，FAST-LIO LiDAR 前端观测模型的核心)
下面讲第 7 步：回到laserMapping.cpp，精读h_share_model()。这一节是 FAST-LIO LiDAR 前端观测模型的核心。你可以把它理解成：
esekfom.hpp： 负责 iEKF 迭代更新 x 和 P。 h_share_model()： 负责给 iEKF 提供 LiDAR 残差 h 和雅可比 H。也就是说，esekfom.hpp不知道 LiDAR 点怎么和地图匹配，它只会问外部测量函数：“你给我当前状态下的残差和雅可比。”而h_share_model()就是回答这个问题的函数。FAST-LIO 在初始化滤波器时把h_share_model注册进kf.init_dyn_share(...)，后面每次kf.update_iterated_dyn_share_modified(...)执行迭代更新时，都会反复调用这个测量模型重新计算当前状态下的h和H。源码里可以看到kf.init_dyn_share(get_f, df_dx, df_dw, h_share_model, NUM_MAX_ITERATIONS, epsi)，以及主循环中调用kf.update_iterated_dyn_share_modified(LASER_POINT_COV, solve_H_time)。
1.h_share_model()在整条链路里的位置
FAST-LIO 一帧 LiDAR 的主链路可以这样看：
IMU 预测完成 ↓ 当前状态 x⁻ ↓ 当前帧点云已经去畸变 feats_undistort ↓ 点云降采样 feats_down_body ↓ 进入 iEKF 更新 ↓ iEKF 调用 h_share_model(s, ekfom_data) ↓ h_share_model 根据当前状态 s 构造 LiDAR 残差 h 和雅可比 H ↓ iEKF 根据 h、H、P⁻、R 求修正量 δx ↓ 状态 x 被更新 ↓ 下一轮迭代再次调用 h_share_model()这里的重点是：h_share_model()不是只调用一次。在 IESKF 迭代中，状态x每轮都会变，所以点云投到世界系的位置也会变，最近邻地图点、拟合平面、残差、雅可比都可能变。因此 iEKF 每轮都会带着当前状态s重新调用h_share_model()。
h_share_model()的入口大概是：
void h_share_model( state_ikfom &s, esekfom::dyn_share_datastruct<double> &ekfom_data )这里s就是当前迭代状态，也就是当前 iEKF 正在尝试的状态；ekfom_data是测量共享数据结构，用来把结果返回给滤波器。最后它会往里面填：
ekfom_data.h_x // LiDAR 残差对状态的雅可比 H ekfom_data.h // LiDAR 残差向量 h ekfom_data.valid // 当前观测是否有效2. 第一步：清空上一轮结果
函数开头会清空一些容器：
laserCloudOri->clear(); corr_normvect->clear(); total_residual = 0.0;含义是：
laserCloudOri： 保存本轮有效 LiDAR 点，坐标仍在 body/IMU 或 LiDAR-body 相关坐标系下。 corr_normvect： 保存每个有效点对应的地图平面法向量，以及点到平面的残差。 total_residual： 统计所有有效点残差，用于计算平均残差。也就是说，每次进入h_share_model()，都要重新开始构造当前状态下的观测。因为状态s可能已经被上一轮迭代更新过了，之前的残差和雅可比不能直接复用。
3. 第二步：把当前 LiDAR 点变到世界坐标系
对每个降采样后的点，源码会取出：
PointType &point_body = feats_down_body->points[i]; PointType &point_world = feats_down_world->points[i];其中feats_down_body是当前帧去畸变、降采样后的点云，点坐标在 body/LiDAR-body 相关坐标系中；feats_down_world用来保存该点变换到世界系后的坐标。
核心变换是：
V3D p_body(point_body.x, point_body.y, point_body.z); V3D p_global( s.rot * (s.offset_R_L_I * p_body + s.offset_T_L_I) + s.pos );源码确实是在h_share_model()中用s.rot * (s.offset_R_L_I*p_body + s.offset_T_L_I) + s.pos把点转到世界系，然后写入point_world。
对应公式就是：
