浅谈VIO之IMU预积分（还是刚入门时的想法）

        涉及到传感器数据处理，目前给我最大的一个感受就是，原本连续的随机变量服从一个分布，这个分布是我们所知道的，但是离散化之后，这个随机变量仍然是个随机变量，但是其均值和方差可能会改变，并且跟离散化时的采样频率有关系，我们要做的工作就是：利用已知的连续的随机变量的一阶矩、二阶矩，把带有离散特性的随机变量的一阶矩、二阶矩估计出来。        

        要具体了解IMU预积分是怎么做的，具体是个啥，理论推导是什么，记录一下还没有看懂IMU与预积分时的我的内心想法。

---

        一旦涉及到残差函数，我们要明确的一点就是，残差函数绝对是用来构成反向传播的增量的，残差越大，意味着反向传播的增量越大，更新量也越大；但是这一切的一切，都有一个前提条件，那就是，你这个残差计算是绝对正确的，如果不正确，那么就很可能产生错误的更新量；因此，为了衡量这个正确性，那么这个残差绝对是服从某个分布的随机变量，一般而言是高斯分布，这个时候就加入方差的倒数来衡量，如果方差大，方差的倒数就很小，即使是乘以大的残差，二者也不会大到哪去，也就意味着我对这个残差不太信任，反之则意味着我对这个残差比较信任，因此，核心的一点工作就是要确定作为随机变量残差的二阶中心矩-方差。

---

        目前在VIO的残差函数里面有一个先验项暂时不知道是什么何方神圣。

        VIO残差函数主要是估计状态量