3D激光SLAM：位姿融合输出，LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。这里主要讲解如何通过imu来进行位姿融合输出的。
LIO-SAM的全称是：Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping，从全称上可以看出，该算法是一个紧耦合的雷达惯导里程计（Tightly-coupled Lidar Inertial Odometry），借助的手段就是利用GT-SAM库中的方法。
LIO-SAM 提出了一个利用GT-SAM的紧耦合激光雷达惯导里程计的框架。实现了高精度、实时的移动机器人的轨迹估计和建图。在之前的博客讲解了imu如何进行预积分，最终以imu的频率发布了imu的预测位姿里程计。
主要讲解，最终是如何进行位姿融合输出的。
Eigen::Affine3f
其中功能的核心在于位姿间的变换，所以要了解 Eigen::Affine3f 部分的内容。
Affine3f 是eighen库的仿射变换矩阵。实际上就是：平移向量+旋转变换组合而成，可以同时实现旋转，缩放，平移等空间变换。
Eigen库中，仿射变换矩阵的大致用法为：
创建Eigen::Affine3f 对象a；
创建类型为Eigen::Translation3f 对象b，用来存储平移向量；
创建类型为Eigen::Quaternionf 四元数对象c，用来存储旋转变换。
最后通过以下方式生成最终Affine3f变换矩阵：a=b*c.toRotationMatrix()；一个向量通过仿射变换时的方法是result_vector=test_affine*test_vector；
仿射变换包括：平移、旋转、放缩、剪切、反射。平移（translation）和旋转（rotation）顾名思义，两者的组合称之为欧式变换（Euclidean transformation）或刚体变换（rigid transformation）；
放缩（scaling）可进一步分为uniform scaling和non-uniform scaling，前者每个坐标轴放缩系数相同（各向同性），后者不同；如果放缩系数为负，则会叠加上反射（reflection）——reflection可以看成是特殊的scaling；
刚体变换+uniform scaling 称之为，相似变换（similarity transformation），即平移+旋转+各向同性的放缩。
位姿融合输出
在imu预积分的节点中，在main函数里面 还有一个类的实例对象，那就是
TransformFusion TF其主要功能是做位姿融合输出，最终输出imu的预测结果，与上节中的imu预测结果的区别就是：该对象的融合输出是基于全局位姿的基础上再进行imu的预测输出。全局位姿就经过回环检测后的lidar位姿。
建图优化会输出两种激光雷达的位姿：lidar增量位姿和lidar全局位姿。
lidar增量位姿就是通过lidar的匹配功能，优化出的帧间的相对位姿，通过相对位姿的累积，形成世界坐标系下的位姿。
lidar全局位姿则是在帧间位姿的基础上，通过回环检测，再次进行优化的 世界坐标系下的位姿，所以对于增量位姿，全局位姿更加精准。
在前面提到的发布的imu的预测位姿是在lidar的增量位姿上基础上预测的，那么为了更加准确，本部分功能就预测结果，计算到基于全局位姿的基础上面。首先看构造函数：
TransformFusion() { if(lidarFrame != baselinkFrame) { try { tfListener.waitForTransform(lidarFrame, baselinkFrame, ros::Time(0), ros::Duration(3.0)); tfListener.lookupTransform(lidarFrame, baselinkFrame, ros::Time(0), lidar2Baselink); } catch (tf::TransformException ex) { ROS_ERROR("%s",ex.what()); } }判断lidar帧和baselink（通常baselink指车体系）帧是不是同一个坐标系，如果不是，查询一下lidar和baselink 之间的 tf变换，ros::Time(0) 表示最新的，等待两个坐标系有了变换，更新两个的变换 lidar2Baselink：
subLaserOdometry = nh.subscribe<nav_msgs::Odometry>("lio_sam/mapping/odometry", 5, &TransformFusion::lidarOdometryHandler, this, ros::TransportHints().tcpNoDelay()); subImuOdometry = nh.subscribe<nav_msgs::Odometry>(odomTopic+"_incremental", 2000, &TransformFusion::imuOdometryHandler, this, ros::TransportHints().tcpNoDelay());订阅地图优化节点的全局位姿和预积分节点的增量位姿：
pubImuOdometry = nh.advertise<nav_msgs::Odometry>(odomTopic, 2000); pubImuPath = nh.advertise<nav_msgs::Path> ("lio_sam/imu/path", 1);发布两个信息 odomTopic ImuPath，然后看第一个回调函数 lidarOdometryHandler：
void lidarOdometryHandler(const nav_msgs::Odometry::ConstPtr& odomMsg) { std::lock_guard<std::mutex> lock(mtx); lidarOdomAffine = odom2affine(*odomMsg); lidarOdomTime = odomMsg->header.stamp.toSec(); }将全局位姿保存下来，将ros的odom格式转换成 Eigen::Affine3f 的形式，将最新帧的时间保存下来，第二个回调函数是 imuOdometryHandler，imu预积分之后所发布的imu频率的预测位姿：
