#include <cmath>
#include <math.h>
#include <deque>
#include <mutex>
#include <thread>
#include <fstream>
#include <csignal>
#include <ros/ros.h>
#include <so3_math.h>
#include <Eigen/Eigen>
#include <common_lib.h>
#include <pcl/common/io.h>
#include <pcl/point_cloud.h>
#include <pcl/point_types.h>
#include <condition_variable>
#include <nav_msgs/Odometry.h>
#include <pcl/common/transforms.h>
#include <pcl/kdtree/kdtree_flann.h>
#include <tf/transform_broadcaster.h>
#include <eigen_conversions/eigen_msg.h>
#include <pcl_conversions/pcl_conversions.h>
#include <sensor_msgs/Imu.h>
#include <sensor_msgs/PointCloud2.h>
#include <geometry_msgs/Vector3.h>
#include "use-ikfom.hpp"

/// *************Preconfiguration

/**
 * 定义 MAX_INI_COUNT 常量为 20
 */
#define MAX_INI_COUNT (20)

/**
 * 比较两个 PointType 类型的对象的曲率值，按升序排列
 * @param x PointType 类型的对象
 * @param y PointType 类型的对象
 * @return 返回比较结果，如果 x 的曲率小于 y 的曲率，返回 true，否则返回 false
 */
const bool time_list(PointType &x, PointType &y) {return (x.curvature < y.curvature);}; 


/// *************IMU Process and undistortion
class ImuProcess
{
 public:
  EIGEN_MAKE_ALIGNED_OPERATOR_NEW

  ImuProcess();  // 构造函数
  ~ImuProcess();  // 析构函数
  
  void Reset();  // 复位函数
  void Reset(double start_timestamp, const sensor_msgs::ImuConstPtr &lastimu);  // 复位函数，带有起始时间戳和上一个IMU的指针参数
  void set_extrinsic(const V3D &transl, const M3D &rot);  // 设置外参，包括平移和旋转矩阵
  void set_extrinsic(const V3D &transl);  // 设置外参，仅包括平移
  void set_extrinsic(const MD(4,4) &T);  // 设置外参，包括齐次变换矩阵
  void set_gyr_cov(const V3D &scaler);  // 设置角速度测量噪声的方差
  void set_acc_cov(const V3D &scaler);  // 设置加速度测量噪声的方差
  void set_gyr_bias_cov(const V3D &b_g);  // 设置角速度Bias噪声的方差
  void set_acc_bias_cov(const V3D &b_a);  // 设置加速度Bias噪声的方差
  Eigen::Matrix<double, 12, 12> Q;  // 12x12的协方差矩阵
  void Process(const MeasureGroup &meas,  esekfom::esekf<state_ikfom, 12, input_ikfom> &kf_state, PointCloudXYZI::Ptr pcl_un_);  // IMU处理函数

  ofstream fout_imu;  // 输出文件流
  V3D cov_acc;  // 加速度噪声方差
  V3D cov_gyr;  // 角速度噪声方差
  V3D cov_acc_scale;  // 加速度scale噪声方差
  V3D cov_gyr_scale;  // 角速度scale噪声方差
  V3D cov_bias_gyr;  // 角速度Bias噪声方差
  V3D cov_bias_acc;  // 加速度Bias噪声方差
  double first_lidar_time;  // 第一个激光雷达时间戳


 // 声明私有成员函数
private:
  // IMU初始化函数
  void IMU_init(const MeasureGroup &meas, esekfom::esekf<state_ikfom, 12, input_ikfom> &kf_state, int &N);
  // 去除点云畸变函数
  void UndistortPcl(const MeasureGroup &meas, esekfom::esekf<state_ikfom, 12, input_ikfom> &kf_state, PointCloudXYZI &pcl_in_out);
  
