IMU预积分功能数据初始化代码解读

代码解读

int main(int argc, char** argv){    ros::init(argc, argv, "roboat_loam");    IMUPreintegration ImuP;//IMUPreintegration 类的实例    TransformFusion TF;//TransformFusion 类的实例    ROS_INFO("�33[1;32m---- > IMU Preintegration Started.�33[0m");//打印消息    ros::MultiThreadedSpinner spinner(4);//开四个线程 通过并发的方式使得速度得到提升    spinner.spin();//程序执行到这个地方 则等待 topic 回调函数执行    return 0;}

main函数部分很简洁，功能主要完成部分都在定义的两个类中进行。

在main函数中进行

• 节点初始化
• IMUPreintegration 类的实例
• TransformFusion 类的实例
• 打印消息
• 开四个线程 通过并发的方式使得速度得到提升
• 等待 topic 回调函数执行
• 之后则看 IMUPreintegration 这个类，先看构造函数部分

在里面首先进行了 订阅imu信息

subImu      = nh.subscribe< sensor_msgs::Imu >  (imuTopic,2000, &IMUPreintegration::imuHandler,this, ros::TransportHints().tcpNoDelay());

imuTopic 为 imu_correct, imu原始数据，这个imuTopic是从参数服务器读取的，具体的配置在prams.yaml中

如果你的imu的topic和默认的不一致则需要修改

然后可以看其具体的回调函数 imuHandler

void imuHandler(const sensor_msgs::Imu::ConstPtr& imu_raw)    {        std::lock_guard< std::mutex > lock(mtx);        //首先把imu的状态做一个简单的转换        sensor_msgs::Imu thisImu = imuConverter(*imu_raw);        // 注意这里有两个imu队列，作用不相同，一个用来执行预积分和位姿变换的优化，一个用来更新最新imu状态          imuQueOpt.push_back(thisImu);        imuQueImu.push_back(thisImu);        // 如果没有发生过优化 则 return        if (doneFirstOpt == false)            return;

回调函数先把imu的状态做一个简单的转换，转到lidar坐标系 下

将转换后的imu数据存入两个队列中，注意这里有两个imu队列，作用不相同，一个用来执行预积分和位姿变换的优化，一个用来更新最新imu状态

如果没有发生过优化 则 retur，doneFirstOpt这个标志位，在接受到帧间里程计信息后，则至为true，imuConverter函数在utility.h文件中

sensor_msgs::Imu imuConverter(const sensor_msgs::Imu& imu_in)    {        sensor_msgs::Imu imu_out = imu_in;        // rotate acceleration  //进行加速度坐标旋转        Eigen::Vector3d acc(imu_in.linear_acceleration.x, imu_in.linear_acceleration.y, imu_in.linear_acceleration.z);        acc = extRot * acc;        imu_out.linear_acceleration.x = acc.x();        imu_out.linear_acceleration.y = acc.y();        imu_out.linear_acceleration.z = acc.z();        // rotate gyroscope  // 进行陀螺仪坐标旋转        Eigen::Vector3d gyr(imu_in.angular_velocity.x, imu_in.angular_velocity.y, imu_in.angular_velocity.z);        gyr = extRot * gyr;        imu_out.angular_velocity.x = gyr.x();        imu_out.angular_velocity.y = gyr.y();        imu_out.angular_velocity.z = gyr.z();        // rotate roll pitch yaw // 进行姿态角坐标旋转        Eigen::Quaterniond q_from(imu_in.orientation.w, imu_in.orientation.x, imu_in.orientation.y, imu_in.orientation.z);        Eigen::Quaterniond q_final = q_from * extQRPY;        imu_out.orientation.x = q_final.x();        imu_out.orientation.y = q_final.y();        imu_out.orientation.z = q_final.z();        imu_out.orientation.w = q_final.w();        //检测姿态数据是否正常        if (sqrt(q_final.x()*q_final.x() + q_final.y()*q_final.y() + q_final.z()*q_final.z() + q_final.w()*q_final.w()) < 0.1)        {            ROS_ERROR("Invalid quaternion, please use a 9-axis IMU!");            ros::shutdown();        }        return imu_out;//返回变换后的imu数据    }};

进行加速度坐标旋转、进行陀螺仪坐标旋转、进行姿态角坐标旋转、检测姿态数据是否正常、返回变换后的imu数据

在进行加速度和陀螺仪变换的时候，使用的是extRot，该参数的根源来源于prams.yaml中

进行姿态角坐标旋转，使用的是extQRPY，该参数的根源来源于prams.yaml中

所有终于明白为什么在配置文件中有两个外参了！

imuHandler这个回调函数，先看到这部分，后面的之后再看，需要回到上面的IMUPreintegration的构造函数，看订阅到帧间里程计信息做了哪些事情。

subOdometry = nh.subscribe< nav_msgs::Odometry >("lio_sam/mapping/odometry_incremental", 5,    &IMUPreintegration::odometryHandler, this, ros::TransportHints().tcpNoDelay());

订阅雷达里程计信息，lio_sam/mapping/odometry_incremental 是mapOptmization发出的，odometryHandler回调函数，走起

double currentCorrectionTime = ROS_TIME(odomMsg);