p_W = R_WI · ( R_IL · p_L + t_IL ) + t_WI这里变量含义是：
p_L： 当前点在 LiDAR/body 坐标系下的位置。 R_IL： LiDAR 到 IMU 的旋转外参，对应 s.offset_R_L_I。 t_IL： LiDAR 到 IMU 的平移外参，对应 s.offset_T_L_I。 R_WI： IMU 到世界系的旋转，对应 s.rot。 t_WI： IMU 在世界系中的位置，对应 s.pos。 p_W： 当前点投影到世界/地图坐标系后的位置。从右往左理解：
第一步： R_IL · p_L + t_IL 把 LiDAR 点变到 IMU 坐标系。 第二步： R_WI · (...) + t_WI 把 IMU 坐标系下的点变到世界/地图坐标系。这一步很关键。因为后面最近邻搜索是在地图里做的，地图点在世界坐标系下，所以当前帧点也必须先投到世界坐标系。
4. 第三步：ikd-Tree 最近邻搜索
点变到世界系后，h_share_model()会拿这个point_world去局部地图的 ikd-Tree 里找最近邻：
ikdtree.Nearest_Search( point_world, NUM_MATCH_POINTS, points_near, pointSearchSqDis );源码里可以看到：当ekfom_data.converge为真时，函数会执行ikdtree.Nearest_Search(point_world, NUM_MATCH_POINTS, points_near, pointSearchSqDis)，然后根据邻居数量和最远邻居距离判断该点是否可用。
这里的逻辑是：
当前点 p_W ↓ 在局部地图 ikd-Tree 中搜索最近的 NUM_MATCH_POINTS 个地图点 ↓ 得到 points_near ↓ 得到这些邻居点的距离 pointSearchSqDis然后做初步筛选：
point_selected_surf[i] = points_near.size() < NUM_MATCH_POINTS ? false : pointSearchSqDis[NUM_MATCH_POINTS - 1] > 5 ? false : true;含义是：
如果邻近点数量不够： 不能拟合可靠平面，丢掉。 如果第 NUM_MATCH_POINTS 个邻居太远： 说明附近地图点不够近，匹配不可靠，丢掉。 否则： 这个点暂时认为可以尝试拟合平面。这一步的本质是：不是每个当前帧点都参与更新，只有能在地图中找到可靠邻域的点才有资格参与 LiDAR 残差构建。
5. 第四步：用邻近地图点拟合局部平面
如果当前点通过了最近邻筛选，接下来会拟合平面：
VF(4) pabcd; if (esti_plane(pabcd, points_near, 0.1f)) { ... }pabcd里面保存的是平面参数：
pabcd = [a, b, c, d]对应平面方程：
a x + b y + c z + d = 0也可以写成：
nᵀ p + d = 0其中：
n = [a, b, c]ᵀ就是局部地图平面的法向量。
esti_plane(...)做的事情可以理解为：
输入： 当前点附近的若干地图点 points_near 处理： 判断这些点是否近似共面 拟合一个局部平面 输出： 平面参数 [a, b, c, d] 如果平面拟合质量不好： 返回 false，这个 LiDAR 点不参与更新这一步的物理意义是：当前 LiDAR 点附近的地图点，如果能形成一个稳定平面，比如墙面、地面、货架侧面，那么当前点到这个平面的距离就可以作为约束；如果邻居点很乱，不能形成平面，那这个点的残差不可靠，直接丢掉。
6. 第五步：计算点到平面残差
平面拟合成功后，源码计算：
float pd2 = pabcd(0) * point_world.x + pabcd(1) * point_world.y + pabcd(2) * point_world.z + pabcd(3);也就是：
pd2 = a x_W + b y_W + c z_W + d对应数学公式：
r = nᵀ p_W + d其中：
p_W： 当前点根据当前状态 s 投到世界系的位置。 n： 地图局部平面法向量。 d： 平面偏置项。 r / pd2： 当前点到地图平面的带符号距离。如果pd2 = 0，说明当前点正好落在地图平面上。
如果|pd2|很大，说明当前点离地图平面比较远，要么状态不准，要么匹配错了，要么这个点属于动态物体或者噪声。
源码之后又计算一个权重/筛选分数：
float s = 1 - 0.9 * fabs(pd2) / sqrt(p_body.norm());然后判断：
