视觉SLAM导航-多传感器融合篇
本篇博客启发于今日与我选修课老师坐而论道的过程中，倍感于柏拉图助产术教学理论的高明之处，所以这篇博客的行文组织形式全部采用问答形式！本篇文章的逻辑取决于我有没有想到这个问题，感谢老师让我明白在自己不擅长的领域到底应该怎样学习！感谢！！！
下面我将模拟答辩全部过程速写这篇文章，感到不适的赶紧退出，你不适合助产术学习法。
问题清单
Q1：为什么我们需要多传感器融合
多传感器融合基本原理就像人脑综合处理信息的过程一样，将各种传感器进行多层次、多空间的信息互补和优化组合处理，最终产生对观测环境的一致性解释。在这个过程中要充分利用多源数据进行合理支配与使用，而信息融合的最终目标则是基于各传感器获得的分离观测信息，通过对信息多级别、多方面组合导出更多有用信息。这不仅是利用了多个传感器相互协同操作的优势，而且也综合处理了其它信息源的数据来提高整个传感器系统的智能化。简而言之，多传感器融合的目的是解决移动机器人在对外界感知时对于自身姿态的估计，这也是同时定位遇建图SLAM领域最关心的问题。 与哲学的终极关怀一样，机器人也需要知道我是谁，我在哪？才能知道我要去哪？怎么去。
在GVINS的耦合框架主要解决的三部分问题：
1）传感器的状态估计：
1、对多传感器观测信息的在多参考系下进行合理性线性化，实现在高斯白噪声下最优估计
2、以误差四元数为模型，IMU作为控制量，以EKF为基础进行实时姿态估计，使得系统以最大传感器速率输出里程计结果
3、以IMU控制的核心状态量与辅助状态量分离，解决信号突然恶化导致的系统失效 2）传感器相对位姿的在线校准：
1、多源坐标系之间的坐标系转换与坐标校准以保证坐标的一致性
2、传感器本体的参数估计的校准与补偿，解决相对测量的尺度和漂移估计
3、GNSS信号绝对参考系动态实时维护坐标系的稳定性
3）GNSS与IMU的噪声的估计：
1、以GNSS的RAIM检验为基础，建立噪声模型来评估信号的正直性
2、通过ALLAN方差算法对IMU在时域估计出卡尔曼滤波器的滤波噪声协方差
Q2 什么是SFM、松耦合和紧耦合
标准耦合模型（SFM: Standard Fusion Model for GNSS/INS）
SFM是经典卫/惯组合系统的数学模型，也是所有衍生分支算法的“共性基础”。其共性占比在整个卫/惯融合技术领域超过95%。随着在细分领域的技术分支开发，为了突出后来的新方法的创新度，标准耦合模型（松耦合）被“贬”称为： “松耦合模型”。
松耦合
按照我的理解可以这样描述，AB是两个传感器，其中F就是我们对于传感器做的一系列处理，对于相机传感器A来说就是提取图像特征，对于IMU 传感器B来说就是加速度，角速度。最后他们的加和Z=F(A)+F（B）就是我们获得的移动机器人的状态估计。在松耦合系统里，GNSS给INS提供位置信息，二者硬件上相互独立且可随时断开连 接，分别输出定位信息与速度信息到融合滤波器，融合滤波器进行优化处理后将结果反馈给惯性导航系统对其修正后进行输出。
紧耦合
紧耦合一开始就将传感器AB得到的中间数据通过一个优化滤波器进行处理，就像一个F（A+B）一起传输给Z，Z=F（F(A+B)）得到状态估计。紧耦合系统是将由 GNSS码环与载波跟踪环解算得到的伪距、伪距率与由惯性导航系 统结合自身信息和卫星星历进行计算得到的伪距、伪距率做差，得到伪距与伪距率的测量残差，将其作为融合滤波器的输入观测量，得到惯性导航系统计算误差以及传感器偏差以完成对惯性导航系统的校正并获得位置与速度的最优估计值。
待更新，明天会比较松耦合，紧耦合代码上的差距，验证我的理解是否正确。
