涉及到传感器数据处理,目前给我最大的一个感受就是,原本连续的随机变量服从一个分布,这个分布是我们所知道的,但是离散化之后,这个随机变量仍然是个随机变量,但是其均值和方差可能会改变,并且跟离散化时的采样频率有关系,我们要做的工作就是:利用已知的连续的随机变量的一阶矩、二阶矩,把带有离散特性的随机变量的一阶矩、二阶矩估计出来。
要具体了解IMU预积分是怎么做的,具体是个啥,理论推导是什么,记录一下还没有看懂IMU与预积分时的我的内心想法。
一旦涉及到残差函数,我们要明确的一点就是,残差函数绝对是用来构成反向传播的增量的,残差越大,意味着反向传播的增量越大,更新量也越大;但是这一切的一切,都有一个前提条件,那就是,你这个残差计算是绝对正确的,如果不正确,那么就很可能产生错误的更新量;因此,为了衡量这个正确性,那么这个残差绝对是服从某个分布的随机变量,一般而言是高斯分布,这个时候就加入方差的倒数来衡量,如果方差大,方差的倒数就很小,即使是乘以大的残差,二者也不会大到哪去,也就意味着我对这个残差不太信任,反之则意味着我对这个残差比较信任,因此,核心的一点工作就是要确定作为随机变量残差的二阶中心矩-方差。
目前在VIO的残差函数里面有一个先验项暂时不知道是什么何方神圣。
VIO残差函数主要是估计状态量