  // 点云数据成员指针
  PointCloudXYZI::Ptr cur_pcl_un_;
  // 上一个IMU数据成员指针
  sensor_msgs::ImuConstPtr last_imu_;
  // IMU数据成员双端队列
  deque<sensor_msgs::ImuConstPtr> v_imu_;
  // IMU位姿数据存储向量
  vector<Pose6D> IMUpose;
  // 点云旋转矩阵存储向量
  vector<M3D>    v_rot_pcl_;
  // 相对于IMU坐标系的激光雷达旋转矩阵
  M3D Lidar_R_wrt_IMU;
  // 相对于IMU坐标系的激光雷达位置向量
  V3D Lidar_T_wrt_IMU;
  // IMU加速度均值向量
  V3D mean_acc;
  // IMU陀螺仪均值向量
  V3D mean_gyr;
  // 上一个时刻的角速度向量
  V3D angvel_last;
  // 上一个时刻的加速度向量
  V3D acc_s_last;
  // 初始时间戳
  double start_timestamp_;
  // 上一个激光雷达结束时间
  double last_lidar_end_time_;
  // 初始化迭代次数
  int init_iter_num = 1;
  // 是否是第一帧数据
  bool b_first_frame_ = true;
  // 是否需要IMU初始化
  bool imu_need_init_ = true;
}; 


ImuProcess::ImuProcess()  //定义ImuProcess的构造函数
    : b_first_frame_(true), imu_need_init_(true), start_timestamp_(-1) //成员变量初始化
{
  init_iter_num = 1;  //初始化参数
  Q = process_noise_cov(); //初始化噪声矩阵Q
  cov_acc = V3D(0.1, 0.1, 0.1); //初始化加速度计噪声协方差
  cov_gyr = V3D(0.1, 0.1, 0.1); //初始化陀螺仪噪声协方差
  cov_bias_gyr = V3D(0.0001, 0.0001, 0.0001); //初始化陀螺仪偏置噪声协方差
  cov_bias_acc = V3D(0.0001, 0.0001, 0.0001); //初始化加速度计偏置噪声协方差
  mean_acc = V3D(0, 0, -1.0); //初始化加速度计均值
  mean_gyr = V3D(0, 0, 0); //初始化陀螺仪均值
  angvel_last = Zero3d; //设置上一个角速度为零向量
  Lidar_T_wrt_IMU = Zero3d; //设置Lidar_T_wrt_IMU为零向量
  Lidar_R_wrt_IMU = Eye3d; //设置Lidar_R_wrt_IMU为单位矩阵
  last_imu_.reset(new sensor_msgs::Imu()); //将last_imu_初始化为一个新的sensor_msgs::Imu指针
} 

ImuProcess::~ImuProcess() {} //析构函数，释放对象时调用

void ImuProcess::Reset() 
{
  // ROS_WARN("Reset ImuProcess"); //注释掉的代码，不会被执行，ROS_WARN是输出警告信息的函数
  mean_acc      = V3D(0, 0, -1.0); //将均值加速度重置为(0, 0, -1.0)
  mean_gyr      = V3D(0, 0, 0);    //将均值陀螺仪重置为(0, 0, 0)
  angvel_last       = Zero3d;  //将上一个角速度值重置为0
  imu_need_init_    = true;    //需要初始化IMU
  start_timestamp_  = -1;      //起始时间戳为-1
  init_iter_num     = 1;       //初始化迭代次数为1
  v_imu_.clear();              //清空imu数据
  IMUpose.clear();             //清空imu位姿数据
  last_imu_.reset(new sensor_msgs::Imu()); //将上一个IMU数据重置为新的sensor_msgs::Imu对象
  cur_pcl_un_.reset(new PointCloudXYZI()); //将当前点云数据重置为新的PointCloudXYZI对象
}


void ImuProcess::set_extrinsic(const MD(4,4) &T)
{
  // 设置激光雷达相对于IMU的平移向量
  Lidar_T_wrt_IMU = T.block<3,1>(0,3);
  // 设置激光雷达相对于IMU的旋转矩阵
  Lidar_R_wrt_IMU = T.block<3,3>(0,0);
}

void ImuProcess::set_extrinsic(const V3D &transl)
{
  // 设置激光雷达相对于IMU的平移向量
  Lidar_T_wrt_IMU = transl;
  // 设置激光雷达相对于IMU的旋转矩阵为单位矩阵
  Lidar_R_wrt_IMU.setIdentity();
}

void ImuProcess::set_extrinsic(const V3D &transl, const M3D &rot)
{
  // 设置激光雷达相对于IMU的平移向量
  Lidar_T_wrt_IMU = transl;
  // 设置激光雷达相对于IMU的旋转矩阵
  Lidar_R_wrt_IMU = rot;
}

void ImuProcess::set_gyr_cov(const V3D &scaler)
{
  // 设置陀螺仪的测量噪声方差
  cov_gyr_scale = scaler;
} 


