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)
22.IMU和里程计融合
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

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
22.IMU和里程计融合

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