OCELOT: Odometry and Contact Estimation for Legged Robots
Department of Aerospace Engineering, Embry-Riddle Aeronautical University(航空航天工程系,埃默里-瑞德航空航天大学)
本文提出了一种基于误差状态扩展卡尔曼滤波器(ESEKF)的完整腿部里程计管道,通过仅使用本体感觉数据(如固定IMU、关节编码器和力传感器)来实现准确的里程计估计,核心贡献是融合接触检测和不确定性量化模块,用于显式识别并拒绝滑动。
2026-05-21 cs.RO
Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision
University of Delaware(德克萨斯大学)
提出一种即插即用的鲁棒腿式里程计系统,利用外感受运动管线作为监督信号在线学习速度神经网络,并结合不变扩展卡尔曼滤波器融合数据,无需传感器标定或运动学建模,在不同四足平台上验证了其适应性和鲁棒性。
2026-06-23 cs.RO
DB-VIO: Dual-Branch Visual Inertial Odometry with Enhanced Visual-Inertial Representation
National University of Singapore(新加坡国立大学)
研究针对视觉惯性里程计问题,提出DB-VIO双分支框架,通过融入深度线索、姿态先验和解耦姿态估计进行运动特定时间建模,实验表明该方法在自动驾驶和空中机器人基准测试中性能优异,提升了旋转和平移估计精度。
2026-07-27 cs.RO
A 2.5D Vehicle Odometry Estimation for Vision Applications
Valeo Vision Systems(法雷奥视觉系统公司);Valeo India(法雷奥印度公司);University of Limerick(利默里克大学)
本文提出了一种方法来估计安装在车辆上的传感器的姿态,因为车辆在世界各地移动,自动驾驶系统的一个重要课题。基于一组通常部署的车辆里程计传感器,与汽车通信总线(例如CAN或FlexRay)上可用的输出,我们描述了一组步骤来结合基于车轮传感器的平面里程计与基于线性悬架传感器的悬架模型。目的是确定对相机姿态的更准确的估计。我们概述了它的使用可视化和计算机视觉的应用程序。
2021-05-06 cs.CV cs.RO
Super Odometry: IMU-centric LiDAR-Visual-Inertial Estimator for Challenging Environments
Carnegie Mellon University(卡内基梅隆大学);Northeastern University(东北大学)
我们提出了超级里程计,一个高精度的多模态传感器融合框架,提供了一种简单而有效的方法来融合多个传感器,如激光雷达,相机和IMU传感器,并实现鲁棒的状态估计在感知退化的环境。与传统的传感器融合方法不同,超级里程计采用以IMU为中心的数据处理管道,结合了松耦合方法和紧耦合方法的优点,并以粗到细的方式恢复运动。建议的框架是由三个部分组成:IMU里程计,视觉惯性里程计,激光惯性里程计。视觉-惯性里程计和激光-惯性里程计在约束IMU偏差之前提供姿态,并从IMU里程计接收运动预测。为了确保高性能的实时性,我们应用了动态八叉树,与静态KD树相比,它只消耗10%的运行时间。该系统被部署在无人机和地面机器人上,作为探险队在DARPA地下挑战赛中的一部分,探险队分别赢得了隧道和城市赛道的$1^{st}$和$2^{nd}$。
2021-08-20 cs.RO
Visual-Inertial and Leg Odometry Fusion for Dynamic Locomotion
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Tandon School of Engineering, New York University(纽约大学坦登工程学院);Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
实现足式机器人的动态运动行为需要一个高质量的状态估计模块。特别是当运动包括飞行阶段时,现有技术的方法无法产生机器人姿态的可靠估计,特别是基座高度。在本文中,我们提出了一种新的方法相结合的视觉惯性里程(VIO)与腿部里程的扩展卡尔曼滤波器(EKF)为基础的状态估计。VIO模块使用立体相机和IMU来产生机器人基础连杆在惯性系中的低漂移3D位置和偏航方向以及无漂移俯仰和滚动方向。然而,由于图像处理和优化,这些值具有相当大的延迟量,同时更新速率非常低,这不适合于低级控制。为了减少延迟,我们以VIO传感器的IMU测量的速率来预测VIO状态估计。EKF模块使用VIO预测的基本姿态和线速度,将它们与第二个高速率IMU和腿部里程测量进一步融合,并产生适合控制的高频率和小延迟的机器人状态估计。我们集成了这个轻量级的估计框架与非线性模型预测控制器,并成功地实现了一组敏捷的运动行为,包括小跑和跳跃在不同的水平速度,在扭矩控制的四足机器人。
