the_carpenters的博客

简单缕一下 😉，再慢慢补充。

上述采用近似的方法，为求得精确解，可对离散时间下的状态量 进行泰勒展开。离散时间下，运动模型可近似的表示为，当前状态(如何求解离散时间下状态转移矩阵呢？) = 前一时刻状态(

state space model, 即状态空间模型, 运动模型用于衡量状态向量。有了前一个时刻后验概率 和 条件概率假设，就可以对当前状态做预测(全概率公式)即将此后验概率表示为一系列 单个测量模型，先验，单个运动模型的乘积。更新过程，根据贝叶斯法则，其结果符合一般性的法则，即后验概率。随时间变化的表示，测量模型连接了状态与观测的关系。，给这个一般性的状态空间模型一定假设，假设。再一次，明确目标: 给定一系列观测，计算。等价的，在概率表示下的假设为，当前状态。独立于此前所有时刻的状态 与观测，即。

note: 在 imuPreintegration Node中，使用了两个积分器，其一为预测更前当前状态时使用，其二为根据最新的imu 状态进行传播时使用。(本文使用 sequence diagram 展示 LIO-SAM 框架，主要目的是把框架梳理清晰，很多表示方法不是很有道理，会结合文字作进一步说明)每来一帧imu数据，使用gtsam提供的积分器，预测当前imu时刻下的状态。类, 使用经优化后的帧间增量里程计信息，预测当前的imu状态。类，基于当前状态最佳估计，给出的全局一致下的 imu 状态。