目录
1 安装im_utils
这个工具之前就使用过了，还写了博客，没想到在这里用上了，博客地址：https://blog.csdn.net/learning_tortosie/article/details/89878769 ，现直接搬运到这里。
imu_utils是一个用于分析IMU性能的ROS工具包。
1.1 安装
首先，安装依赖：
sudo apt-get install libdw-dev
作者在README.md中的编译步骤为：
- download required code_utils;
- put the ROS package imu_utils and code_utils into your workspace, usually named catkin_ws;
- cd to your workspace, build with catkin_make;
但是，如果这样操作，会编译出错。查了一下，需要先编译code_utils，然后再编译imu_utils，不能同时编译，应该是依赖问题。
正确的编译步骤：
mkdir -p imu-calibration/src
cd imu-calibration/src
git clone https://github.com/gaowenliang/code_utils.git
cd ..
catkin_make
cd imu-calibration/src
git clone https://github.com/gaowenliang/imu_utils.git
cd ..
catkin_make
1.2 可能出现的Error
当然，还有可能遇到一些错误。
错误1：找不到Eigen
我们一般通过以下命令安装Eigen：
sudo apt-get install libeigen3-dev
这样Eigen就默认安装在/usr/include/eigen3，需要在/home/jlg/imu-calibration/src/code_utils/CMakeLists.txt中注释掉find_package(Eigen3 REQUIRED)，然后添加：
include_directories(/usr/include/eigen3)
错误2：找不到backward.hpp
atal error: backward.hpp: No such file or directory
把文件code_utils/src/sumpixel_test.cpp中的#include "backward.hpp"改成#include "code_utils/backward.hpp"即可。
错误3：std::ofstream未定义
/home/***/imu-calibration/src/imu_utils/src/imu_an.cpp:69:19: error: aggregate ‘std::ofstream out_t’ has incomplete type and cannot be defined
打开文件imu_utils/src/imu_an.cpp，添加：
#include <fstream>
1.3 运行
1.采集IMU数据
在 IMU 静止时收集数据，持续两小时。
2.播放数据
rosbag play -r 200 imu_A3.bag
作者提供了5个IMU数据集，可以先测试一下。
3.启动节点
roslaunch imu_utils A3.launch
注意launch文件：
<launch>
<node pkg="imu_utils" type="imu_an" name="imu_an" output="screen">
<param name="imu_topic" type="string" value= "/djiros/imu"/>
<param name="imu_name" type="string" value= "A3"/>
<param name="data_save_path" type="string" value= "$(find imu_utils)/data/"/>
<param name="max_time_min" type="int" value= "120"/>
<param name="max_cluster" type="int" value= "100"/>
</node>
</launch>
要根据自己的IMU，修改imu_topic 和imu_name。
4.样例
我使用的imu_16448.bag，结果保存在imu_utils/data/16448_imu_param.yaml，对于其他 txt 文件，可以用imu_utils/scripts中的Matlab脚本绘图。
%YAML:1.0
type: IMU
name: “16448”
Gyr:
unit: rad/s
avg-axis:
gyr_n: 2.5540703819967830e-03
gyr_w: 7.3979547257109791e-05
x-axis:
gyr_n: 2.5732073264841159e-03
gyr_w: 7.9169715719978401e-05
y-axis:
gyr_n: 2.5490825380843534e-03
gyr_w: 6.8388779942953886e-05
z-axis:
gyr_n: 2.5399212814218798e-03
gyr_w: 7.4380146108397072e-05
Acc:
unit: " m/s^2"
avg-axis:
acc_n: 2.7851422418165215e-02
acc_w: 1.2053367145964710e-03
x-axis:
acc_n: 2.6671201438493906e-02
acc_w: 9.3260697511083528e-04
y-axis:
acc_n: 3.2016249942269592e-02
acc_w: 1.8349143250976515e-03
z-axis:
acc_n: 2.4866815873732146e-02
acc_w: 8.4848884358092636e-04
1.4 参考资料
- Allan Variance: Noise Analysis for Gyroscopes
- vectornav gyroscope
- An introduction to inertial navigation
2 编译vio_data_simulation-master
vio_data_simulation-master是一个Cmake工程，按套路操作就好。
cd vio_data_simulation-master
mkdir build
cd build
camke ..
