在某些递归贝叶斯滤波器中融合来自IMU，LIDAR和编码器信息的测量的最佳方法是什么？

我正在通过四轮（两轮驱动）差动驱动机器人通过某个走廊行驶来进行SLAM。走廊到处都不平坦。然后，机器人旋转到位，然后沿最终方向移动。 SLAM算法不需要在线运行。 。 LIDAR以270度弧线扫描走廊，并测量范围和角度。但是，据我所知，走廊只有在拐角处时才有可辨别的特征

我需要找到将编码器测量的提议动作与IMU和LIDAR数据融合的最佳方法。我可以将IMU的偏航与编码器数据融合在一起，以获得更好的航向感，但是我应该如何合并LIDAR数据？

本质上，什么是合适的测量模型？如何将噪声纳入运动模型？除了在一些(ax,ay,az,wx,wy,wz)处添加一些高斯噪声外，这还与问题有些正交，但也使我感到困惑。目前，我正在使用粒子滤波器执行SLAM，并且对于是否表示粒子本身的角加速度不确定性，我有些困惑。我看到两个选择：


使用EKF（或其他任何东西）的单独导航过滤器，首先找到“最佳估计”角加速度矩阵的向量，然后将该矩阵用作绝对真值用于粒子过滤器。这样，粒子中的任何漂移都不会来自角加速度的不确定性。
将不确定性纳入粒子漂移本身。此选项似乎更明智，但我不确定实现此目的的原则是什么。