2022-10-10 cs.RO
Deep IMU Bias Inference for Robust Visual-Inertial Odometry with Factor Graphs
University of Oxford(牛津大学);Georgia Institute of Technology(佐治亚理工学院)
针对视觉失效下VIO易发散的问题,提出用LSTM和Transformer学习IMU偏置演化的方法,可泛化到未见过的运动模式,平均降低15%漂移率,且跨运动模式无需重训练。
2022-11-08 cs.RO
Learned IMU Bias Prediction for Invariant Visual Inertial Odometry
Department of Electrical and Computer Engineering, University of California San Diego(加州大学圣地亚哥分校电气与计算机工程系);Kuwait University(科威特大学);Department of Computer Science, Rice University(里士满大学计算机科学系)
针对将IMU偏置引入不变滤波器状态会破坏李群对称性的问题,提出用神经网络基于历史IMU序列预测偏置,结合不变MSCKF实现鲁棒视觉惯性里程计,长时间无视觉时仍有效。
2025-10-03 cs.RO
GNSS Odometry: Precise Trajectory Estimation Based on Carrier Phase Cycle Slip Estimation
Chiba Institute of Technology(千叶工业大学)
本文针对GNSS TDCP受载波相位周跳影响的问题,提出在因子图优化中检测、估计并修正周跳,使单接收机无人机轨迹估计达到5至30厘米精度。
2023-12-05 cs.RO
VID-Fusion: Robust Visual-Inertial-Dynamics Odometry for Accurate External Force Estimation
Zhejiang University(浙江大学);Huzhou Institute, Zhejiang University(浙江大学湖州研究院);National Engineering Research Center for Industrial Automation (Ningbo Institute)(工业自动化国家工程研究中心(宁波研究院))
最近,四旋翼在航空运输和交付中获得了显著的关注。在这些情况下,外力的准确估计与6自由度(DoF)姿态一样重要,因为它对于车辆的规划和控制至关重要。为此,我们提出了一个紧密耦合的视觉惯性动力学(VID)系统,同时估计施加到四旋翼的外力以及6自由度姿态。我们的方法建立在最先进的优化为基础的视觉惯性系统,与一个新的推导的动力学和外力因子扩展从VIMO。利用提出的动力学和外力因子,我们的估计器鲁棒性和准确地估计外力,即使它变化很大。此外,由于我们明确考虑了外力的影响,与VIMO和VINS-Mono相比,我们的方法显示出相当和优越的姿态精度,即使外力的范围从可忽略到显著。通过大量的实际实验和应用场景仿真验证了该方法的鲁棒性和有效性。我们将发布此方法的开源包以及具有地面真实力测量的数据集,供社区参考。
2021-06-28 cs.RO
Robust Legged Robot State Estimation Using Factor Graph Optimization
Oxford Robotics Institute(牛津机器人研究所);University of Oxford(牛津大学)
足式机器人,特别是四足机器人,对于工业应用,如检查,正变得越来越有吸引力。然而,离开实验室并对最终用户有用需要在恶劣条件下的可靠性。从状态估计的角度来看,尽管存在诸如不平坦或光滑的地形、无纹理和反射场景以及动态相机遮挡等挑战,但能够准确地估计机器人的状态是至关重要的。我们的动机是减少对脚接触分类的依赖,这在滑动时会失败,并减少动态运动(如小跑)期间的位置漂移。为此,我们提出了一种用于状态估计的因子图优化方法,该方法将惯性导航、腿部里程计和视觉里程计紧密地融合在一起并使之平滑。使用ANYmal四足机器人导航在一个现实的室外工业环境中的方法的有效性得到了证明。这个实验包括小跑,步行,穿越障碍物和爬楼梯。该方法降低了高达55%的相对位置误差和76%的绝对位置误差相比,运动惯性里程计。