通过ROS_TIME函数把消息中的时间戳取了出来

if (imuQueOpt.empty())            return;

保证imu队列中有数据

float p_x = odomMsg- >pose.pose.position.x;        float p_y = odomMsg- >pose.pose.position.y;        float p_z = odomMsg- >pose.pose.position.z;        float r_x = odomMsg- >pose.pose.orientation.x;        float r_y = odomMsg- >pose.pose.orientation.y;        float r_z = odomMsg- >pose.pose.orientation.z;        float r_w = odomMsg- >pose.pose.orientation.w;

通过里程计话题获得位置信息 四元数 获得雷达里程计位姿

bool degenerate = (int)odomMsg- >pose.covariance[0] == 1 ? true : false;

该位姿是否出现退化 pose.covariance[0] 为1 则 雷达里程计有退化风险，该帧位姿精度有一定程序下降

gtsam::Pose3 lidarPose = gtsam::Pose3(gtsam::Rot3::Quaternion(r_w, r_x, r_y, r_z), gtsam::Point3(p_x, p_y, p_z));

把位姿转成 gtsam的格式，进入系统的初始化，下面部分仅执行一次

resetOptimization();

在函数内部 初始化gtsam的一些量

while (!imuQueOpt.empty())            {                if (ROS_TIME(&imuQueOpt.front()) < currentCorrectionTime - delta_t)                {                    lastImuT_opt = ROS_TIME(&imuQueOpt.front());                    imuQueOpt.pop_front();                }                else                    break;            }

将这个雷达里程计之前的imu信息全部扔掉，整个LIO-SAM中作者对时间同步这块的思想都是这样的，保证imu与odometry消息时间同步 因为imu是高频数据所以这是必要的

prevPose_ = lidarPose.compose(lidar2Imu);

将lidar的位姿移到imu坐标系下，lidar2Imu 是lidar到imu的外参，compose是gtsam的一个功能函数，VIO和LIO的框架都在在IMU坐标系下进行的

gtsam::PriorFactor< gtsam::Pose3 > priorPose(X(0), prevPose_, priorPoseNoise);            graphFactors.add(priorPose);

设置其初始位姿和置信度，约束加入到因子中

• gtsam::PriorFactor 模块涉及到的变量结点
• gtsam::Pose3 表示六自由度位姿
• gtsam::Vector3 表示三自由度速度
• gtsam::imuBias::ConstantBias 表示IMU零偏

以上也是预积分模型中涉及到的三种状态变量

gtsam::PriorFactor 为先验因子，表示对某个状态量T的一个先验估计，约束某个状态变量的状态不会离该先验值过远。

其中的X(0)的，初始定义如下。事先的符号

priorPoseNoise 是先验位姿的噪声，该值为

priorPoseNoise  = gtsam::noiseModel::Diagonal::Sigmas((gtsam::Vector(6) < < 1e-2, 1e-2, 1e-2, 1e-2, 1e-2, 1e-2).finished()); // rad,rad,rad,m, m, m

初始 位姿 置信度 设置 比较高 后面构成协方差矩阵 值越小 表示 置信度越高

prevVel_ = gtsam::Vector3(0, 0, 0);            gtsam::PriorFactor< gtsam::Vector3 > priorVel(V(0), prevVel_, priorVelNoise);               graphFactors.add(priorVel);

和上面位姿基本一样初始化速度，这里直接赋 0 了，将速度约束加到因子图中，其中priorVelNoise 速度的噪声是

priorVelNoise   = gtsam::noiseModel::Isotropic::Sigma(3, 1e4); // m/s

初始化速度 置信度 设置 差些 因为速度一开始设置的是0，不知道是多少

prevBias_ = gtsam::imuBias::ConstantBias();            gtsam::PriorFactor< gtsam::imuBias::ConstantBias > priorBias(B(0), prevBias_, priorBiasNoise);                  graphFactors.add(priorBias);

初始化IMU 零偏 ，将零偏约束加到因子图中，gtsam::imuBias::ConstantBias()是gtsam做好的一个imu零偏，其中都是0，所以对应bias的噪声置信度也要设置的高些

priorBiasNoise  = gtsam::noiseModel::Isotropic::Sigma(6, 1e-3); // 1e-2 ~ 1e-3 seems to be good

以上把约束加入完毕，下面就开始添加状态量

graphValues.insert(X(0), prevPose_);            graphValues.insert(V(0), prevVel_);            graphValues.insert(B(0), prevBias_);

给各个状态量赋成初始值

optimizer.update(graphFactors, graphValues);

约束和状态量更新 进isam优化器

graphFactors.resize(0);            graphValues.clear();

进优化器之后 保存约束和状态量的变量就清零

imuIntegratorImu_->resetIntegrationAndSetBias(prevBias_);            imuIntegratorOpt_->resetIntegrationAndSetBias(prevBias_);

预积分的接口，使用初始零偏进行初始化 之前imu有两个队列，每个队列对应预积分处理器

key = 1;
            systemInitialized = true;//系统初始化完成
            return;

系统初始化完成