相当于IMU ,GPS，气压计这些都是作为观测器，起修正作用，可以建立观测方程。
视觉里程计好像也是的。视觉里程计的频率也是低于IMU的，所以我有个疑问来了，视觉里程计和IMU的融合是不是和GPS和IMU的融合比较类似？当然是基于滤波的融合，不是基于优化的话。以前的基于EKF的VSLAM是不是这种思路？
VSLAM里面观察到特征点也应该是一种观测，就像高翔这里说的，
一种是蒙着眼睛走路，一种是走记录睁开眼睛看一下，这看一下就是观测，这走几步可以看做IMU的积分，所以怪不得SLAM讲IMU预积分！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！
这视觉里程计就相当于对IMU的观测。对IMU的修正，基于这个原理自己都可以写出一个VSLAM了。这种理清本质的感觉还是挺好的。感觉多传感器融合 SLAM本质就是一家啊。所以啊我现在感觉会VSLAM的人自然也会多传感器融合。多传感器融合有滤波和优化，SLAM后端也是的，对不对。
https://blog.csdn.net/sinat_16643223/article/details/119631878
https://blog.csdn.net/sinat_16643223/article/details/119566929
https://blog.csdn.net/u011992534/article/details/78257684
https://zhuanlan.zhihu.com/p/60207971
一个叫预测阶段，一个叫更新阶段，似乎卡尔曼滤波就是这样子的啊
https://blog.csdn.net/sinat_16643223/article/details/118873863
可以看到王龙写GPS水平融合IMU本质和告诉气压计融合IMU一样，他说只不过把观测期间转换成了GPS
https://blog.csdn.net/wkdwl/article/details/52203099?spm=1001.2014.3001.5501
现在看这篇文档就看得懂了
GPS ，气压计，光流，都是作为观测进行更新的。看来写个光流惯导的融合也不难？和GPS和惯导的融合差不多？
这里面说的传播应该是指预测阶段，更新就是指更新阶段。预测阶段基本是靠IMU。
EKF2_AID_MASK不是有很多个选项可以选择融么，PX4应该是有一个融合框架，或者提前写好了
有必要把PX4的EKF2弄明白
高度也是的，现在知道为什么参数名称里面有一个EKF2了！！！！
还是说像那个做多传感器融合什么EKF框架的一个什么一样？
多传感器卡尔曼融合框架 Ethzasl MSF Framework
PX4用户指南有EKF2这方面的说明，还是讲得非常详细的。
http://docs.px4.io/master/zh/advanced_config/tuning_the_ecl_ekf.html
这篇博文写的就符合我用卡尔曼滤波的思想来理解SLAM，来做SLAM。
https://blog.csdn.net/tiancailx/article/details/78789253
https://zhuanlan.zhihu.com/p/45207081
看了下《概率机器人》里面确实有一节说 通用EKF SLAM算法
这种打通让人感受到一种美
之前看过的种种东西现在都联系到了一起，成为一体。
我记得之前见过一个人写的一篇博客，写的他对SLAM的理解，本质是什么，现在很想找出来看看。