if (s > 0.9) { point_selected_surf[i] = true; normvec->points[i].x = pabcd(0); normvec->points[i].y = pabcd(1); normvec->points[i].z = pabcd(2); normvec->points[i].intensity = pd2; res_last[i] = abs(pd2); }源码中确实将pd2作为normvec->points[i].intensity保存下来，并把法向量pabcd(0..2)保存到normvec；res_last[i]保存的是abs(pd2)。
这一步的含义是：
如果残差太大： 这个点可能匹配错，丢掉。 如果残差合理： 保留这个点； 保存它对应的平面法向量 n； 保存它的残差 r。所以normvec这个名字虽然叫“法向量”，但它的x,y,z保存法向量，intensity保存残差pd2。
7. 第六步：收集所有有效点
前面对每个点都做了：
投影到世界系 最近邻搜索 平面拟合 残差计算 有效性筛选接下来把最终有效的点统一收集起来：
if (point_selected_surf[i]) { laserCloudOri->points[effct_feat_num] = feats_down_body->points[i]; corr_normvect->points[effct_feat_num] = normvec->points[i]; total_residual += res_last[i]; effct_feat_num ++; }源码中就是把有效点保存进laserCloudOri，把对应的法向量和残差保存进corr_normvect，并统计effct_feat_num。
这里要注意：
laserCloudOri： 保存有效的当前帧点。 corr_normvect： 保存每个有效点对应的地图平面法向量和残差。 effct_feat_num： 当前帧最终参与 iEKF 更新的有效点数量。如果有效点数量太少：
if (effct_feat_num < 1) { ekfom_data.valid = false; ROS_WARN("No Effective Points!"); return; }含义是：没有可用 LiDAR 约束，这一帧无法进行有效 LiDAR 更新。
8. 第七步：构造测量雅可比矩阵H
有了有效点之后，h_share_model()开始构造ekfom_data.h_x和ekfom_data.h：
ekfom_data.h_x = MatrixXd::Zero(effct_feat_num, 12); //23 ekfom_data.h.resize(effct_feat_num);源码里h_x的列数是12，注释写了//23。这点很重要：FAST-LIO 的完整误差状态是 23 维，但 LiDAR 点到平面的几何残差在这里直接构造的是对前 12 维的雅可比，也就是：
位置 3 维 姿态 3 维 LiDAR-IMU 旋转外参 3 维 LiDAR-IMU 平移外参 3 维合起来：
3 + 3 + 3 + 3 = 12为什么不是 23？因为单个点到平面的瞬时几何距离，直接由当前点在世界系的位置决定。而当前点在世界系的位置直接受下面四类量影响：
1. IMU 位置 pos 2. IMU 姿态 rot 3. LiDAR-IMU 旋转外参 offset_R_L_I 4. LiDAR-IMU 平移外参 offset_T_L_I速度、gyro bias、acc bias、重力不会直接出现在当前点的空间变换公式里：
p_W = R_WI · ( R_IL · p_L + t_IL ) + t_WI所以它们不是当前点到平面残差的直接观测量。但它们会通过协方差耦合被间接更新。
9. 单个点的雅可比怎么来
对第i个有效点，源码先取当前点：
const PointType &laser_p = laserCloudOri->points[i]; V3D point_this_be(laser_p.x, laser_p.y, laser_p.z);这里point_this_be可以理解为当前点在 body/LiDAR-body 坐标系下的位置，也就是p_L。
然后计算它经过外参后的 IMU 系坐标：
V3D point_this = s.offset_R_L_I * point_this_be + s.offset_T_L_I;对应：
p_I = R_IL · p_L + t_IL接着构造叉乘矩阵：
point_be_crossmat << SKEW_SYM_MATRX(point_this_be); point_crossmat << SKEW_SYM_MATRX(point_this);叉乘矩阵[p]×的作用是处理小角度旋转扰动。直观理解：
如果姿态有一个小旋转 δθ， 点的位置变化可以近似写成和 [p]× δθ 有关。然后取出该点对应的平面法向量：
const PointType &norm_p = corr_normvect->points[i]; V3D norm_vec(norm_p.x, norm_p.y, norm_p.z);norm_vec就是：
