LIO-SAM

3D激光SLAM：位姿融合输出，LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。这里主要讲解如何通过imu来进行位姿融合输出的。

LIO-SAM的全称是：Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping，从全称上可以看出，该算法是一个紧耦合的雷达惯导里程计（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM库中的方法。

LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。在之前的博客讲解了imu如何进行预积分，最终以imu的频率发布了imu的预测位姿里程计。

主要讲解，最终是如何进行位姿融合输出的。

 Eigen::Affine3f  

其中功能的核心在于位姿间的变换，所以要了解 Eigen::Affine3f 部分的内容。

Affine3f 是eighen库的仿射变换矩阵。实际上就是：平移向量+旋转变换组合而成，可以同时实现旋转，缩放，平移等空间变换。

Eigen库中，仿射变换矩阵的大致用法为：

创建Eigen::Affine3f 对象a；

创建类型为Eigen::Translation3f 对象b，用来存储平移向量；

 创建类型为Eigen::Quaternionf 四元数对象c，用来存储旋转变换。

最后通过以下方式生成最终Affine3f变换矩阵：a=b*c.toRotationMatrix()；一个向量通过仿射变换时的方法是result_vector=test_affine*test_vector；

仿射变换包括：平移、旋转、放缩、剪切、反射。平移（translation）和旋转（rotation）顾名思义，两者的组合称之为欧式变换（Euclidean transformation）或刚体变换（rigid transformation）；

放缩（scaling）可进一步分为uniform scaling和non-uniform scaling，前者每个坐标轴放缩系数相同（各向同性），后者不同；如果放缩系数为负，则会叠加上反射（reflection）——reflection可以看成是特殊的scaling；

刚体变换+uniform scaling 称之为，相似