结语：
“传感器融合”现在显然只是一个过程，即获取所有这些输入，并将它们连接到类似Kalman滤波器的东西上。请注意，我们想知道的是“真相数据”，不是我们的任何传感器直接测量的，“真相数据”是可以推断出来的。
Kalman滤波器之外的逻辑阶段是隐马尔可夫模型（HMMs），我们通过说有一个称为垂直高度的“隐藏”属性来调用它，而我们并没有直接观察到它（尽管有许多测量结果间接地表明了它是什么）。在收集了足够的证据之后，尽管样本数据很嘈杂，我们还是可以非常确定答案的真实性。
当你把所有的传感器数据拉到你的主微控制器里，然后在那里做数学运算，但是要非常小心时间混叠效应。如果一个传感器的时间相对于其他传感器偏移，那么融合结果会以奇怪的方式输出。
想一想，如果你有一个传感器块，你滑过一张桌子，但在一半的时候，你将它翻转90度。
IMU应该看到“侧向滑动，旋转90度，向上滑动”——将其整合到空间中的真实位置，你应该得到一条平坦的直线。但如果“翻转90”陀螺仪信号延迟（或只是时间戳不好），则加速度计矢量不会在每一瞬间都正确地旋转回工作台的平面上，当运动“泄漏”到错误的轴上时，会有一些垂直漂移。不是因为传感器的任何误差，而是纯粹因为处理顺序。
这就是为什么有些厂商做IMU要做全产线。陀螺仪和加速度计和外部磁强计都自己做，以保证时间不混叠。融合后，IMU向微控制器报告一个理想化的运动矢量，从而得到更一致的结果。当然，总有一个折衷：融合的运动更新（至少对于这个芯片来说）比原始值来得慢。
如果你认为控制过滤器过于复杂，更相信原始传感器，那么大可不必做融合。但如果你想要的是精确（或者你只关心最终答案），那就让芯片为你融合吧。
