点数据结构

理解一下lazy delete这个概念： 高频率做：删除一个节点时，先将其标记为删除，被标记为删除的节点在 kNN 搜索时会被跳过，但在树形结构中它还是存在的。低频率做：tree结构被彻底重构时，才会借机真的把这些节点从tree结构中拿掉。

关于range-kNN：他的range是以当前节点为根节点的subtree中的所有节点，它们在三维空间中的最小包络盒。range 仅包括 subtree 中没有被删除的点，那些被标记为删除的点不在统计范围内。

3、搜索

与kd-tree一致，会判断左右两个子树的range 是否与目标解空间有重叠，只有有重叠的子树才会被继续递归搜索，没重叠的子树将直接被剪枝掉，实现搜索加速。

要是这里自己后面忘了去看看

数据结构专题(一) | kd-tree 原理深入理解【看这一篇就够了】 - 知乎

这里的这张图的解释。

至于其他的暂时自己还用不到，直接用他的API就行。