LIO-SAM在LEGO-LOAM上的改进
1. 由于支持手持设备，因此没有对地面点进行特殊处理
2. 紧耦合的lidar+imu融合模块，充分利用了imu数据，对快速旋转的场景有更好的鲁棒性
3. 融合GPS，全局地图可以在没有回环的情况下有更好的全局一致性
4. 框架易于扩展
其代码的组织结构来看，和LEGO-LOAM区别不大：
- imageProjection.cpp：点云投影成深度图，并分类，利用ring和time给每个点去畸变。
- featureExtraction.cpp：提取边缘点和平面点特征。
- mapOptmization.cpp：基于因子图，构建点线、点面约束，回环，GPS等各种因子，最后增量平滑全图位姿。
- imuPreintegration.cpp：联合优化激光odom和imu数据，估计IMU偏差，进行实时的里程计估算。
大多数IMU坐标系为NED（北、东、下），robot_localization假定的IMU数据使用ENU坐标系
当k时刻的状态发生变化，则通过imu积分得到的k+1时刻的状态也会发生相应变化，而基于滑动窗口的后端优化或者因子图优化中，这些状态量会经常进行调整，如果每次状态调整都要重新计算imu积分，计算量太大。发现预积分量和k以及k+1时刻的状态无关，因此当k时刻状态发生变化时，不需要将imu数据重新积分。
由于imu的零偏会随时间发生变化，因此零偏也是系统的优化变量之一，虽然预积分量与两帧之间的速度和姿态无关，但与零偏相关。为了避免零偏的变化导致预积分重新积分，考虑到零偏的变化在段时间内变化非常小，因此将零偏一阶泰勒展开近似。
预积分量关于零偏的雅克比矩阵会在预积分计算的时候一起计算，因此，当零偏被优化调整之后，根据计算好的雅克比矩阵对预积分量进行更新即可。
实际系统是离散的，因此，每收到一帧新的imu数据后更新一次预积分量，这是一个求和的过程
预积分如何使用？
预积分约束了相邻两帧的状态量，两帧之间的零偏几乎相等。imu累计会漂移，在VIO中imu预积分和重投影误差共同约束两帧之间的状态量。
蓝色圆圈代表关键帧位姿,蓝色矩形代表关键帧速度和零偏,橙色矩形代表 IMU 预积分约束,可
以看到,它可以约束相邻帧的位姿、速度和零偏,绿色矩形代表 lidar 里程记的帧间约束,其约束相邻两帧的位置和姿态
imu标定方法
【学习总结】Lidar与IMU标定_larry_dongy的博客-CSDN博客_lidar和imu标定
lidar坐标系与imu坐标系不一致。手眼标定算法，即使先计算出两帧 lidar 之间的旋转(通过 ICP 、 NDT 等点云配准算法),然后计算出两帧 IMU 之间的旋转( IMU 陀螺仪积分),然后通过手眼标定的方式求解出外参
lidar和imu之间的旋转外参比平移外参对性能的影响更大 。
以带有IMU加速计和gps信号的小车为例，用EKF滤波和图优化方法求解某一时刻小车行驶的位置（t=0时，位置为0）
EKF：
假设已知IMU和gps传感器的噪声方差
- 预测。 假设已知t-1时刻小车的位置（后验），将其与（t-1）~t时间段内imu的积分相加，可以预测t时刻小车的位置（先验）
- 更新。 计算卡尔曼增益，用t时刻的gps数据更新预测的位置，得到t时刻的位置（后验）。
（这里有点递归的感jio。。。）
图优化：
小车在t-1时刻的位置加上（t-1）~t时间段内的imu积分，得到t时刻预测的小车位置。将该值与t时刻gps观测数据相减后做平方和，得到一个代价函数，其中，小车位置是待优化变量。最后用最优化方法求解即可。