1、INS/GPS组合导航系统可以输出导航参数信息（），并且在导航过程精度高。(输出数据的意义是什么，PDR是步长 航向）
2.误差反馈系统
（1）在开环结构中，位置校正、速度校正和姿态校正均在INS外部完成，估计误差在每次迭代时从INS在这个过程中，误差和状态校正不会反馈INS系统。
(2)闭环结构，KF以反馈的形式对估计误差INS纠正误差估计反馈后，估计估计的位置、速度和姿势。kalman滤波估计的与通过每个周期的反馈，然后作用于计算系统模型。
3、采用基于最优估计方法，对GPS和INS集成定位导航信息可以获得可靠的导航解决方案。(卡尔曼滤波器，主要是的代码）
4、松耦合
为了提高导航精度，通常将与同时输入滤波器，、、也作为滤波器的输入，滤波器通过，建立以。利用这些误差，结果是速度、位置和姿态的组合导航。
开环时，可提供三个独立的导航结果(、原始GPS组合结果)，
闭环时，可提供两个独立的导航结果(原始导航结果)GPS、组合结果）
5、紧耦合
GPS的以及的测量 将与INS的进行 ，并将差值kalman用于滤波器。惯导系统的之后，得到组合导航的解决方案。
即使卫星少于4颗也可以进行，通过计算及与卫星融合也可以实现同时，在卫星失锁过程中，对接收器的目的进行，提高信号恢复后的计算效率。(修正目标时惯导的速度 位置 姿态角）
缺点：无法获得紧耦合结构的GPS导航结果
优点：精度，鲁棒性好
6、分析了、、对惯性导航系统误差的影响。
就是GPS经纬高误差(大地曲面误差) 东北天速误差（Ve Vn Vu沿地球系的速度误差) 姿态角误差(俯仰pitch、横滚roll、航向yaw） 加速度误差 角速度误差
--------------------------------------------------------------------------------------------------------------------------------
7、常见的对应关系有右(x)-前(y)-上(z)”、“前(x)-右(y)-下(z)”、“前(x)-左(y)-上(z)前两种更多地用于传统的组合导航领域种在该领域被广泛使用
8、INS和MEMS的关系
微惯性导航系统（Micro-，Micro-Inertial-Navigation System）简称微惯导微机电系统（, Micro-Electro-Mechanical System）微惯性导航系统。
是一种MEMS主要由三轴加速度计和三轴陀螺仪组成。
（INS）它是一种定位方法来自的与给定相比，确定车辆/机器人
9、研究方向
（1）卫导 惯导 视觉
（2）INS更好的是和（VIO）或（LiDAR）纯惯导的融合/补偿只有-INS的算法比较值得关注
（3）也有工业价值，但是，不适合科学研究，相对而言，融合之前反而比较难。
（4）
（5）如果能转CV（Computer Vision，计算机视觉专业)，DL(深度学习)更好，数学基础少，前景好。
（6）基本就不用考虑(机器学习/深度学习)，否则要考虑CV等等。导航方向基本上只是做能力涉及到这领域。
自主导航系统(引自:https://cloud.tencent.com/developer/article/1812407）
(1)自给式(即没有)GPS还可以计算车辆本身的位置)方法分为五种主要类型，即、、、和，以上分类主要是根据传感器的类型进行分类的里程计。
（2）也可以从滤波(卡尔曼)/优化(图优化)或紧密/松散耦合两个具体方面进行研究。是的主要方法，是的阶段
（3）的方法是基于安装在机器人上的来跟踪每个车轮的转数。转数被整合到一个车辆的中，以确定机器人相对于起始点的当前位置。
缺点：由于，轮速里程计系统在的地形和面上的性能较差
缺点：还存在位置漂移现象
（4）（IO）或（INS）是一种定位方法，它来自的来确定车辆/机器人相对于给定。使用对来自IMU传感器的测量值进行整合，以估计当前的。
缺点：不同来源的，例如陀螺仪测量和加速度计的恒定误差，这些系统存在问题
（5）基于的方法包括两个主要部分：步骤和步骤。此外，它们可以被视为，其中来自（例如IMU传感器）的用于计算的，而来自（例如摄像机）的用于。在基于滤波器的视觉惯性里程计中，车辆的（动态模型）是通过使用来自IMU传感器的来计算的。该动态模型用于步骤，以预测车辆的运动。此外，在步骤中，将关键信息（例如，从捕获的图像中提取的特征或像素强度）用作（模型）来更新预测。基于滤波框架的视觉惯性里程计可分为三类：扩展卡尔曼滤波器（EKF），多状态约束卡尔曼滤波器（MSCKF）和无迹卡尔曼滤波（UKF）。（先验分布的代码怎么写？构建似然函数的代码？）
11、惯性的问题（来自：https://zhuanlan.zhihu.com/p/113220754）
（1）IMU的推导，，
（2）基于的融合方法：滤波器的原理性推导，以及基于IMU误差模型的基本融合方法（ESKF）https://zhuanlan.zhihu.com/p/141403156
（3）基于的融合方法：图优化相关的介绍主要包括优化的基本原理、优化模型的搭建，以及在常见融合任务中优化方案的设计等等。https://zhuanlan.zhihu.com/p/144953557
融合就是使用多种传感器得到一个结果，这里面其实分三步，第一步是把建立出来，第二部是综合多种传感器建立一个），第三步是以目标为导向（让），寻找对应的最好位姿。（）
位姿图优化是把所有的放在，残差项是前面所讲的。在实际使用中，会被分配一个，也就是，它相当于对残差进行加权。
位姿图优化的思想是通过调整即)，使残差项的值最小化，这就需要用项对，才能使用高斯牛顿方法进行优化。按照高斯牛顿法的流程，需要对进行，即求。https://zhuanlan.zhihu.com/p/144954577
求雅可比的方式是对添加扰动，
融合方法比较：图优化，在运算资源相对充足的情况下，它的精度优势就充分地体现出来了。
滤波，在运算资源不是很充足的应用场景下，优化的方案无法运行，还只能是选择滤波的方法来做
（4）典型开源激光融合方案：由于当前和都各自遇到了一些挑战，即使是在融合了IMU等其他传感器的情况下也是这样，因此融合这两种最典型的传感器就是。
12、图优化讲解，SLAM必备的算法
https://blog.csdn.net/sinat_16643223/article/details/119538741
（1）g2o的C++库最常用
13、严老师的代码
（1）对PSINS算法的讲解？对照代码理解EKF的框架+P矩阵的设置+Q矩阵的设置？？
（2）对matlab代码转C++？？
（3）图优化算法应用于INS/GNSS的代码？
14、足部ZUPT的C代码优化