La estimación del estado juega un papel vital en la navegación y el control de UAV. Con la continua disminución en el costo y tamaño de los sensores, los UAV equipados con múltiples LiDAR, Unidades de Medición Inercial (IMU) y cámaras han atraído una atención creciente. Tales sistemas pueden adquirir rica información ambiental y de movimiento desde múltiples perspectivas, lo que permite una navegación y mapeo más precisos en entornos complejos. Sin embargo, utilizar eficientemente los datos de múltiples sensores para la estimación del estado sigue siendo un desafío. Existe una compleja relación de acoplamiento entre el sesgo de las IMU y el estado del UAV. Para abordar estos desafíos, este documento propone un método de estimación del estado del UAV eficiente y preciso, adaptado para sistemas de múltiples LiDAR-IMU-cámara. Específicamente, primero construimos un modelo de estimación del estado distribuido eficiente. Descompone el sistema de múltiples LiDAR-IMU-cámara en una serie de subsistemas individuales de LiDAR-IMU-cámara, reformulando el complejo problema de acoplamiento como un problema de estimación del estado distribuido eficiente. Luego, derivamos una función de retroalimentación precisa para restringir y optimizar el estado del UAV utilizando los estados estimados de los subsistemas, mejorando así la precisión general de la estimación. Basado en este modelo, diseñamos un algoritmo de estimación del estado distribuido eficiente con fusión de múltiples LiDAR-IMU-cámara, denominado DLIC. DLIC logra una fusión robusta de datos de múltiples sensores a través de mapas de características compartidos, mejorando efectivamente tanto la robustez como la precisión de la estimación. Además, diseñamos un módulo acelerado de registro de imagen a nube de puntos (A-I2P) para proporcionar mediciones visuales confiables, aumentando aún más la eficiencia de la estimación del estado. Se realizaron extensos experimentos en 18 escenarios reales de interiores y exteriores del conjunto de datos público NTU VIRAL. Los resultados demuestran que DLIC supera consistentemente a los métodos existentes de múltiples sensores en métricas clave de evaluación, incluyendo RMSE, MAE, SD y SSE. Más importante aún, nuestro método se ejecuta en tiempo real en un dispositivo embebido con recursos limitados equipado solo con una CPU de 8 núcleos, mientras mantiene un bajo consumo de memoria.