VINS-Mono-IMU预积分 （四：误差卡尔曼滤波）

什么是误差卡尔曼滤波

卡尔曼滤波：

当有预测值 x1 和观测值 y1 时，会将x1 , y1 同时放入卡尔曼滤波器，获得最有估计的 $x^{{}^{\prime }}$

误差卡尔曼：

同样收到了预测值 x1 和观测值 y1，送入滤波器的观测值不再是 x1 ，而是一个误差值 $\Delta x$，就对当前状态的误差量是多少（这个值一般都是为0），因为真值=预测值+误差值，误差值得计算后获取 ，而观测误差则定义为 $\Delta y=y_1-x_1$ ，然后把 $\Delta x,\Delta y$ 送入卡尔曼滤波器中，输出结果为 $\Delta x^{{}^{\prime }}$.
输入的 $\Delta x=0$，因为预测是自己所能给到的最优的位姿，但是对应的协方差 $P_{\Delta x}$ 是一直在增加的，$\Delta y$ 对应的协方差为 $P_{\Delta y}$ ，两个协方差也要输入进去。
根据上面的4个量获得最优估计值 $\Delta x^{{}^{\prime }}$ ，这个是经过卡尔曼滤波器估计后的一个比较好的误差，然后把这个误差补偿到位姿去，则获得置信度更高的位姿 ，$\Delta x$ 一直都是0，变化的是它的方差P

为什么需要误差卡尔曼滤波

• 旋转的误差量一般为很小的值，通常用旋转向量来表示旋转误差，因为四元数是过参数化的表示形式，用一个4自由度的协方差矩阵来描述一个3自由度旋转就存在问题，为了避免这个问题则引入李代数（旋转向量）来进行表述，由于误差量很小，$\in [\Pi ，-\Pi ]$ 之间，且在0附近，则可以避免周期性的问题 。
• $\Delta x$ 一直是 0 ，误差来源于 $\Delta y$ ，由于数据频率都比较接近，所以其误差量也很小
• 该误差量很小，则其二阶导可以忽略，直接计算一阶雅可比会更快速
• 由于误差量变化很慢，则可以不用很高频的运行
• 总的来说就是误差状态可以帮助IMU预积分计算协方差时避免过参数化。是为了描述旋转才引入的误差量，但是在进行位姿补偿的时候还是使用回四元数，使用扰动的形式进行补偿。