J.L

之前提到了IMU与视觉SLAM的融合，因此也避不开卡尔曼滤波的使用。作为最经典的算法之一，推导过程不再赘述，这里只简述一下迭代的公式。计算预测值，预测值和真实值之间的误差协方差矩阵 有了上式可以计算卡尔曼增益K，然后得到估计值 计算估计值和真实值之间的误差协方差矩阵，为下一次迭代做准备 其中：A为状态转移矩阵，Q为系统噪声方差矩阵，R为观测噪声方差矩阵

前言：视觉 SLAM 存在输出频率低、旋转运动时、或运动速率加快时定位易失败等问题，而 IMU 有输出频率高、能输出6DoF测量信息等优点。因此现阶段的一个研究热点是将视觉 SLAM 与 IMU 得到的位姿估计结果进行融合，得到更加鲁棒的输出结果。通过二者的融合，可以解决视觉位姿估计输出频率低的问题，同时位姿估计精度有一定的提高，整个系统也更加鲁棒。这也是一个 VIO (Visual Inertia

ROS中的时间同步