ouster IMU

做无人驾驶做了好久了，最近老板给安排了一个新的平台，原来的激光雷达是Velodyne的激光雷达，垂直的分辨率是16beams，IMU输出点云以及点的坐标，也包括陀螺仪以及加速度计的角速度以及三个轴的加速度，但是我查看ouster 给的样包里面，数据只是包括了点云的原始信息，还有IMU的输出也只是陀螺仪以及加速度计的原始信息。但是原先实验室师兄的Package里面，包括利用IMU输出的位姿信息。 所以，我最近想先加一个功能，那就是跟据IMU输出的原始信息，解算雷达姿态。关于OUSTER雷达的介绍资料太少了，我这里写一下自己的学习的内容，如有不妥请批评指正。

可以看出，ouster的64channel的雷达，每秒1310720个点，每个点的数据包括， ambient 和 angle角度，可以把range经过坐标变换，改成x,y,z点的坐标。
#ABOUT THE INTRODUCTION OF THE
欧拉角的基本思想是将角位移分解为绕三个互相垂直轴的三个旋转组成的序列。所以，欧拉旋转的三个角，可以对应于三个旋转矩阵。
Yaw（偏航）：欧拉角向量的y轴
Pitch（俯仰）：欧拉角向量的x轴
Roll（翻滚）： 欧拉角向量的z轴

pitch = 180 * atan (accelerationX/sqrt(accelerationY*accelerationY + accelerationZ*accelerationZ))/M_PI;
roll = 180 * atan (accelerationY/sqrt(accelerationX*accelerationX + accelerationZ*accelerationZ))/M_PI;

http://x-io.co.uk/open-source-imu-and-ahrs-algorithms/
这个好像是一个比较有名的求位姿算法
关于IMU 在SLAM中的应用，对于能够输出位姿的IMU那么，就可以提供最初始的位姿估计。
https://blog.csdn.net/shenshikexmu/article/details/80013444
这篇博客是IMU校正以及姿态估计。
IMU Data Fusing: Complementary, Kalman, and Mahony Filter
这篇国外的文章应该是相当 权威、完整了，先看这个 总结 主要内容、思想