多雷达系统，在颠簸环境下，有什么问题：
- dalio method problem:imu不准导致去畸变不准，导致估计不准。
- single lidar method like point lio:too linear，计算量大
- multi lidar:多个雷达之间的外参并不long time consistent，在颠簸环境内尤其严重
所以：
- 我们用adaptive state Augmentation来建模机器的连续运动，这样的话，就是用连续多段的连续运动建模的雷达位姿，同时，状态更新一直都是并行的，所以计算效率很高。
- 我们把这种adaptive state augmentation的方法拓展到多雷达，同时也就解决的多雷达系统中，多个雷达之间的外参围绕固定外参波动的问题。
- 同时，这种方法也可以拓展到纯ml系统上，不通过imu来判断是否做state augmentation，而是通过估计的速度的导数或者角速度的导数。
- 同时，我们引入了一种新的评估方法，来评估局部建图的效果是否稳定，也就是通过局部地面分割来判断。
那这个系统就这样设计：
不需要复杂的建模两个雷达之间外参的扰动，而是把这个扰动放在state augmentation中一起解决。
如果是多imu，我们就用imu融合的方法来claim自己能消除噪声，直接做多imu的融合。（参考mimc）
如果是单imu，也无所谓，甚至在雷达和imu之间存在较大位姿差距的时候，同样可以使用，因为imu只是提供了一个先验。同样，这个也可以解决imu超量程的问题。
如果没有imu，也无所谓。
对于地图，我觉得也可以写进来，就写成voxelmap+这种感觉。我们可以先射箭后画靶，就说一下voxelmap在杂乱崎岖环境可能拟合不出平面，所以要保留一些点来做拟合。这部分不需要花太多的精力来写。
我觉得我们还是要在最sota的方法上来开发我们的方法，所以，对于voxelmap里，关于点的噪声建模，我在考虑要不要加回来。对于voxelmap的持续拟合的功能，我觉得一定要加回来。这个如果到时候发现耗时不合适，就把持续拟合的次数搞少一些就行了。
实验
数据集：
对比方法：m-loam（jianhao jiao，https://github.com/gogojjh/M-LOAM），d loam（https://arxiv.org/pdf/2007.01483，本实验室，https://github.com/hku-mars/decentralized_loam），但是这些都是没有imu的。https://github.com/shenhm516/CTE-MLO
有imu的：https://github.com/minwoo0611/MA-LIO，https://github.com/engcang/FAST_LIO_MULTI这个不是文章，是网上的实现。
可以看一下ma lio里面是怎么进行对比评估的，因为他里面也比较了m loam，可以学习学习他是怎么讲故事的。
cte lio里面比较的方法不多，可以看看方法和消融实验怎么做的，评估一下基于连续时间的方法和我们的方法之间的差异。
自己采集的数据集：我反而觉得这一部分应该占大头，因为我们的靶子就是多雷达系统+很颠簸的环境，所以自己采集的数据集很重要。然后，要说我们在运行的时候，发现对于评估地面机器人的可通过性，比看回环指标更加的重要，因为回环指标可能受地图影响较大，但是真正用来评估地面是不是可通行的，还是要看局部的点云。所以我们就引入了一种新的评估方法来评估我们的效果。也就是用地面分割的算法来评估我的方法。这部分可以让qingbo提供个评分接口，或者我们再讨论一下。
这里的写法，应该是数据集作为一部分，然后定性分析我们的数据以及评估方法是另一个部分。数据集部分就用传统的里程计对比方法，耗时，rmse，e2e等。
haoda 