前言：
本博客为深蓝学院多传感器融合定位的课程作业笔记，为了方便个人检索，故将笔记记录到网上，同时也希望能给大家一些启发。在讲师任乾老师和其他学员的帮助下，总算完成十章的作业。
回顾整个历程，先后修了三次的课程，也十分感慨。刚录取研究生(2020年)的时候，导师给了我一个课题，做3D巡检小车的定位建图，在本科一直参与robotics的比赛，接触了不少的2D agv项目，因此也欣然接受。开始了资料的检索，开始了解到点云，先修了深蓝学院黎嘉信老师的三维点云处理，对点云有了初级的了解。
第一阶段 2020.10：后来接触到了任乾老师的第一期多传感器融合定位课程(2020.10),开始发现自己的知识十分薄弱，对非线性优化、惯导等概念一无所知，甚至不知道什么是外参、内参，多线激光雷达也从没接触过，c++也十分的差。第一期课程的难度对于我这样的菜鸟来说确实很难，我一边上课一遍不断补习知识，去翻阅高博的slam14讲、机器人状态估计。最后因为临近期末考试和个人基础知识太薄弱，上到第四章(惯性导航分析)就没跟上。之后我重新把高翔博士的14讲重看了一遍，也在实验室自己搭建造了一辆3D的slam移动小平台,通过自己的选型，设计框架，开始慢慢了解在自动驾驶领域传感器的种类和属性，也开始对传感器有了更深的理解。
第二阶段 2021.8 : 在外出实习期间，一直没有放弃对slam的学习，进行了第四期课程的学习，这一次的学习更加细致，进行了1-8章较为详细的作业，对比之前，这一次开始看懂代码，理解其中算法的含义，理解ceres g2o 等非线性优化的使用，很好地了解了kalman的融合，在此之前kalman一直停留在本科期间机器人比赛中自瞄跟踪算法，但也只是调库，这一次有了更深的理解，也不会畏惧公式，开始耐心的推导。因为临近开题原因，故这一次学习到第八章kalman容和定位。
第三阶段 2022.3：在第二阶段的课程学习之后，期间认真阅读了课程的框架代码，也开始自己搭建平台，制作数据集，将课程的框架部署到自己的搭建的平台上。如：3D-SLAM自搭平台 主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 建图 B站视频。开始了第三次的多传感器容和定位的学习，这一次，补充了第九和第十章，预积分和图优化的部分，优化和预积分的方法是未来的一个趋势，可以说是课程的核心内容。通过不断的提问，反复看视频，交叉观看VIO的课程，开始有了自己的理解。
一路以来的学习，有赖于任乾老师和各位助教学员的解答，非常感谢各位。
列宁曾说过“人的认识不是直线，而是无限地近似于一串圆圈、近似于螺旋式的曲线”，事物的自身发展，经过肯定、否定和新的肯定。同样人的认知也需要经过“否定之否定”的过程，在不断地否定中自我成长。
1-10章的课程检索 github 链接 (如果对大家有帮助，烦请大家star我一下~)
多传感器融合定位 第五章 惯性导航原理及误差分析-不需要转台的IMU内参标定
搭建实验室3d slam 移动小车 2.1-镭神32线激光雷达使用调试
搭建实验室3d slam 移动小车 2.2镭神32线激光雷达修改主从机IP
搭建实验室3d slam 移动小车 2.3镭神32线激光雷达ROS-RVIZ上方向确定
搭建实验室3d slam 移动小车 3.1jackal移动小车平台调试
搭建实验室3d slam 移动小车 3.2jackal移动平台axis-ptz魚眼摄像头调试
搭建实验室3d slam 移动小车 3.3jackal移动平台 组合导航POMS-GI201C、镭神32线激光雷达 卫星授时
搭建实验室3d slam 移动小车 4.1jackal小车+镭神32线激光雷达lego-loam建图
使用Mapviz、中科图新 进行机器人GPS轨迹卫星地图绘制
使用Mapviz,进行机器人GPS轨迹卫星地图绘制(2)-调用天地图API，快速加载刷新地图
3D-SLAM自搭平台 主动阿克曼 + RS16 + LPMS_IMU LEGO_LOAM 建图
第一期课程学习，也进行了一些笔记记录，但不全，望见谅
多传感器融合定位（1-3D激光里程计）3-前端里程计LOAM系列
多传感器融合定位（1-3D激光里程计）4-实现调用pcl-icp-1
多传感器融合定位（1-3D激光里程计）5-实现调用pcl-icp-2 通过 config.yaml 实现接口的多态性
多传感器融合定位（1-3D激光里程计）6-实现调用pcl-icp-3 evo里程计精度评价
多传感器融合定位（2-点云地图构建及基于地图定位）1-回环检测及代码实现
多传感器融合定位（2-点云地图构建及基于地图定位）2-后端优化与点云地图构建
多传感器融合定位（3-点云地图构建及基于地图定位）3-实现ScanContext 回环检测
多传感器融合定位（4-点云地图构建及基于地图定位）4-通过GNSS 实现地图定位
多传感器融合定位（3-惯性导航原理及误差分析）2-IMU误差分析及处理：随机误差理论分析&allan方差分析及实现
多传感器融合定位（3-惯性导航原理及误差分析）3-内参模型与分立级、系统级、迭代优化等标定方法：器件内参标定
多传感器融合定位（3-惯性导航原理及误差分析）4-IMU温补：常见温补模型与基于多项式你和的温补方法：惯性器件误差分析
多传感器融合定位（3-惯性导航原理及误差分析）7-实现 分立级标定 accel加速度计内参公式验证
多传感器融合定位（3-惯性导航原理及误差分析）6-Allan方差 进行随机误差分析
多传感器融合定位（4-基于滤波的融合方法）kitti数据集 IMU频率改为100HZ
多传感器融合定位（3-惯性导航原理及误差分析）8-惯性导航解算验证
多传感器融合定位（4-基于滤波的2融合方法）2-使用仿真数据进行imu-gnss eskf和时变系统下的可观测性分析
ROS自定义消息类型，编译无法生成 msg/srv 文件产生的头文件
edited by kaho 2022.3.20 祝愿疫情早日消退，花开满地