add some question reply

不同SLAM算法比较/不同SLAM算法比较.md

@@ -0,0 +1,24 @@
+## LEGO_LOAM
+
+参考博客：
+
+[简单总结LEGO-LOAM相对于LOAM的一些改进及不同点](https://wenku.baidu.com/view/2b7cb5dacbd376eeaeaad1f34693daef5ef71321.html)
+
+### 3.两步优化的帧间里程计
+
+#### 3.1和LOAM的相同点
+
+都是通过前后两帧的点云来估计两帧之间的运动，然后累加得到前端里程计的输出(相对于第一帧)，也都是采用的线面约束。
+
+#### 3.2不同点
+
+LOAM采用的是线面约束同时优化六自由度的帧间位姿，LEGO-LOAM的前端分成两个步骤，每个步骤估计三个自由度。
+
+Motivation：提高运算效率，可以在嵌入式平台运行。
+
+```shell
+#步骤
+1）使用地面点构建点面约束，由于地面点之间的约束对x,y,yaw三个自由度是不可观的(地面可以转动，但残差不会明显变化)，所以地面点的优化只会对pitch、roll、z进行约束和优化。
+2）使用提取的角点进行优化，由于多线激光雷达提取的角点通常是垂直的边缘特征，这些特征对x, y , yaw有较好的能观性，通过角点的优化，结合1）中的结果就可以得到六自由度的帧间优化结果。具体代码实现在updateTransformation() 中。
+```
+

待问问题.md

@@ -29,4 +29,28 @@
 
 2.a.LIO + GNSS 系统中，因为使用的是惯导，默认已经完成一系列的初始化，所以不需要进行重力估计，也可以很容易得到ENU下的坐标。b.LIO 和 VIO 系统因为没有GNSS 信息，所以无法获得绝对的ENU信息，可以通过估计imu的重力方向，使用重力方向确定 ENU(前左上)的“天”，进而确定导航系下的原点。c.LIO_SAM 因为使用的是9DOF IMU,磁力计可以获取绝对重力，所以不需要额外做重力估计。 
 
-3.lego_loam 的去重力部分，就只是通过外参，把imu的重力分量去掉了，没有说有估计重力的部分。是因为在lego_loam 这类系统里，默认机体是平放地面，Z轴朝上， 而VINS考虑到手持飞控等场景，所以需要额外估计重力方向。但是为了系统具有更强的鲁棒性，所以静止几秒估计重力的方向会更好。("激光比较重型，除了机载的特殊轻型激光，一般都默认水平安装的")
+3.lego_loam 的去重力部分，就只是通过外参，把imu的重力分量去掉了，没有说有估计重力的部分。是因为在lego_loam 这类系统里，默认机体是平放地面，Z轴朝上， 而VINS考虑到手持飞控等场景，所以需要额外估计重力方向。但是为了系统具有更强的鲁棒性，所以静止几秒估计重力的方向会更好。("激光比较重型，除了机载的特殊轻型激光，一般都默认水平安装的")
+
+## 3.ESKF 中融合轮速计后，kalman update问题 
+
+​	问：ESKF 融合轮速计后如何考虑常值bias？答：把这个bias作为状态量添加到状态方程里，然后适当修改相应观测的更新。
+​	问：常值bias状态矩阵里都是0，咋更新？答：常值bias，在融入观测时，随着kalman增益的改变，跟着改变。
+​	问：如果不融合gps，轮速计的常值bias还能估计出来吗？
+
+## 4.slam整体处理框架上，使用buffer把所有数据进行存起来，这样做是否合理？更行业的处理数据的方法是：处理最新的数据还是也是所有数据存起来慢慢处理呢？
+
+## 5.建图与定位的算法上主要区别在哪？这样理解正确吗：建图是通过融合多源信息，计算得到最优的的帧间里程计，进而把点云拼接起来成为点云地图，因为优化所需要的时间和建图的规模较大，所以一般可以选择离线建图，对实时性要求没这么高。而定位一般是基于一定的先验信息(先验地图)，进行全局定位，对实时性要求较高。
+
+## 6.ESKF状态方程推导中，为什么状态方程离散化后， 
+
+## delta_x_dot 可以转为 delta_x_k ? (微分具有对下一时刻的量做预测的意思吗？)对应如下图(1、2)
+
+<img src="https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11image-20220520132030187.png" alt="image-20220520132030187" style="zoom: 67%;" />
+
+<img src="https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11image-20220520132058853.png" alt="image-20220520132058853" style="zoom:67%;" />
+
+## 7.第六章的惯性导航误差分析总结中,delta_v_dot 的推导代表的是world系下速度增量，是不是末尾漏了减去g? (对应下图3)
+
+![image-20220520132833398](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11image-20220520132833398.png)
+
+## 8.课程框架里的ekf是作为一个前端吗？对前后端的概念较为模糊。后端主要是指：全局优化、回环检测等模块吗？