void imuOdometryHandler(const nav_msgs::Odometry::ConstPtr& odomMsg) {static tf::TransformBroadcaster tfMap2Odom; static tf::Transform map_to_odom = tf::Transform(tf::createQuaternionFromRPY(0, 0, 0), tf::Vector3(0, 0, 0));建图的话，可以认为map坐标系和odom坐标系是重合的（初始化时刻）：
tfMap2Odom.sendTransform(tf::StampedTransform(map_to_odom, odomMsg->header.stamp, mapFrame, odometryFrame));发布静态tf，odom系和map系，他们是重合的：
imuOdomQueue.push_back(*odomMsg);imu得到的里程计结果送入到这个队列中：
if (lidarOdomTime == -1) return;如果没有收到lidar位姿就return：
while (!imuOdomQueue.empty()) { if (imuOdomQueue.front().header.stamp.toSec() <= lidarOdomTime) imuOdomQueue.pop_front(); else break; }弹出时间戳小于最新lidar位姿时刻之前的imu里程计数据：
Eigen::Affine3f imuOdomAffineFront = odom2affine(imuOdomQueue.front()); Eigen::Affine3f imuOdomAffineBack = odom2affine(imuOdomQueue.back()); Eigen::Affine3f imuOdomAffineIncre = imuOdomAffineFront.inverse() * imuOdomAffineBack;计算最新队列里imu里程计的增量：
Eigen::Affine3f imuOdomAffineLast = lidarOdomAffine * imuOdomAffineIncre;增量补偿到lidar的位姿上去，就得到了最新的预测的位姿：
float x, y, z, roll, pitch, yaw; pcl::getTranslationAndEulerAngles(imuOdomAffineLast, x, y, z, roll, pitch, yaw);分解成平移 + 欧拉角的形式：
nav_msgs::Odometry laserOdometry = imuOdomQueue.back(); laserOdometry.pose.pose.position.x = x; laserOdometry.pose.pose.position.y = y; laserOdometry.pose.pose.position.z = z; laserOdometry.pose.pose.orientation = tf::createQuaternionMsgFromRollPitchYaw(roll, pitch, yaw); pubImuOdometry.publish(laserOdometry);发送全局一致位姿的最新位姿：
static tf::TransformBroadcaster tfOdom2BaseLink; tf::Transform tCur; tf::poseMsgToTF(laserOdometry.pose.pose, tCur); if(lidarFrame != baselinkFrame) tCur = tCur * lidar2Baselink;更新tf：
static tf::TransformBroadcaster tfOdom2BaseLink; tf::Transform tCur; tf::poseMsgToTF(laserOdometry.pose.pose, tCur); if(lidarFrame != baselinkFrame) tCur = tCur * lidar2Baselink;更新odom到baselink的tf：
static nav_msgs::Path imuPath; static double last_path_time = -1; double imuTime = imuOdomQueue.back().header.stamp.toSec(); // 控制一下更新频率，不超过10hz if (imuTime - last_path_time > 0.1) { last_path_time = imuTime; geometry_msgs::PoseStamped pose_stamped; pose_stamped.header.stamp = imuOdomQueue.back().header.stamp; pose_stamped.header.frame_id = odometryFrame; pose_stamped.pose = laserOdometry.pose.pose; // 将最新的位姿送入轨迹中 imuPath.poses.push_back(pose_stamped); // 把lidar时间戳之前的轨迹全部擦除 while(!imuPath.poses.empty() && imuPath.poses.front().header.stamp.toSec() < lidarOdomTime - 1.0) imuPath.poses.erase(imuPath.poses.begin()); // 发布轨迹，这个轨迹实践上是可视化imu预积分节点输出的预测值 if (pubImuPath.getNumSubscribers() != 0) { imuPath.header.stamp = imuOdomQueue.back().header.stamp; imuPath.header.frame_id = odometryFrame; pubImuPath.publish(imuPath); } } }发布imu里程计的轨迹，控制一下更新频率，不超过10hz，将最新的位姿送入轨迹中，把lidar时间戳之前的轨迹全部擦除，发布轨迹，这个轨迹实践上是可视化imu预积分节点输出的预测值。
Result
其中粉色的部分就是imu的位姿融合输出path。