n = [a, b, c]ᵀ也就是地图局部平面的单位法向量。
10.C、A、B分别是什么
源码中最关键的三行是：
V3D C(s.rot.conjugate() * norm_vec); V3D A(point_crossmat * C); V3D B( point_be_crossmat * s.offset_R_L_I.conjugate() * C );然后如果开启外参估计：
ekfom_data.h_x.block<1, 12>(i,0) << norm_p.x, norm_p.y, norm_p.z, VEC_FROM_ARRAY(A), VEC_FROM_ARRAY(B), VEC_FROM_ARRAY(C);源码中确实是这样填充h_x：前 3 列是norm_p.x/y/z，中间是A和B，最后是C；若extrinsic_est_en关闭，则外参相关项填 0。
现在解释这几个量。
C = R_WIᵀ · n
源码里写的是：
C = s.rot.conjugate() * norm_vec如果s.rot表示R_WI，那么s.rot.conjugate()就是R_IW，也就是把世界系法向量转到 IMU 系：
C = R_IW · n物理意义：
n 是世界系中的平面法向量； C 是这个法向量在 IMU 坐标系下的表达。为什么要转到 IMU 系？因为后面姿态、外参扰动通常是在局部坐标系中表示，用同一坐标系表达更方便。
A = [p_I]× · C
源码：
A = point_crossmat * C其中point_crossmat是p_I的叉乘矩阵。A对应的是IMU 姿态误差对残差的影响。
直观解释：
如果 IMU 姿态转一点， 整个 LiDAR 点 p_I 会绕 IMU 原点转一点； 点到地图平面的距离会发生变化； A 就描述这种变化。所以A填到h_x中的位置，对应姿态误差δθ的雅可比。
B = [p_L]× · R_LIᵀ · C
源码：
B = point_be_crossmat * s.offset_R_L_I.conjugate() * CB对应的是LiDAR-IMU 旋转外参误差对残差的影响。
直观解释：
如果 LiDAR 和 IMU 之间的安装旋转外参错了一点， 同一个 LiDAR 点转到 IMU 系的位置就会变； 最终投到地图中也会变； 点到平面的残差就会变。所以B填到h_x中的位置，对应δθ_LI。
最后的C
h_x最后 3 列填的是C，对应LiDAR-IMU 平移外参误差对残差的影响。
直观解释：
如果 LiDAR 相对 IMU 的平移外参 t_IL 改一点， 点在 IMU 系中的位置也整体平移一点； 这个平移投到平面法向量上，就改变点到平面的残差。所以最终一行雅可比可以理解成：
H_i = [ nᵀ, // 对位置 pos 的雅可比 A, // 对姿态 rot 的雅可比 B, // 对外参旋转 offset_R_L_I 的雅可比 C // 对外参平移 offset_T_L_I 的雅可比 ]也就是：
H_i = [ ∂r_i/∂pos, ∂r_i/∂rot, ∂r_i/∂offset_R_L_I, ∂r_i/∂offset_T_L_I ]11. 如果不估计外参，雅可比怎么变
源码中有一个判断：
if (extrinsic_est_en) { h_x << n, A, B, C; } else { h_x << n, A, 0, 0, 0, 0, 0, 0; }也就是说：
extrinsic_est_en = true： LiDAR 残差会同时约束位置、姿态、外参旋转、外参平移。 extrinsic_est_en = false： LiDAR 残差只约束位置和姿态； 外参旋转、外参平移对应的雅可比置零。这说明 FAST-LIO 可以选择是否在线估计 LiDAR-IMU 外参。如果外参已经标定得非常准，可以关闭在线外参估计；如果外参不够准，可以开启，让滤波器根据 LiDAR 残差慢慢修正外参。
12. 残差向量h为什么是-norm_p.intensity
源码中最后写：
ekfom_data.h(i) = -norm_p.intensity;前面保存的是：
normvec->points[i].intensity = pd2;所以这里：
ekfom_data.h(i) = -pd2也就是：
h_i = -r_i为什么是负号？因为滤波器里更新公式可能写成：
h ≈ H δx或者把残差定义成“希望被修正掉的误差”。如果前面几何残差是：
r = nᵀp_W + d那么为了让残差变成 0，需要求一个修正量让：
r + Hδx ≈ 0等价于：
Hδx ≈ -r所以代码里给滤波器的是：
h = -r这就是ekfom_data.h(i) = -norm_p.intensity的原因。源码也在这一行注释为 “Measurement: distance to the closest surface/corner”。