make
cd ../bin
./data_gen
此时，在vio_data_simulation-master/bin目录下会生成一些txt文件，我们需要的是imu_pose.txt和imu_int_pose.txt，然后用Python的matplotlib绘图。
cd ../python_tool
python draw_trajctory.py
说明
imu_pose.txt是由给定的轨迹方程和欧拉角，生成IMU的pose，imu_int_pose.txt是由给定的轨迹得到速度和加速度，再根据欧拉法和中值法得到IMU的pose，通过比较两个pose，可以得到欧拉法和中值法的效果。
2.1 欧拉法
（1）公式
（2）轨迹对比图
2.2 中值积分法
（1）公式
（2）代码
（3）轨迹对比图
对比：目测中值法比欧拉法精度高。
3 编译vio_data_simulation-ros_version
3.1 编译
mkdir -p catkin_ws_vio_data_simulation-ros_version/src
cp vio_data_simulation-ros_version catkin_ws_vio_data_simulation-ros_version/src
cd catkin_ws_vio_data_simulation-ros_version
catkin_make
3.2 生成imu.bag
首先，打开catkin_ws_vio_data_simulation/src/vio_data_simulation-ros_version/src/gener_alldata.cpp，设置imu.bag的存储路径。
bag.open("/your-path/imu.bag", rosbag::bagmode::Write);
然后，启动节点，生成imu.bag。
source devel/setup.bash
rosrun vio_data_simulation vio_data_simulation_node
3.3 使用imu_utils标定IMU的白噪声和零偏不稳定性
执行以下命令可知imu.bag的topic为imu。
rosbag info imu.bag
path: imu.bag
version: 2.0
duration: 3hr 59:59s (14399s)
start: Jun 23 2019 19:46:01.57 (1561290361.57)
end: Jun 23 2019 23:46:01.57 (1561304761.57)
size: 1.0 GB
messages: 2880001
compression: none [1344/1344 chunks]
types: sensor_msgs/Imu\ [6a62c6daae103f4ff57a132d6f95cec2]
topics: imu 2880001 msgs : sensor_msgs/Imu
方便起见，可以直接使用imu_utils/launch/16448.launch，然后将imu_topic改为imu，将imu_name改为mems。
roslaunch imu_utils mems.launch
播放数据：
rosbag play imu.bag
一段时间后，在imu_utils/data下会生成一些txt文件和yaml文件。
其中，mems_imu_param.yaml为：
%YAML:1.0
type: IMU
name: mems
Gyr:
unit: rad/s
avg-axis:
gyr_n: 2.0890432536871339e-01
gyr_w: 1.0350659865036070e-03
x-axis:
gyr_n: 2.1267688959379552e-01
gyr_w: 9.9416942028848852e-04
y-axis:
gyr_n: 2.0914260308003346e-01
gyr_w: 1.1582639020507859e-03
z-axis:
gyr_n: 2.0489348343231117e-01
gyr_w: 9.5276463717154658e-04
Acc:
unit: " m/s^2"
avg-axis:
acc_n: 2.6687745286836656e-01
acc_w: 3.5593223039378573e-03
x-axis:
acc_n: 2.6424317346164494e-01
acc_w: 4.2147930911496092e-03
y-axis:
acc_n: 2.7021759937094070e-01
acc_w: 3.1101473189795565e-03
z-axis:
acc_n: 2.6617158577251410e-01
acc_w: 3.3530265016844057e-03
修改imu_utils/scripts/draw_allan.m中txt文件的路径，然后使用Matlab运行。
（1）陀螺仪的艾伦方差曲线如下：
分析：陀螺仪的高斯白噪声比较准确，但bias随机游走噪声与设定值相差两个数量级，不清楚原因，可能是imu_utlis自身的问题。后面会用kalibr_allan工具标定一下。
（2）加速度的艾伦方差曲线如下：
分析：加速度计的高斯白噪声和bias随机游走噪声比较准确。
PS：刚发现，Sigma单位应为：m/s^2，这里先不改了，原谅我偷下懒。
4 总结
由于时间精力有限：
- 没有测试kalibr_allan工具（https://github.com/rpng/kalibr_allan）的性能
- 没有做提升作业
- 对艾伦方差的理解还不够深入