2019-08-12 cs.RO
TransFusionOdom: Interpretable Transformer-based LiDAR-Inertial Fusion Odometry Estimation
针对有监督里程计任务中多模态融合效果不佳的问题,提出基于Transformer的TransFusionOdom框架,采用分模态融合策略缓解过拟合,结合可视化解释方法,经实验验证性能优于现有相关工作。
2023-04-26 cs.AI cs.CV cs.RO
Cerberus: Low-Drift Visual-Inertial-Leg Odometry For Agile Locomotion
Carnegie Mellon University(卡内基梅隆大学)
我们提出了一个开源的视觉惯性腿里程计(VILO)状态估计解决方案,Cerberus,用于足式机器人,使用一组标准传感器,包括立体相机,IMU,关节编码器和接触传感器,实时的在各种地形上精确估计位置。除了估计机器人状态,我们还进行在线运动学参数校准和接触离群拒绝,以大大减少位置漂移。在各种室内和室外环境中的硬件实验验证了Cerberus内的运动学参数校准可以在长距离高速运动期间将估计漂移降低到低于1%。我们的漂移结果优于文献中报道的任何其他状态估计方法使用相同的传感器集。此外,我们的状态估计器表现良好,即使机器人正在经历大的影响和摄像机遮挡。状态估计器的实现以及用于计算结果的数据集可在https://github.com/ShuoYangRobotics/Cerberus上获得。
2022-09-16 cs.RO cs.SY eess.SY
Tightly-Coupled LiDAR-IMU-Wheel Odometry with Online Calibration of a Kinematic Model for Skid-Steering Robots
Tohoku University(东北大学);National Institute of Advanced Industrial Science and Technology(国立先进工业科学技术研究院)
针对隧道、长走廊等环境下激光雷达点云退化问题,提出带在线标定的紧耦合LiDAR-IMU-轮式里程计算法,通过全线性轮式里程计因子实现运动约束与模型标定,提升退化环境、地形变化下的定位鲁棒性与精度。
2024-09-12 cs.AI cs.RO
Adaptive Covariance and Quaternion-Focused Hybrid Error-State EKF/UKF for Visual-Inertial Odometry
本文提出一种自适应协方差与四元数聚焦混合误差状态EKF/UKF方法,用于提升无人机在复杂环境下的视觉-惯性里程计性能,实现高精度姿态估计与低计算成本的平衡。
2025-12-19 cs.CV cs.RO
Online Learning of Wheel Odometry Correction for Mobile Robots with Attention-based Neural Network
Politecnico di Torino(都灵理工大学)
本文提出一种基于注意力神经网络的轮式里程计在线校正方法,以应对车轮打滑和运动突变,实现实时推理,性能优于标准神经网络和滤波校正算法,并支持在通用机器人平台上即时部署。
2023-03-21 cs.AI cs.RO
Generalized LOAM: LiDAR Odometry Estimation with Trainable Local Geometric Features
Nagoya University(名古屋大学);National Institute of Advanced Industrial Science and Technology(日本产业技术综合研究所)
本文提出了一种称为广义LOAM的LiDAR里程估计框架。我们所提出的方法是广义的,它可以无缝融合点周围的各种局部几何形状,以提高位置估计精度相比,传统的激光雷达测距和映射(LOAM)方法。为了利用连续的几何特征进行LiDAR里程估计,我们将微小的神经网络纳入广义迭代最近点(GICP)算法。这些神经网络使用局部几何特征来改进数据关联度量和匹配代价函数。与KITTI基准的实验表明,我们提出的方法相比,其他激光雷达里程估计方法减少了相对轨迹误差。
2022-10-29 cs.RO
CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