// 设置加速度计噪声协方差矩阵的比例因子
void ImuProcess::set_acc_cov(const V3D &scaler)
{
  cov_acc_scale = scaler;
}

// 设置陀螺仪零偏噪声协方差矩阵
void ImuProcess::set_gyr_bias_cov(const V3D &b_g)
{
  cov_bias_gyr = b_g;
}

// 设置加速度计零偏噪声协方差矩阵
void ImuProcess::set_acc_bias_cov(const V3D &b_a)
{
  cov_bias_acc = b_a;
}

// IMU初始化函数
void ImuProcess::IMU_init(const MeasureGroup &meas, esekfom::esekf<state_ikfom, 12, input_ikfom> &kf_state, int &N) 

{
  /** 1. initializing the gravity, gyro bias, acc and gyro covariance
   ** 2. normalize the acceleration measurenments to unit gravity **/
  
  V3D cur_acc, cur_gyr;
  
 if (b_first_frame_) // 如果是第一帧数据
{
  // 进行初始化
  Reset(); // 重置一些变量
  N = 1; // 记录数据数量
  b_first_frame_ = false; // 标记为不是第一帧数据
  const auto &imu_acc = meas.imu.front()->linear_acceleration; // 获取第一帧imu数据的加速度
  const auto &gyr_acc = meas.imu.front()->angular_velocity; // 获取第一帧imu数据的角速度
  mean_acc << imu_acc.x, imu_acc.y, imu_acc.z; // 计算加速度均值
  mean_gyr << gyr_acc.x, gyr_acc.y, gyr_acc.z; // 计算角速度均值
  first_lidar_time = meas.lidar_beg_time; // 记录第一帧激光雷达数据的时间戳
}


  // 循环遍历测量中的每个IMU数据
for (const auto &imu : meas.imu)
{
  // 从IMU数据中提取线性加速度和角速度
  const auto &imu_acc = imu->linear_acceleration;
  const auto &gyr_acc = imu->angular_velocity;

  // 将当前加速度和角速度保存在Eigen向量中
  cur_acc << imu_acc.x, imu_acc.y, imu_acc.z;
  cur_gyr << gyr_acc.x, gyr_acc.y, gyr_acc.z;

  // 计算平均加速度和角速度
  mean_acc       = (cur_acc - mean_acc) / N;
  mean_gyr       = (cur_gyr - mean_gyr) / N;

  // 计算加速度和角速度的协方差矩阵
  cov_acc = cov_acc * (N - 1.0) / N   (cur_acc - mean_acc).cwiseProduct(cur_acc - mean_acc) * (N - 1.0) / (N * N);
  cov_gyr = cov_gyr * (N - 1.0) / N   (cur_gyr - mean_gyr).cwiseProduct(cur_gyr - mean_gyr) * (N - 1.0) / (N * N);

  // 增加已处理的测量数量
  N++;
}

// 从卡尔曼滤波器状态获取初始化状态
state_ikfom init_state = kf_state.get_x();

// 根据平均加速度计算重力向量并设置为初始化状态
init_state.grav = S2(-mean_acc / mean_acc.norm() * G_m_s2);

// 获取当前IMU的方向
const auto& orientation = meas.imu.front()->orientation;

// 如果orientation消息可用，则使用imu的orientation作为初始姿态
if( orientation.x != 0 || orientation.y != 0 || orientation.z != 0 || orientation.w != 0 ){
  Eigen::Quaterniond qua(orientation.w, orientation.x, orientation.y, orientation.z);
  init_state.rot = qua; 
}

  }
  // 初始化状态量
//state_inout.rot = Eye3d; // Exp(mean_acc.cross(V3D(0, 0, -1 / scale_gravity))); 
// 上述语句是注释掉的，意为旋转状态初始化为单位矩阵，即不旋转，但后续也没有使用到，因此可以忽略
init_state.bg  = mean_gyr;  // 陀螺仪偏置初始化为零偏
init_state.offset_T_L_I = Lidar_T_wrt_IMU;  // 激光雷达相对IMU的位置初始化
init_state.offset_R_L_I = Lidar_R_wrt_IMU;  // 激光雷达相对IMU的旋转初始化
kf_state.change_x(init_state);  // 更新KF的状态量

