使用卡尔曼滤波框架做松耦合融合

关于松耦合融合

在状态预测过程中，最经典的是卡尔曼滤波，主要作用是可将多个传感器做融合处理，估计出一个较好的状态值，处理一般分为松耦合和紧耦合，
松耦合是指只用传感器的结果数据作为观测值，对预测值进行更新。
例如，使用IMU作为预测的原始数据进行计算，使用GPS定位的结果作为观测值进行误差修正更新，逻辑简单实用，而且可以使用多传感器做融合来提高精度。
而紧耦合时，要使用GPS的伪距数据，以及其他的更原始更全的数据进行计算，比较复杂。

例如，
可以在EKF预测运算时，使用IMU作为预测数据进行计算，只要有IMU数据产生，就立即进行位姿预测，而使用其他传感器的数据作为参考观测值，例如，GPS数据和LiDAR数据，当有观测值数据产生时，使用观测值对预测值进行修正，并且更新IMU和预测数据，从而保证预测结果不会产生太大的累积误差。
所以，松耦合所使用的传感器越多越容易纠正估计误差，而且主流做法都是把IMU作为预测数据传感器，把其他传感器作为观测传感器。

关于卡尔曼滤波

关于卡尔曼滤波的详细介绍推荐一篇博文 深度解析卡尔曼滤波在IMU中的使用，写的很详细，
在此简要提取主要步骤，以备参考。

两个模型

状态方程
$$x_k=F{x}_{k-1}+B{u}_k+w_k$$
测量方程
$$z$$