从零开始学习VIO笔记 --- 第二讲：VIO概述，IMU,IMU的标定

一. VIO融合

1.1 紧耦合

融合过程本身会影响视觉和 IMU 中的参数（如 IMU 的零偏和视觉的尺度）。典型方案为 MSCKF 和非线性优化。

1.2 松耦合

将 IMU 定位与视觉/GNSS 的位姿直接进行融合，融合过程对二者本身不产生影响，作为后处理方式输出。典型方案为卡尔曼滤波

二. imu 误差模型

加速度计和陀螺仪的误差可以分为：确定性误差，随机误差
确定性误差可以事先标定确定，包括：bias, scale
随机误差通常假设噪声服从高斯分布，包括：高斯白噪声，bias，随机游走

加速度计的bias，指的是零偏；理论上，当没有外部作用时，IMU 传感器的输出应该为 0。但是，实
际数据存在一个偏置 b。加速度计 bias 对位姿估计的影响：（速度和位置p）

加速度计的 scale 可以看成是实际数值和传感器输出值之间的比值

IMU 随机误差 — 高斯白噪声

imu 的误差标定（后续补上）

三. imu的数学模型

3.1 加速度计数学模型

3.2 陀螺仪数学模型

四. VIO 中的 imu模型

陀螺仪： 只考虑白噪声$n^g$和bias随机游走$b^g$，各个方向的角速度
加速度计：只考虑白噪声$n^a$和bias随机游走$b^a$，各个方向的加速度，额外还有一个世界坐标系下的重力加速度$g^w$

五. 连续时间下 IMU 运动模型

5.1 IMU 运动模型

5.2 运动模型的离散积分——欧拉法

5.3 运动模型的离散积分——中值法 (重要)