// 初始化协方差矩阵
esekfom::esekf<state_ikfom, 12, input_ikfom>::cov init_P = kf_state.get_P();  // 获取KF的协方差矩阵
init_P.setIdentity();  // 设置为对角线全为1的单位矩阵
init_P(6,6) = init_P(7,7) = init_P(8,8) = 0.00001;  // 陀螺仪偏置协方差初始化为0.00001
init_P(9,9) = init_P(10,10) = init_P(11,11) = 0.00001;  // 激光雷达位置偏差协方差初始化为0.00001
init_P(15,15) = init_P(16,16) = init_P(17,17) = 0.0001;  // 速度偏差协方差初始化为0.0001
init_P(18,18) = init_P(19,19) = init_P(20,20) = 0.001;  // 位置偏差协方差初始化为0.001
init_P(21,21) = init_P(22,22) = 0.00001;  // 重力加速度偏差协方差初始化为0.00001
kf_state.change_P(init_P);  // 更新KF的协方差矩阵

last_imu_ = meas.imu.back();  // 记录最后一个IMU数据，用于后续计算时间间隔


}

// 通过对接收到的IMU和当前EKF状态信息来去畸变点云数据。

void ImuProcess::UndistortPcl(const MeasureGroup &meas, esekfom::esekf<state_ikfom, 12, input_ikfom> &kf_state, PointCloudXYZI &pcl_out)
{
  // 将上一帧IMU数据的尾部添加到当前帧IMU数据的头部。
  auto v_imu = meas.imu;
  v_imu.push_front(last_imu_);

  // 获取IMU和点云数据的时间戳
  const double &imu_beg_time = v_imu.front()->header.stamp.toSec();
  const double &imu_end_time = v_imu.back()->header.stamp.toSec();
  const double &pcl_beg_time = meas.lidar_beg_time;

  // 根据时间排序点云数据
  pcl_out = *(meas.lidar);
  sort(pcl_out.points.begin(), pcl_out.points.end(), time_list);
  const double &pcl_end_time = pcl_beg_time + pcl_out.points.back().curvature / double(1000); 
}

  // cout<<"[ IMU Process ]: Process lidar from "<<pcl_beg_time<<" to "<<pcl_end_time<<", " \
  //          <<meas.imu.size()<<" imu msgs from "<<imu_beg_time<<" to "<<imu_end_time<<endl;

  /*** Initialize IMU pose ***/
  state_ikfom imu_state = kf_state.get_x();
  IMUpose.clear();
  IMUpose.push_back(set_pose6d(0.0, acc_s_last, angvel_last, imu_state.vel, imu_state.pos, imu_state.rot.toRotationMatrix()));

  /*** forward propagation at each imu point ***/
  V3D angvel_avr, acc_avr, acc_imu, vel_imu, pos_imu;
  M3D R_imu;

  double dt = 0;

  input_ikfom in;
  for (auto it_imu = v_imu.begin(); it_imu < (v_imu.end() - 1); it_imu++)
  {
    auto &&head = *(it_imu);
    auto &&tail = *(it_imu + 1);
    
    if (tail->header.stamp.toSec() < last_lidar_end_time_)    continue;
    
    angvel_avr<<0.5 * (head->angular_velocity.x + tail->angular_velocity.x),
                0.5 * (head->angular_velocity.y + tail->angular_velocity.y),
                0.5 * (head->angular_velocity.z + tail->angular_velocity.z);
    acc_avr   <<0.5 * (head->linear_acceleration.x + tail->linear_acceleration.x),
                0.5 * (head->linear_acceleration.y + tail->linear_acceleration.y),
                0.5 * (head->linear_acceleration.z + tail->linear_acceleration.z);

    fout_imu << setw(10) << head->header.stamp.toSec() - first_lidar_time << " " << angvel_avr.transpose() << " " << acc_avr.transpose() << endl;

    acc_avr     = acc_avr * G_m_s2 / mean_acc.norm(); // - state_inout.ba;

    if(head->header.stamp.toSec() < last_lidar_end_time_)
    {
      dt = tail->header.stamp.toSec() - last_lidar_end_time_;
      // dt = tail->header.stamp.toSec() - pcl_beg_time;
    }
    else
    {
      dt = tail->header.stamp.toSec() - head->header.stamp.toSec();
    }
    