第三章 3D激光里程计2/README.md

@@ -57,7 +57,11 @@ sudo apt-get  install libgoogle-glog-dev
 
 #### 公式推导
 
-注意这里的推导形式是分别更新R ，t  ，与  直接更新转换矩阵T的导数会有所不同
+注意：
+
+1.这里的推导形式是分别更新R ，t  ，与  直接更新转换矩阵T的导数会有所不同
+
+2.线面残差是一个数，为标量，而待优化量位移、姿态等是具有方向、大小，是矢量，在 线面残差(标量)求对应待优化变量(矢量)的jacobian时，链式法则时，需要求 标量对矢量的偏导，标量对矢量的偏导是一个单位向量，代表矢量的单位方向。
 
 参考博客：[基于线面特征的激光里程计](https://zhuanlan.zhihu.com/p/348195351)
 
@@ -93,7 +97,7 @@ $$
 =\frac{\left(p_{i}^{\prime}-p_{b}\right) \times\left(p_{i}^{\prime}-p_{a}\right)}{\left|\left(p_{i}^{\prime}-p_{b}\right) \times\left(p_{i}^{\prime}-p_{a}\right)\right|} \frac{\left(p_{a}-p_{b}\right)_{\times}}{\left|p_{a}-p_{b}\right|}
 \end{gathered}
 $$
-其中,
+其中,标量对矢量求导
 $$
 \quad \frac{\alpha|X|}{\alpha X}=\frac{\alpha\left(s \operatorname{qrt}\left(X^{T} X\right)\right)}{\alpha\left(X^{T} X\right)} \frac{\alpha\left(X^{T} X\right)}{\alpha(X)}=\frac{X}{|X|}
 $$

第二章 3D激光里程计/README.md

@@ -309,6 +309,18 @@ ICP_SVD:
     max_iter : 10
 ```
 
+### ICP补充
+
+经陈助教的指点，在进行ICP_SVD求解时，求出的旋转矩阵，可以进行reflection(旋转反射的判断)，KITTI场景中，数据集可能没有点云反射的现象，但是工程中，对求出的R阵加入reflection的判断，可以提升激光里程计ICP的精度。当出现需反射问题时：det(VU.tranpose()) = -1 ，正确的R阵为： det(VU.tranpose()) = 1。因此，我们可以将R阵改为如下通式：
+
+![image-20220424175530082](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11image-20220424175530082.png) 
+
+参考论文：Least-Squares Rigid Motion Using SVD
+
+参考博客：[雷达系列论文翻译（二）：Least-Squares Rigid Motion Using SVD](https://blog.csdn.net/weixin_39061796/article/details/119861178)
+
+
+
 ## NDT_CPU
 
 参考源码： [autoware  ndt_cpu](https://github.com/Autoware-AI/core_perception/tree/master/ndt_cpu)

第八章 基于滤波的融合方法2/README.md

@@ -487,6 +487,40 @@ evo_res  *.zip --use_filenames -p
 
 ### 3.4  结论通过对比上述实验
 
-可得知，融合了odom轮速里程计后，数据波动得到大幅度抑制。	
+可得知，融合了odom轮速里程计后，数据波动得到大幅度抑制。
 
-​																																																					edit  by kaho  2021.10.22
+## 4.第六次在线答疑
+
+1.编码器解算速度时间里在平面和轮胎不打滑的假设条件下的，而野外地面很难满足这些条件，小车会经常出现轮胎打滑的问题，该怎么进行补偿或者模型修正呢？
+
+```
+答：这里需要解决的可能不是补偿问题，而是场景识别。通过算法去区分打滑或者不平坦的场景，进行传感器的策略的变换(是否使用imu或者编码器)。如，当出现打滑时，编码器会出现飞快的变动；当路面不平坦时，imu数据也会出现较大的波动，可通过这个来进行场景识别，进而改进算法。
+```
+
+2.一般imu+odom+gnss 的融合策略是怎样的？是例程中，imu做预测，gnss和odom做观测，还是附加题中imu+odom做预测，imu做观测？
+
+答：一般预测 imu 、观测 gnss + odom 都是军用场景下，军用场景下gnss一般误差比较大，需要长时间依赖imu的积分，所以需要odom做额外的修正；而预测 imu + odom 、观测 gnss  一般是低成本mems的适用场景，低成本的mems精度较低，所以imu+odom做预测的性价比会更高。
+
+3.在滤波器里额外添加对轮速计bias的估计，在这种情况下，如果不融合gps了，轮速计的bias还能估计出来吗？
+
+```shell
+答：这个问题其实有点歧义，没有说明白当前滤波器的传感器组合情况。解答这个问题前，需要先梳理清楚以下几个点：
+
+a.在ESKF 框架中加入odom编码器有两种策略。a. imu 做预测，odom观测 ; b. imu + odom 做预测。
+
+b.当使用b.imu + odom 做预测时，状态方程中需要考虑bias 有 imu的bias 和 odom的bias 。但是当使用a. imu 预测 odom 做观测时，作为观测量的odom只需要提供观测值就ok，观测值 = 真值 + 噪声， 并不需要额外考虑odom bias。
+
+c.odom编码器作为预测时，可通过编码器线速度积分提供的预测量为 P_w(position) V_w(velocuty)。进行kalman 迭代时，通过预测修正观测，odom的bias进行估计的话，需要有相应的预测量(P V),所以预测需要有GPS 或者 laser_odom 这类能提供P V的观测。
+```
+
+4.至于上述第3点所提到的，为什么odom放在观测不需要考虑bias，个人认为，放在观测的传感器本来就是低频传感器(相对于imu)，并不会考虑bias的影响，而且在求解kalman gain时，也不需要对观测方程做非线性化处理，也是源于观测较低频的原因(个人理解)。
+
+5.odom的bias是怎么导致的？
+
+```
+轮速编码器的bias取决于编码器的种类，如果是测速的，可以把bias当成常值误差来估计；倘若是光电编码器，本身测得是位置增量，测速度误差时，误差不是一个常值。
+```
+
+
+
+5. edited  by kaho  2021.10.22

第六章 惯性导航解算及误差分析/README.md

@@ -162,9 +162,7 @@ void Activity::UpdatePosition(const double &delta_t, const Eigen::Vector3d &velo
 roslaunch imu_integration imu_integration.launch 
 ```
 
