专栏文章:

深蓝学院-多传感器融合定位课程-第1章-概述_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第2章-3D激光里程计I_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第3章-3D激光里程计II_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第4章-点云地图构建及基于地图的定位_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第5章-惯性导航原理及误差分析_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第6章-惯性导航解算及误差模型_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第7章-基于滤波的融合方法I_goldqiu的博客-CSDN博客

深蓝学院-多传感器融合定位课程-第8章-基于滤波的融合方法Ⅱ_goldqiu的博客-CSDN博客

github保存了相关代码和学习笔记：

https://github.com/goldqiu/Shenlan-Course-Multi-Sensor-Fusion-for-Localization-Mapping/tree/main/%E7%AC%AC9%E7%AB%A0%EF%BC%9A%E5%9F%BA%E4%BA%8E%E5%9B%BE%E4%BC%98%E5%8C%96%E7%9A%84%E5%BB%BA%E5%9B%BE%E6%96%B9%E6%B3%95

第9章：基于图优化的建图方法

课程内容

代码、PPT、视频见文件夹

课程笔记

基于预积分的融合方案流程

优化问题分析

预积分的作用

基于预积分的建图方案流程

由于此处讨论的优化方案包含组合导航系统，且认为外参已标定，因此会和常见的lio/vio中的方案有所不同，它不包含以下内容：

1) 初始化lidar和IMU之间的外参； (已标定)

2) 初始化速度、陀螺仪bias等；（组合导航已经解决了这些问题，一般会提供）

3) 初始化重力； （有了经纬高可以通过公式得到重力加速度）

4) 世界坐标系对齐(组合导航已经对齐)。

预积分模型设计

新的预积分值=老的预积分值+根据bias的变化量算出的新的预积分结果

预积分在优化中的使用

使用方法

残差设计

残差雅可比的推导

姿态残差的雅可比

预积分方差计算

离散时间下的传递方程

预积分更新

典型方案介绍

LIO-SAM介绍

论文名称：LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping 代码地址：https://github.com/TixiaoShan/LIO-SAM

最大特点：分两步完成，先通过点云特征计算出相对位姿，再利用相对位姿、IMU预积分和GPS做融合。 相比于直接一步做紧耦合，大大提高了效率，而且实测性能也很优异。

代码讲解

融合编码器的优化方案

整体思路介绍

预积分模型设计

imu的bias比起编码器，需要考虑的原因是IMU具有零偏重复性和随机游走。

作业

在IMU的预积分中，课程只提供了残差对部分变量的雅可比，请推导残差对其它变量的雅可比，并在建图流程的代码中补全基于IMU预积分的融合方法中的待填内容，随后与不加IMU融合时的效果进行对比。

备注： 1) 对比是全方位的，既包括轨迹精度的对比，也包括地图质量的对比(因为IMU会增加估计的平滑性)； 2) 由于数据集的老问题，部分指标可能与预期不一致，且地图质量无法量化，因此给出自己的分析即可。

评价标准： 及格：公式推导正确，补全代码之后功能正常； 良好：在及格基础上，实现和不加IMU时的效果对比和分析； 优秀：在良好的基础上，完成融合编码器时预积分公式的推导(方差递推、残差对状态量雅可比、 bias更新等) 。

附加题(不参与考核)：

基于预积分的融合编码器的方法，近年来层出不穷，众多论文中给出了众多方法，请调研相关文献， 梳理不同的推导思路，并从原理上对比各种方案的不同于优缺点。 如有余力，在优秀作业的基础上，实现不同方案，并对比效果。