RGBD VIO－RGBD相机预积分紧耦合

   　 今年抽空研究了一下VIO，惯导和视觉融合分松耦合和紧耦合，目前主要用紧耦合，主要原因就是因为准，紧耦合一共有二种方式，基于滤波和基于优化的方法，基于滤波的有msckf，基于优化的开源代码主要有okvis，orbslam2+imu(VIORB)，vins。通过相关论文发现，其实就算法而言开山之作是OKVIS, Foster，orbslam2，等相关论文。其中Foster的论文适合学习，非常好，而且就imu这种有随机干扰的测量，用基于概率的smooth比较好，港科大的vins效果好，但是就理论创新来说，个人觉得应该是非常少。

　　但是所有开源的代码没有一个可以跑rgbd相机＋imu预积分这种算法，虽然能发现有这类的论文，但是就是不开源，个人亲自改写了一个基于orbslam2的，由于rgbd相机这种提供深度信息的，在三维重建领域用比较好，而且最好不用ros，最好基于cuda写。经过我的测试，测试设备选用微软的kinect for azure，可以正常跑，效果在测试中，目前看增加了鲁棒性，随意转动不爱丢了！

　　很多人报班学习预积分，当然不错，不过我发现很多网上的帖子和视频教学没有清楚的解释，陀螺和加速度计bias变了，预积分要重算的公式，那个公式其实是泛函求变分，要理解本质！不能直接那么认为，就是可以直接写成线性形式，没准可以给展开式多写几项！更精确的！不能总用初等的高等数学去解释，泛函和变分还是需要用的，而且就目前所有的slam算法用泛函解释最好，全是不动点原理，随意增加算法都逃不出这个理论，无论遇到多么高深的算法，只要你懂泛函，肯定能掌握，而且知道怎么改！

　　大家读研了，要是不学泛函，感觉还是在大学，祝大家学习slam顺利！