IKFoM 开源项目下载与安装教程

1. 项目介绍

IKFoM（Iterated Kalman Filters on Manifolds）是一个计算效率高且使用方便的工具包，用于在各类机器人系统上部署迭代卡尔曼滤波器，尤其是操作在高维流形上的系统。它实现了一种嵌入流形的卡尔曼滤波器，能够将流形结构从系统描述中分离出来，仅需以标准形式定义系统并相应调用步骤即可使用。当前实现支持流形上系统的完整迭代卡尔曼滤波，以及其任一流形子集，必要时还可以扩展到其他类型的流形。

2. 项目下载位置

项目托管在 GitHub 上，您可以通过以下地址进行下载：

https://github.com/hku-mars/IKFoM.git

3. 项目安装环境配置

在开始安装之前，请确保您的系统中已经安装了以下依赖：

• Eigen（版本 >= 3.4）
• Boost（版本 >= 1.65）

以下为环境配置的示例图片：

Eigen 安装示例

Boost 安装示例

注意：以上图片仅为示例，实际安装过程请参考各自软件的官方文档。

4. 项目安装方式

1. 克隆项目到本地：

git clone https://github.com/hku-mars/IKFoM.git

2. 进入项目目录，编译项目：

cd IKFoM
mkdir build && cd build
cmake ..
make

3. 编译完成后，您可以根据需要将编译生成的库文件链接到您的项目中。

5. 项目处理脚本

具体的项目处理脚本和示例代码，请参考项目中的 README.md 文件和相关文档。以下是项目中的一个基本使用示例：

// 选择和实例化基本流形
typedef MTK::SO3<double> SO3;  // 变量的标量类型：double
typedef MTK::vect<3, double> vect3;  // 定义欧拉变量的维度：3

// 构建系统状态、输入和测量的复合流形
MTK_BUILD_MANIFOLD(state, ((vect3 pos)) ((vect3 vel)) ((SO3 rot)) ... );

// 实现状态向量和状态向量的微分
Eigen::Matrix<double, state_length, 1> f(state &s, const input &i) {
    // 实现状态向量
}

Eigen::Matrix<double, state_length, state_dof> df_dx(state &s, const input &i) {
    // 实现状态向量的微分
}

// 实现输出方程和输出方程的微分
measurement h(state &s, bool &valid) {
    // 实现输出方程
}

Eigen::Matrix<double, measurement_dof, state_dof> dh_dx(state &s, bool &valid) {
    // 实现输出方程的微分
}

// 初始化 ESEKF 对象并传递定义的模型
esekf<state, process_noise_dof, input, measurement, measurement_noise_dof> kf;
kf.init(f, df_dx, df_dw, h, dh_dx, dh_dv, Maximum_iter, epsi);

// 运行时的预测和更新
kf.predict(dt, Q, in);
kf.update_iterated(z, R);

请根据具体需求调整上述代码，并参考项目文档进行详细配置和使用。