视觉惯性里程计:预积分

IMU的输出频率很高（100-1KHz），所以优化变量会快速增长，使得实时优化变得infeasible。Christian Forster提出用将两帧图像间的IMU采样数据用预积分的方法变为一个constraint，从而降低优化变量。对于两帧图像间的standard IMU integration来说，初始状态是由第一帧的state estimate给出的。然而，每次优化迭代中，state estimate都在变化，那么就需要重复IMU integration。这个问题可以通过相对运动constraint的reparametrization来解决。那么reparametrization称为IMU预积分。IMU通常来说具有白噪声以及零偏。但是视觉图像在固定不动时没有零偏，所以用视觉图像确定零偏，用IMU确定rotation and fast movement。

基于一个假设：IMU和camera是同步（synchronized）。

IMu通常包括一个3Axis加速度计以及一个3Axis陀螺仪，可以测量角速度以及传感器家去读with respect to the IMU plane。两者的测量收到白噪声以及传感器bias噪声。

在两个Key Frame 之间，系统的角度，速度，位置可以取第一KF的IMU测量值，因为IMU频率很高，所以可以近似为常数。

两KF之间所有的IMU measurement可以融合为一个常数

参考文献：

Christian Forster, Luca Carlone, Frank Dellaert, Davide Scaramuzza, "IMU Preintegration on Manifold for Efficient Visual-Inertial Maximum-a-Posteriori Estimation," Robotics: Science and Systems (RSS), Rome, 2015.