在livox的ROS驱动包中，将Mid-360的点云数据。

输入是经过配准的 LiDAR 帧，首先将其积累成子地图。然后，从子地图中提取关键点，并将其编码为二进制描述子和三角形描述子。这两种描述子结合起来形成二进制三角形组合（BTC）描述子，随后从描述子数据库中查询以检索固定数量的候选子地图。在候选池中，通过二进制描述子匹配和几何验证选择最合适的子地图，并计算出 6 自由度的位姿。一旦结果获得，当前的 BTC 描述子将被添加到数据库中以备将来使用。BTC是

VINS最后一个节点 pose_graph 是和回环检测相关内容。节点订阅 图像话题 和 vins_estimator节点发布的话题。1.ros初始化、设置句柄；2.创建一些publisher；3.从launch文件读取参数和参数文件config中的参数；4.回环检测下的处理，如从yaml文件读取参数、读取训练好的二进制词袋、描述子pattern、如果需要加载离线地图及对应的处理；5.订阅七个话题

opencv自带程序：建立一个绕某一圆心做匀速圆周运动的小球，但是实际中它会受到系统噪声影响从而其角度和角速度有所变化，通过带有噪声的观测值（真实值+观测噪声）和匀速运动模型的预测值为输入使用KF得到估计值。原有的代码中比较的是真实值与预测值、真实值与观测值的偏差，没有用到估计值，因此我在上述代码中加入了真实值与估计值的比较。在更新阶段，滤波器利用对当前状态的观测值优化在预测阶段获得的预测值，以获

使用scan context只需要调用这两个函数即可。以当前帧寻找回环帧举例说明。

在中总结了ikd-tree的优点。相比kd-tree，实现了增量更新（插入和删除）。Build()根据代码，开始的是是空的用每个点对应的世界系坐标构造类似于pcl的setInputCloud()1.3删除一个节点时，先将其标记为删除，被标记为删除的节点在 kNN 搜索时会被跳过，但在树形结构中它还是存在的。只有当tree结构被彻底重构时，才会借机真的把这些节点从tree结构中删除。类似于PCL的n

发布去畸变点云(点是世界坐标系)；发布去畸变点云(点是IMU坐标系)发布里程计话题：根据最新状态量的旋转R和平移获取数据，构成位姿；：省略了 ikd-tree底层代码的阅读，后续有时间再看。同样这部分原代码还是不好理解，参考简化代码的这个函数。5.当前点转到世界坐标系，插入ikd-tree。3.迭代卡尔曼滤波更新后，得到了。点云中每个点(世界坐标系)构建。，对应论文公式14、15。

专门用于处理传感器数据（如摄像头图像、激光雷达点云等）的。

实际使用的时候发现重定位对环境要求比较高，不能变动太大，否则很容易失败；efficient_online_segmentation 和 groundgrid；MARS实验室开源了两个回环检测方法STD、BTC（后者是前者的“升级”版本）。在LTA-OM中测试过，multi_session模式也就是重定位的时候，需要机器人（传感器）移动才能重定位成功；基于fast-lio2进行后端、回环和重定位的移

关于需要下载的环境和具体的包参考【①录制imu的rosbag②标定①连续时间②离散时间对于离散时间的白噪声= 连续时间的白噪声 * 频率的平方根对于离散时间的随机游走 = 连续时间的随机游走 / 频率的平方根使用imu_utils得到的白噪声(white_noise)和随机游走(random_walk)单位有问题，这些参数实际上是离散时间的，但认为是连续时间的。（参考【】中matrin的回复）。这