   // 将平均角速度以及平均加速度设置为Kalman滤波器的输入
in.acc = acc_avr;
in.gyro = angvel_avr;

// 将协方差矩阵的对角线设置为陀螺仪和加速度计的方差，以及陀螺仪偏移和加速度计偏移的方差
Q.block<3, 3>(0, 0).diagonal() = cov_gyr;
Q.block<3, 3>(3, 3).diagonal() = cov_acc;
Q.block<3, 3>(6, 6).diagonal() = cov_bias_gyr;
Q.block<3, 3>(9, 9).diagonal() = cov_bias_acc;

// 使用Kalman滤波器的predict函数进行预测，传入时间步长dt，协方差矩阵Q以及输入in
kf_state.predict(dt, Q, in); 


    /* save the poses at each IMU measurements */
  // 获取当前时刻的KF状态量
imu_state = kf_state.get_x();

// 计算当前时刻的角速度
angvel_last = angvel_avr - imu_state.bg;

// 计算当前时刻的加速度
acc_s_last = imu_state.rot * (acc_avr - imu_state.ba);

// 将加速度调整到重力加速度方向
for(int i=0; i<3; i++ )
{
    acc_s_last[i] = imu_state.grav[i];
}

// 计算时间偏移量、更新IMUpose向量
double &&offs_t = tail->header.stamp.toSec() - pcl_beg_time;
IMUpose.push_back(set_pose6d(offs_t, acc_s_last, angvel_last, imu_state.vel, imu_state.pos, imu_state.rot.toRotationMatrix()));

  /*** calculated the pos and attitude prediction at the frame-end ***/
 // 确定note，基于pcl_end_time和imu_end_time的比较。note用于决定在预测步骤中加或减pcl_end_time和imu_end_time之间的时间差
double note = pcl_end_time > imu_end_time ? 1.0 : -1.0;
// 计算pcl_end_time和imu_end_time之间的时间差
dt = note * (pcl_end_time - imu_end_time);
// 使用时间差和输入噪声协方差矩阵预测卡尔曼滤波器的状态
kf_state.predict(dt, Q, in);

// 更新imu_state为当前卡尔曼滤波器的状态
imu_state = kf_state.get_x();
// 存储最后一个IMU测量值
last_imu_ = meas.imu.back();
// 存储点云的最后一个时间戳
last_lidar_end_time_ = pcl_end_time;

/*** 反向传播，使每个激光点失真 ***/

// 初始化迭代器到最后一个IMU位姿和点云中的最后一个点
auto it_pcl = pcl_out.points.end() - 1;
for (auto it_kp = IMUpose.end() - 1; it_kp != IMUpose.begin(); it_kp--)
{
  // 将head设置为it_kp之前的IMU位姿，将tail设置为it_kp
  auto head = it_kp - 1;
  auto tail = it_kp;
  // 从head IMU位姿中提取旋转矩阵
  R_imu<<MAT_FROM_ARRAY(head->rot);
  // 从head IMU位姿中提取速度向量
  vel_imu<<VEC_FROM_ARRAY(head->vel);
  // 从head IMU位姿中提取位置向量
  pos_imu<<VEC_FROM_ARRAY(head->pos);
  // 从tail IMU位姿中提取加速度向量
  acc_imu<<VEC_FROM_ARRAY(tail->acc);
  // 从tail IMU位姿中提取角速度向量
  angvel_avr<<VEC_FROM_ARRAY(tail->gyr);

  // 遍历所有曲率大于head IMU位姿的偏移时间的激光点
  for(; it_pcl->curvature / double(1000) > head->offset_time; it_pcl--)
  {
    // 计算head IMU位姿和激光点之间的时间差
    dt = it_pcl->curvature / double(1000) - head->offset_time;


