能够测量传感器本体的角速度和加速度，被认为与相机传感器具有明显的互补性，
  而且十分有潜力在融合之后得到更完善的SLAM系统。
  
  1、IMU虽然可以测得角速度和加速度，但这些量都存在明显的漂移（Drift），
     使得积分两次得到的位姿数据非常不可靠。
      好比说，我们将IMU放在桌上不动，用它的读数积分得到的位姿也会漂出十万八千里。
      但是，对于短时间内的快速运动，IMU能够提供一些较好的估计。
      这正是相机的弱点。
      当运动过快时，（卷帘快门的）相机会出现运动模糊，
      或者两帧之间重叠区域太少以至于无法进行特征匹配，
      所以纯视觉SLAM非常害怕快速的运动。
      而有了IMU，即使在相机数据无效的那段时间内，
      我们也能保持一个较好的位姿估计，这是纯视觉SLAM无法做到的。
      
  2、相比于IMU，相机数据基本不会有漂移。
     如果相机放在原地固定不动，那么（在静态场景下）视觉SLAM的位姿估计也是固定不动的。
     所以，
     相机数据可以有效地估计并修正IMU读数中的漂移，使得在慢速运动后的位姿估计依然有效。
     
  3、当图像发生变化时，本质上我们没法知道是相机自身发生了运动，
     还是外界条件发生了变化，所以纯视觉SLAM难以处理动态的障碍物。
     而IMU能够感受到自己的运动信息，从某种程度上减轻动态物体的影响。
     

  <<Google Cardbord的九轴融合算法>> <<Madgwick算法>>，<<互补滤波算法>>
  讨论的都是在SO3上的传感器融合，
  即，输出的只是纯旋转的姿态。
  只有旋转，而没有位移，也就是目前的一些普通的VR盒子的效果。 
  
  后面 imu+相机的融合是，在SE3上面的传感器融合，在既有旋转又有位移的情况下，该如何对多传感器进行融合。