运动学模型（一）-----传感器选型与技术路线

最近点云与图像相关内容告一段落，回到里程计相关。
上次ekf还有个（三）没有写完，找机会好好写写

这次做里程计是以轮速计为主。

传感器	轮速计	IMU	视觉
价格	低	可高可低	中低
资源消耗	低	低	高
稳定性	好	好	较差
上限	低	高	高
下限	高	中	低

上表是常见里程计所需的传感器，基于这3中传感器最多可排列组合出7中传感器方案。如果是要投入生产制造的话，视觉通常不直接使用，主要原因在于面对多种实际生产生活场景，视觉会面临的badcase数不胜数，难以全面覆盖，所以只在某一特定工况，或者特定的使用场景下（此时可以通过穷举覆盖badcase）。

IMU作为最常见的里程计传感器，在学生时代是最为常用的，imu5060就可以覆盖很多科技竞赛，且价格便宜。使用官方的标定好的表可以最大程度获得精度和速度。如果主板不是用ATmage16，ATmage8这种廉价的，几乎也不用担心存储空间的问题。且经验告诉我，不要自己死磕ekf等各种滤波，及时把严龚敏老师的书啃透也不一定有官方查表效果好。

但是面对工作和生产，IMU就不能使用廉价型号了，基本都是100块往上的价格，除了常见6轴imu还有带磁力计的9轴imu，但是9轴imu想要用好磁力计的信息，他的运动方程通常都会非常复杂，导致代码也会非常复杂，调试难度大，效果不一定好，且后续接手的同事不一定有同样的

在机器人和车辆领域，轮速计是一个普遍应用的传感器，因为价格低廉，下限高，比较稳定，对精度要求不高的情况下，轮速计都可以取得不错的效果。因此车辆都会标配轮速计。机器人大部分都是轮速计imu二选一。有轮的小车通常都是轮速计，无人机是imu。经费充足的情况（无论是车还是机器人）会轮速计和imu都有配置，但是这种情况下，一般是为了追求高精度，所以imu选型会趋向高价位。因此，经费不充足的情况下，不会二者皆有。

经过上述论证，里程计传感器选型路线为：

1. 轮速计
2. 轮速计+IMU
3. 轮速计+IMU+视觉

因此技术路线也随之确定：

1. 运动学模型
   1.1 后轮速差模型
   1.2 单车模型
   1.3 阿克曼转向几何模型
2. 捷联惯导
   2.1 SINS
   2.2 PINS
3. 视觉里程计
   3.1单目视觉
   3.2双目视觉
   3.3鸟瞰视觉（360环视）

其中运动学模型

PS：
如果你是学生，或者从事相关算法专业非常推荐下面这本书，写的非常详细，推导过程全面，附录中常用模型非常全面，实际应用的指导在最后几章，可以自己动手买个imu小车，实际跑一下效果可能更好。
《捷联惯导算法与组合导航原理》—严恭敏