-![mid](/home/kaho/Pictures/chapter6/中值法解算/mid.png)
-
-
+![mid](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11mid.png)
 
 ## 2.姿态更新-基于欧拉法解算
 
@@ -186,7 +184,7 @@ bool Activity::GetVelocityDelta( )
 roslaunch imu_integration imu_integration.launch 
 ```
 
-![euler](/home/kaho/Pictures/chapter6/欧拉法解算/euler.png)
+![euler](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/深蓝多传感器融合定位/第二章激光里程计1%E7%AC%AC%E4%BA%8C%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A11euler.png)
 
 ## 3.gnss-ins-sim仿真数据数据集，对比中值法和欧拉法得解算精度 
 
@@ -607,7 +605,7 @@ rosbag  play static.bag
 
 现象：groundtruth(红色)在原点不动，estimator(蓝色)竖直向上移动
 
-![2021-10-01 09-23-49 的屏幕截图](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/%E6%B7%B1%E8%93%9D%E5%A4%9A%E4%BC%A0%E6%84%9F%E5%99%A8%E8%9E%8D%E5%90%88%E5%AE%9A%E4%BD%8D/%E7%AC%AC%E5%85%AD%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A112021-10-01%2009-23-49%20%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE.png)
+![2021-10-01 09-23-49 的屏幕截图](https://kaho-pic-1307106074.cos.ap-guangzhou.myqcloud.com/CSDN_Pictures/深蓝多传感器融合定位/第二章激光里程计1%E7%AC%AC%E5%85%AD%E7%AB%A0%E6%BF%80%E5%85%89%E9%87%8C%E7%A8%8B%E8%AE%A112021-10-01%2009-23-49%20%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE.png)
 
 解决：
 

第十章 基于优化的定位方法/README.md

@@ -769,7 +769,7 @@ Ti  Tj 一般是预测值，一般是由scan2scan 上一时刻的后验POSE给
 
 问：因子图优化中的激光里程计约束指的scan2scan 还是 scan2map, 如果是scan2map 的话，那它和“先验地图匹配因子”的区别是在于 “激光里程计因子”的map是局部分割的小地图，“先验地图匹配因子”的map是大地图是吗？ 使用全局的大地图匹配，对资源消耗不是很大吗？ 
 
-答：激光里程计：前端激光里程计主要还是loam的方案，使用的是scan2map 方式构建，这里的map并不是只小的先验地图，只是指loam里的submap小特征地图。“先验地图匹配因子”里所说的先验地图，使用滑窗分割出的小地图，为了节省运算资源。
+答：激光里程计：前端激光里程计主要还是loam的方案，使用的是scan2map 方式构建，这里的map并不是指小的先验地图，只是指loam里的submap小特征地图。“先验地图匹配因子”里所说的先验地图，使用滑窗分割出的小地图，为了节省运算资源。
 
 ### 5.5 如何去评估地图的质量精度