      /* 使用旋转将点转换为最终坐标系
       * 注意：补偿方向与坐标系移动方向相反。
       * 如果我们要将时间戳-i的点补偿到end帧，则
       * P_compensate = R_imu_e ^ T *（R_i * P_i T_ei），其中T_ei在全局坐标系中表示 */

      // 计算从当前IMU状态到“end”帧的旋转矩阵
      M3D R_i(R_imu * Exp(angvel_avr, dt));
      
      // 将点坐标存储在一个3D向量中
      V3D P_i(it_pcl->x, it_pcl->y, it_pcl->z);
      
      // 计算从当前IMU状态到“end”帧的平移向量，用全局坐标系表示
      V3D T_ei(pos_imu   vel_imu * dt   0.5 * acc_imu * dt * dt - imu_state.pos);
      
      // 通过将计算出的旋转和平移应用于本地坐标系中的点坐标，计算补偿点
      V3D P_compensate = imu_state.offset_R_L_I.conjugate() * (imu_state.rot.conjugate() * (R_i * (imu_state.offset_R_L_I * P_i   imu_state.offset_T_L_I)   T_ei) - imu_state.offset_T_L_I);
      
      // 将补偿点和它们的旋转重新存储在点云中
      it_pcl->x = P_compensate(0);
      it_pcl->y = P_compensate(1);
      it_pcl->z = P_compensate(2);

      // 如果当前点是点云中的第一个点，则跳出循环
      if (it_pcl == pcl_out.points.begin()) break; 

    }
  }
}

void ImuProcess::Process(const MeasureGroup &meas,  esekfom::esekf<state_ikfom, 12, input_ikfom> &kf_state, PointCloudXYZI::Ptr cur_pcl_un_)
{
  double t1,t2,t3; //定义三个双精度浮点数变量t1，t2，t3用于计时
  t1 = omp_get_wtime(); //记录开始时间

  if(meas.imu.empty()) {return;}; //如果IMU数据为空，则返回

  ROS_ASSERT(meas.lidar != nullptr); //使用ROS的断言函数，确保LIDAR数据不为空


 if (imu_need_init_)
{
  /// 第一个激光雷达帧

  // 如果需要初始化IMU
  // 这是第一个激光雷达帧

  IMU_init(meas, kf_state, init_iter_num);

  // 调用IMU初始化函数

  imu_need_init_ = true;

  // 设置标志以指示IMU尚未初始化

  last_imu_   = meas.imu.back();

  // 获得最新的IMU测量

  state_ikfom imu_state = kf_state.get_x();

  // 从卡尔曼滤波器获取IMU的当前状态

  if (init_iter_num > MAX_INI_COUNT)
  {
    cov_acc *= pow(G_m_s2 / mean_acc.norm(), 2);
    imu_need_init_ = false;

    // 更新加速度计和陀螺仪测量的协方差
    // 设置标志以指示IMU已初始化
    // 迭代次数足够，IMU初始化完成

    cov_acc = cov_acc_scale;
    cov_gyr = cov_gyr_scale;
    ROS_INFO("IMU Initial Done");
    // ROS_INFO("IMU Initial Done: Gravity: %.4f %.4f %.4f %.4f; state.bias_g: %.4f %.4f %.4f; acc covarience: %.8f %.8f %.8f; gry covarience: %.8f %.8f %.8f",\
    //          imu_state.grav[0], imu_state.grav[1], imu_state.grav[2], mean_acc.norm(), cov_bias_gyr[0], cov_bias_gyr[1], cov_bias_gyr[2], cov_acc[0], cov_acc[1], cov_acc[2], cov_gyr[0], cov_gyr[1], cov_gyr[2]);
    fout_imu.open(DEBUG_FILE_DIR("imu.txt"),ios::out);
  }

  // 将加速度计和陀螺仪测量的协方差更新为默认值
  // 打印一条消息，说明IMU初始化已完成
  // 打开IMU调试文件以进行写入

  return;
}

  // 调用UndistortPcl函数对点云进行去畸变处理
UndistortPcl(meas, kf_state, *cur_pcl_un_);

t2 = omp_get_wtime(); // 记录程序运行时间
t3 = omp_get_wtime(); 

// 输出程序运行时间
// cout<<"[ IMU Process ]: Time: "<<t3 - t1<<endl;