1.概述

实际使用中会出现轮子打滑和累计误差的情况，这里单单使用编码器得到里程计会出现一定的偏差，虽然激光雷达会纠正，但一个准确的里程对这个系统还是较为重要

2.IMU数据获取

IMU即为 惯性测量单元，一般包含了三个单轴的加速度计和三个单轴的陀螺仪，简单理解通过加速度二次积分就可以得到位移信息、通过角速度积分就可以得到三个角度，实时要比这个复杂许多

2.1 PIBOT IMU

PIBOT在嵌入式程序提供出原始的数据接口，通过配置可以输出原始raw_imu topic，

raw_imu
该topic类型为自定义具体如下，即为三轴加速度三轴陀螺仪和三轴磁力计的原始数据
raw_imu
raw_imu

通过对原始数据处理得到一个/imu/data_raw数据类型为sensor_msgs/Imu，

通过ROS提供的相关包imu_tools进行滤波
可以看到complementary_filter_gain_node会订阅该topic，即该topic作为输入滤波得到最终数据(发布/imu/data topic 类型同样为sensor_msgs/Imu)

输出该topic可以看到得到的值波动已经较小了，且静止的时候接近于0
/imu/data

3.两种融合的方法

3.1 一种简单的方法

从imu得到的数据为一个相对角度(主要使用yaw，roll和pitch 后面不会使用到)，使用该角度来替代由编码器计算得到的角度。
这个方法较为简单，出现打滑时候因yaw不会受到影响，即使你抬起机器人转动一定的角度，得到的里程也能正确反映出来

3.2 扩展的卡尔曼滤波

官方提供了个扩展的卡尔曼滤波的包robot_pose_ekf，robot_pose_ekf开启扩展卡尔曼滤波器生成机器人姿态，支持

• odom（编码器）
• imu_data（IMU）
• vo（视觉里程计）
  还可以支持GPS
  引用官方图片
  
  PR2从实际初始点(绿色)溜达一圈回到初始点(绿色)，编码器的里程(蓝色)发生了漂移，而使用robot_pose_ekf融合出来的里程(红色)则跟实际位置基本重合(后面我们会针对这个测试下效果)

中间的圆是小圆放大的展示效果

再回去看下该包的输出

• 发布一个topic， 类型需要注意下是PoseWithCovarianceStamped并非Odometry
  后面会用到这个作为显示，所以还需要一个转换
  

  
  查看该topic信息可以看到odom_ekf订阅了该topic
  再次查看该节点信息可以看到
  ，他会发出一个Odometry的topic

• 发出一个tf

在robot_pose_ekf配置时，做了些映射处理，这样可以保证导航层在使用和不用imu的时候无需修改就可以工作

bringup.lauch或者bringup_with_imu.launch 输出的tf都为odom → base_footprint ;发出的里程也都是odom
bringup_with_imu.launch轮子的里程topic 映射为wheel_odom

这里很重要，后面的对该包的验证会使用到

下2张图展示了未使用IMU和使用IMU时候的tf tree情况, 可以看到用了一致的frame

no imu
use imu