代碼解讀

int main(int argc, char** argv){    ros::init(argc, argv, "roboat_loam");    IMUPreintegration ImuP;//IMUPreintegration 類的實例    TransformFusion TF;//TransformFusion 類的實例    ROS_INFO("?33[1;32m---- > IMU Preintegration Started.?33[0m");//打印消息    ros::MultiThreadedSpinner spinner(4);//開四個線程 通過并發的方式使得速度得到提升    spinner.spin();//程序執行到這個地方 則等待 topic 回調函數執行    return 0;}

main函數部分很簡潔，功能主要完成部分都在定義的兩個類中進行。

在main函數中進行

• 節點初始化
• IMUPreintegration 類的實例
• TransformFusion 類的實例
• 打印消息
• 開四個線程 通過并發的方式使得速度得到提升
• 等待 topic 回調函數執行
• 之后則看 IMUPreintegration 這個類，先看構造函數部分

在里面首先進行了 訂閱imu信息

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

imuTopic 為 imu_correct, imu原始數據，這個imuTopic是從參數服務器讀取的，具體的配置在prams.yaml中

如果你的imu的topic和默認的不一致則需要修改

然后可以看其具體的回調函數 imuHandler

void imuHandler(const sensor_msgs::Imu::ConstPtr& imu_raw)    {        std::lock_guard< std::mutex > lock(mtx);        //首先把imu的狀態做一個簡單的轉換        sensor_msgs::Imu thisImu = imuConverter(*imu_raw);        // 注意這里有兩個imu隊列，作用不相同，一個用來執行預積分和位姿變換的優化，一個用來更新最新imu狀態          imuQueOpt.push_back(thisImu);        imuQueImu.push_back(thisImu);        // 如果沒有發生過優化 則 return        if (doneFirstOpt == false)            return;

回調函數先把imu的狀態做一個簡單的轉換，轉到lidar坐標系 下

將轉換后的imu數據存入兩個隊列中，注意這里有兩個imu隊列，作用不相同，一個用來執行預積分和位姿變換的優化，一個用來更新最新imu狀態

如果沒有發生過優化 則 retur，doneFirstOpt這個標志位，在接受到幀間里程計信息后，則至為true，imuConverter函數在utility.h文件中

sensor_msgs::Imu imuConverter(const sensor_msgs::Imu& imu_in)    {        sensor_msgs::Imu imu_out = imu_in;        // rotate acceleration  //進行加速度坐標旋轉        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  // 進行陀螺儀坐標旋轉        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 // 進行姿態角坐標旋轉        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();        //檢測姿態數據是否正常        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;//返回變換后的imu數據    }};

進行加速度坐標旋轉、進行陀螺儀坐標旋轉、進行姿態角坐標旋轉、檢測姿態數據是否正常、返回變換后的imu數據

在進行加速度和陀螺儀變換的時候，使用的是extRot，該參數的根源來源于prams.yaml中

進行姿態角坐標旋轉，使用的是extQRPY，該參數的根源來源于prams.yaml中

所有終于明白為什么在配置文件中有兩個外參了！

imuHandler這個回調函數，先看到這部分，后面的之后再看，需要回到上面的IMUPreintegration的構造函數，看訂閱到幀間里程計信息做了哪些事情。

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

訂閱雷達里程計信息，lio_sam/mapping/odometry_incremental 是mapOptmization發出的，odometryHandler回調函數，走起

double currentCorrectionTime = ROS_TIME(odomMsg);

通過ROS_TIME函數把消息中的時間戳取了出來

if (imuQueOpt.empty())            return;

保證imu隊列中有數據

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;

通過里程計話題獲得位置信息 四元數 獲得雷達里程計位姿

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

該位姿是否出現退化 pose.covariance[0] 為1 則 雷達里程計有退化風險，該幀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));

把位姿轉成 gtsam的格式，進入系統的初始化，下面部分僅執行一次

resetOptimization();

在函數內部 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;            }

將這個雷達里程計之前的imu信息全部扔掉，整個LIO-SAM中作者對時間同步這塊的思想都是這樣的，保證imu與odometry消息時間同步 因為imu是高頻數據所以這是必要的

prevPose_ = lidarPose.compose(lidar2Imu);

將lidar的位姿移到imu坐標系下，lidar2Imu 是lidar到imu的外參，compose是gtsam的一個功能函數，VIO和LIO的框架都在在IMU坐標系下進行的

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

設置其初始位姿和置信度，約束加入到因子中

• gtsam::PriorFactor 模塊涉及到的變量結點
• 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

以上也是預積分模型中涉及到的三種狀態變量

gtsam::PriorFactor 為先驗因子，表示對某個狀態量T的一個先驗估計，約束某個狀態變量的狀態不會離該先驗值過遠。

其中的X(0)的，初始定義如下。事先的符號

priorPoseNoise 是先驗位姿的噪聲，該值為

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 設置 比較高 后面構成協方差矩陣 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);

和上面位姿基本一樣初始化速度，這里直接賦 0 了，將速度約束加到因子圖中，其中priorVelNoise 速度的噪聲是

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

初始化速度 置信度 設置 差些 因為速度一開始設置的是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 ，將零偏約束加到因子圖中，gtsam::imuBias::ConstantBias()是gtsam做好的一個imu零偏，其中都是0，所以對應bias的噪聲置信度也要設置的高些

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

以上把約束加入完畢，下面就開始添加狀態量

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

給各個狀態量賦成初始值

optimizer.update(graphFactors, graphValues);

約束和狀態量更新 進isam優化器

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

進優化器之后 保存約束和狀態量的變量就清零

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

預積分的接口，使用初始零偏進行初始化 之前imu有兩個隊列，每個隊列對應預積分處理器

key = 1;
            systemInitialized = true;//系統初始化完成
            return;

系統初始化完成