IMU使用方法总结

IMU使用方法总结

附赠自动驾驶学习资料和量产经验：链接

1. 积分形式的用法

这种方式通过积分IMU数据的形式，建立IMU与State的关系。

1.1 IMU ODE

具体可参考：

Sola J. Quaternion kinematics for the error-state Kalman filter[J]. arXiv preprint arXiv:1711.02508, 2017.​arxiv.org/abs/1711.02508

1.2 在滤波算法中的用法

采用这个式子，就可以做EKF的预测了。状态转移矩阵/雅克比的具体形式可以参考这里：

IMU Propagation Derivations​docs.openvins.com/propagation.html

1.3 在优化算法中的用法

IMU的频率远高于相机/Lidar的帧率，基于优化的系统，如VIO/LIO中，一般将两个（关键）帧之间的IMU做积分，形成与两端state的关系方程。构造这个方程有两种办法。

1.3.1 直接积分法

采用（2）式，对IMU进行直接积分，从上一个关键帧state推演到下一个关键帧。这样，我们可以建立下面的约束。

1.3.2 预积分

预积分开始由Lupton提出，后来由 Forster推广到了manifold上面。李明扬在MSCKF2.0中也有提到相关的思想。最关键的Paper是

On-Manifold Preintegration for Real-Time Visual–Inertial Odometry​ieeexplore.ieee.org/document/7557075

上面的与积分假设了IMU bias不变，但是实际优化过程中 IMU bias是会变的。因此需要进行补偿。具体的是采用一阶近似。

这种近似相对于直接积分的方法就有一些精度损失。

预积分的好处是可以避免重复积分。
但是因为有一些近似，比如（7）式，所以理论上精度上不如直接积分。

具体的预积分实现和论文请可以参考：

borglab/gtsam​github.com/borglab/gtsam/tree/develop/gtsam/navigation

https://github.com/UZ-SLAMLab/ORB_SLAM3/blob/master/src/ImuTypes.cc​github.com/UZ-SLAMLab/ORB_SLAM3/blob/master/src/ImuTypes.cc

https://github.com/HKUST-Aerial-Robotics/VINS-Mono/blob/master/vins_estimator/src/factor/integration_base.h​github.com/HKUST-Aerial-Robotics/VINS-Mono/blob/master/vins_estimator/src/factor/integration_base.h

2. 微分形式的用法

我们如果对IMU数据进行积分，就可以得到pose，从而可以建立IMU与state的关系。那么我们反过来想，对state进行微分，一阶微分就可以得到速度、角速度，二阶微分就可以得到加速度，这样也可以建立IMU的角速度、加速度与state的关系。

关键是如何对state进行微分呢？而且state一般是离散分布的。常用的办法是插值，给定一些离散的state，可以通过插值获取任意时刻的pose。比较常用的插值方法是b-spline。如下图，我们可以在一个IMU采样时刻，插值一个state ，由与其相邻的四个state插值而来。

对其进行相对时间的微分，可以建立与IMU的关系，即加速的误差和角速的误差。

具体形式，可以参考文献：

Continuous-Time Visual-Inertial Odometry for Event Cameras​ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8432102

Sommer C, Usenko V, Schubert D, et al. Efficient derivative computation for cumulative B-splines on Lie groups[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 11148-11156.​vision.cs.tum.edu/_media/spezial/bib/sommer19spline.p