13.h_share_model()输出给 iEKF 的到底是什么
最终h_share_model()输出两样最重要的东西：
ekfom_data.h： 大小 effct_feat_num × 1 每一行是一个有效 LiDAR 点的负残差 -r_i。 ekfom_data.h_x： 大小 effct_feat_num × 12 每一行是该点残差对位置、姿态、外参旋转、外参平移的雅可比。然后esekfom.hpp里的update_iterated_dyn_share_modified(...)会拿这些量做：
输入： h H P⁻ R 计算： Kalman 增益 K 状态修正量 δx 更新： x ← x ⊞ δx注意，h_share_model()不负责更新状态x，也不负责更新协方差P。它只负责回答：
在当前状态 s 下， 当前帧 LiDAR 点云和局部地图之间的残差是多少？ 这些残差对状态的雅可比是多少？14. 为什么这一节是 FAST-LIO 前端核心
你前面学的esekfom.hpp是滤波器核心，它负责“拿到残差后怎么迭代更新”。但真正让 LiDAR 约束进入滤波器的地方，就是h_share_model()。
它完成的是：
当前点云 ↓ 当前状态投影到世界系 ↓ 局部地图最近邻 ↓ 平面拟合 ↓ 点到平面残差 ↓ 残差对状态的雅可比 ↓ 送入 iEKF所以h_share_model()本质上就是 FAST-LIO 的scan-to-map measurement model，也就是 LiDAR 观测模型。它不是传统意义上单独跑一个 ICP/NDT 然后输出一个完整位姿，而是把大量点到平面的残差直接作为滤波器观测，让 iEKF 自己根据 IMU 先验和 LiDAR 残差联合求解状态修正量。
FAST-LIO 论文描述其使用 tightly-coupled iterated EKF 融合 LiDAR feature points 和 IMU，并提出让 Kalman 增益计算复杂度依赖状态维度而不是测量维度的方式；这正对应这里h_share_model()提供大量点到平面测量，esekfom.hpp负责高效融合这些测量。
15总结
h_share_model()是 FAST-LIO 中非常关键的 LiDAR 前端观测模型函数。它的作用不是直接更新状态，也不是直接更新协方差，而是负责把当前帧 LiDAR 点云转换成 iEKF 可以使用的观测量，也就是残差向量h和雅可比矩阵H。前面学习esekfom.hpp时，重点是理解 iEKF 如何根据残差和雅可比迭代更新状态x和协方差P；而这一节的h_share_model()，重点就是理解这些残差和雅可比到底是从哪里来的。
FAST-LIO 的整体流程可以理解为：IMU 先通过predict()给出预测状态x⁻和预测协方差P⁻，这个预测状态包含位置、姿态、速度、IMU bias、LiDAR-IMU 外参、重力方向等信息。但是 IMU 预测会漂移，所以当前帧 LiDAR 到来后，系统需要检查当前点云按照x⁻投到地图里后是否能和局部地图对齐。h_share_model()做的正是这个检查过程：它把当前帧点云投影到世界坐标系，在局部地图里找最近邻点，拟合局部平面，计算点到平面的残差，再计算残差对状态的雅可比，最后把这些结果交给kf.update_iterated_dyn_share_modified(...)。
具体来说，h_share_model()的输入里有当前迭代状态s。这个s不是固定不变的预测状态，而是 iEKF 当前这一轮迭代正在使用的状态。因为 iEKF 每轮都会更新一次x，所以每一轮调用h_share_model()时，点云投到世界系的位置都可能不同，最近邻地图点、拟合平面、残差和雅可比也可能不同。因此，h_share_model()会在每轮迭代中重新计算 LiDAR 观测，而不是只在一开始计算一次。
函数首先会清空上一轮保存的有效点、法向量和残差等缓存。然后对当前帧降采样后的每个点进行处理。当前点最开始在 LiDAR/body 坐标系下，记作p_L。系统利用当前状态中的 LiDAR-IMU 外参offset_R_L_I、offset_T_L_I，先把点从 LiDAR 系变到 IMU 系；再利用当前 IMU 在世界系下的姿态rot和位置pos，把点从 IMU 系变到世界/地图系。公式可以写成：
p_W = R_WI · (R_IL · p_L + t_IL) + t_WI其中p_W是当前点在世界/地图坐标系中的位置。这个变换非常关键，因为局部地图点都在世界坐标系下，当前帧点只有投到世界系，才能和地图进行匹配。
接下来，h_share_model()会拿p_W去 ikd-Tree 中做最近邻搜索。ikd-Tree 保存的是局部地图点，最近邻搜索的目的是找到当前点附近的若干地图点。如果邻居点数量不够，或者最近邻距离太远，就说明当前点附近地图信息不足，不能形成可靠约束，这个点会被丢弃。只有当当前点附近有足够多、足够近的地图点时，才继续进行局部平面拟合。
