在实际应用过程中往往不只有视觉和IMU的融合，还有其他很多传感器（GPS、激光、里程计等），这些传感器数据和VIO进行融合能够极大提高VIO的精度和稳定性。融合的方式分为松耦合和紧耦合，常见的做法是将VIO看成一个独立的传感器与其他传感器进行松耦合，但有时为了提高VIO本身的精度也可以将部分传感器信息加入到VIO融合框架中。
状态向量中某些量可能会被其他传感器直接观测到，例如GPS可以给出
直接观测融合十分简单，构建观测模型
代码实现上可以做成一个通用的直接观测更新接口，输入参数：
只要直接观测到状态向量中的任意项，都可以调用该API进行更新。
void updateVector(const VectorXd& observe_vec, const VectorXd& state_vec, const VectorXi& index_vec, const VectorXd& noise_vec)
{
auto& P = m_state_server.state_cov;
int D = index_vec.rows();
MatrixXd H = MatrixXd::Zero(D, P.cols());
MatrixXd HP = MatrixXd::Zero(D, P.cols());
MatrixXd Q = MatrixXd::Zero(D, D);
for(int i = 0; i < D; i++)
{
H(i, index_vec(i)) = 1;
HP.row(i) = P.row(index_vec(i));
Q(i, i) = noise_vec(i);
}
// Compute the Kalman gain.
MatrixXd S = HP * H.transpose() + Q;
MatrixXd K_transpose = S.ldlt().solve(HP);
MatrixXd K = K_transpose.transpose();
// Compute the error of the state.
VectorXd err = observe_vec - state_vec;
VectorXd delta_x = K * err;
if(updateState(delta_x, false)) updateStateCov(K, H, Q);
}