局部平面拟合是h_share_model()构造几何残差的核心。它会用当前点附近的地图邻居点拟合一个平面，平面方程可以写成：
nᵀp + d = 0其中n是平面法向量，d是平面偏置。如果邻域点本身比较散乱，不能稳定拟合成平面，那么这个点也不会参与后续更新。只有平面拟合成功，系统才会计算当前 LiDAR 点到该平面的带符号距离：
r = nᵀp_W + d这个r就是点到平面的残差。如果r接近 0，说明当前点按照当前状态投影后刚好贴在地图平面上，当前状态比较合理；如果|r|很大，说明当前点和地图平面偏离较多，可能是状态预测不准，也可能是匹配错误、动态物体、噪声点。因此 FAST-LIO 还会根据残差大小做一次筛选，只保留残差合理、平面可靠的点。被保留下来的点会进入有效点集合，对应的法向量和残差也会被保存下来。
当所有点处理完成后，h_share_model()得到一批有效点。假设有效点数量是m，那么每个有效点都会提供一个点到平面的残差，最终形成一个m维的残差向量。注意在源码里，保存到ekfom_data.h的通常是-r，也就是残差的相反数。这是因为滤波器内部的线性化更新形式可以理解为要求Hδx ≈ -r，通过求解修正量δx来把当前残差抵消掉。负号只是公式定义方式的问题，本质仍然是让修正后的点云尽量贴合地图。
除了残差，h_share_model()还要构造雅可比矩阵H。雅可比表示状态小变化时，点到平面残差会怎样变化。FAST-LIO 的完整误差状态是 23 维，但是 LiDAR 单点几何残差直接依赖的主要是前 12 维：位置误差δp、姿态误差δθ、LiDAR-IMU 旋转外参误差δθ_LI、LiDAR-IMU 平移外参误差δt_LI。因为当前点投到世界系的公式只直接包含位置、姿态和外参：
p_W = R_WI · (R_IL · p_L + t_IL) + t_WI速度、陀螺仪 bias、加速度计 bias、重力方向并不直接出现在这个瞬时点到平面的几何残差里，所以它们不是 LiDAR 单点残差的直接观测对象。不过这并不代表 LiDAR 不能修正它们，因为协方差P中记录了这些状态与位置、姿态之间的耦合关系。例如 gyro bias 会影响姿态，姿态会影响速度，速度会影响位置。当 LiDAR 发现位置和姿态偏了，滤波器可以通过协方差间接修正 bias、速度和重力方向。
在源码里，h_x通常构造成m × 12，每一行对应一个有效点的雅可比。前 3 列是残差对位置的导数，本质上就是平面法向量n；中间 3 列是残差对 IMU 姿态的导数，描述机器人姿态小幅旋转时点到平面的距离如何变化；再后 3 列是残差对 LiDAR-IMU 旋转外参的导数，描述外参旋转误差如何影响点的投影位置；最后 3 列是残差对 LiDAR-IMU 平移外参的导数，描述外参平移误差如何改变残差。如果关闭在线外参估计，那么外参相关的雅可比会被置零，也就是 LiDAR 残差只用于修正位置和姿态，不再修正外参。
源码中常见的C、A、B可以这样理解：C是把世界系下的平面法向量转到 IMU 坐标系后的表达，它主要用于外参平移雅可比；A与当前点在 IMU 系下的位置叉乘有关，表示 IMU 姿态误差对残差的影响；B与当前点在 LiDAR/body 系下的位置以及外参旋转有关，表示 LiDAR-IMU 旋转外参误差对残差的影响。最终每个有效点的一行雅可比可以概念化理解成：
H_i = [ ∂r_i/∂pos, ∂r_i/∂rot, ∂r_i/∂offset_R_L_I, ∂r_i/∂offset_T_L_I ]这就是h_share_model()给 iEKF 提供的测量模型。它不负责求最终修正量δx，也不负责更新x和P。它只负责告诉滤波器：“在当前状态下，当前点云和地图之间有多不贴合；如果状态的某些维度变一点，这些残差会怎么变。”之后，update_iterated_dyn_share_modified(...)会拿这些h和H，结合 IMU 预测协方差P⁻和 LiDAR 观测噪声R，计算 Kalman 修正量，并通过boxplus更新状态。
所以，h_share_model()可以看成 FAST-LIO 前端的“观测构造器”。它把原始 LiDAR 点云和局部地图之间的几何关系，转换成滤波器能理解的数学形式：残差向量和雅可比矩阵。它的整条逻辑就是：当前点云先根据状态变换到世界系，然后在局部地图中找最近邻，利用邻近地图点拟合平面，计算点到平面的残差，筛选可靠约束，最后构造残差对状态的雅可比。没有h_share_model()，iEKF 就没有 LiDAR 观测；没有esekfom.hpp的更新函数，LiDAR 观测也无法真正修正状态。两者合在一起，才构成了 FAST-LIO 的核心闭环：IMU 预测给出连续运动先验，LiDAR 前端构造点到地图的几何残差，iEKF 根据残差迭代修正状态，最终实现实时、稳定的 LiDAR-IMU 里程计。