Faculty of Information Technology, Brno University of Technology(布尔诺理工大学信息技术学院)
我们介绍了一种新的方法,里程估计使用卷积神经网络从三维激光雷达扫描。原始稀疏数据被编码成2D矩阵,用于训练拟议的网络和预测。我们的网络在平移运动参数的估计方面显示出比最先进的方法LOAM更好的精度,同时实现了实时性能。与IMU支持一起,实现了高质量的里程估计和LiDAR数据配准。此外,我们提出了替代的CNN训练的旋转运动参数的预测,同时实现的结果也与最先进的国家。所提出的方法可以取代车轮编码器里程估计或补充丢失的GPS数据,当GNSS信号缺席(例如,在室内测绘)。我们的解决方案带来了实时性能和精度,这对于提供映射结果的在线预览和实时的完整性的验证是有用的。
2017-12-18 cs.RO
L-LO: Enhancing Pose Estimation Precision via a Landmark-Based LiDAR Odometry
Chongqing University(重庆大学)
提出基于地标的LiDAR里程计L-LO,通过水平与垂直两阶段估计,利用综合相似度指标匹配地标,在KITTI及自采数据上提升定位精度。
2023-12-28 cs.RO
Radar Odometry Combining Probabilistic Estimation and Unsupervised Feature Learning
Institute for Aerospace Studies, University of Toronto(多伦多大学航空航天研究所)
本文提出了一种结合概率轨迹估计和深度学习特征的雷达测距方法,而不需要地面实况姿态信息。特征网络是无监督训练的,只使用机载雷达数据。基于数据似然目标的理论基础,我们的方法利用深度网络来处理丰富的雷达数据,并利用不可微的经典估计器进行概率推理。我们提供了广泛的实验结果,公开的牛津雷达RobotCar数据集和额外的100公里的驾驶收集在城市环境中。我们的雷达测距的滑动窗口实现优于大多数手工制作的方法,并接近当前的最先进水平,而不需要地面实况轨迹进行训练。我们还证明了雷达测距法在恶劣天气条件下的有效性。该项目的代码可以在以下网址找到:https://github.com/utiasASRL/hero_radar_odometry
2021-06-30 cs.RO
Robust Dead Reckoning: Calibration, Covariance Estimation, Fusion and Integrity Monitoring
Opel Automobile GmbH(欧宝汽车有限公司)
为了高精度地直接测量系统状态和局部环境,需要昂贵的传感器。然而,使用数据融合技术和数字地图也可以实现高度准确的系统状态和环境感知。多传感器状态估计的一个关键任务是将不同的传感器测量投影到同一个时间、空间和物理域,估计它们的协方差矩阵,并剔除错误的测量。本文提出了一种通用的方法来鲁棒估计车辆运动(里程)。我们将很快介绍我们的校准过程,包括传感器对准,偏移/缩放误差,协方差/相关性和时间延迟的估计。提出了一种改进的轮径估计算法。此外,将显示用于鲁棒里程计的方法,因为里程计估计在已知协方差下被融合,而离群值使用卡方检验来检测。利用我们强大的里程计,当地的环境意见可以相关联和融合。此外,我们的鲁棒里程计可以用来检测和排除错误的位置估计。
2018-01-06 cs.RO
RINO: Accurate, Robust Radar-Inertial Odometry with Non-Iterative Estimation
RINO通过非迭代估计方法提升恶劣天气下雷达惯性里程计的鲁棒性和精度,减少误差并增强实时传感器状态融合能力。
2025-08-14 cs.RO
Adaptive Hyperparameter Tuning for Black-box LiDAR Odometry
National Institute of Advanced Industrial Science and Technology(产业技术综合研究所)
提出了一种自适应数据驱动的黑盒3D LiDAR测距算法超参数调整框架。该框架包括离线参数误差函数建模和在线自适应参数选择。在离线步骤中,我们运行里程估计算法,以使用不同的参数和环境进行调整,并评估估计轨迹的准确性,以构建预测给定参数和环境的轨迹估计误差的代理函数。随后,我们选择的参数集,预计在给定的环境下,在轨迹误差预测的替代函数的基础上,导致良好的精度。该框架不需要对算法内部工作的详细信息进行调整,并通过自适应优化参数集来提高其精度。我们首先展示了所提出的框架的作用,在不同的环境中提高里程估计的准确性与基于模拟的玩具的例子。在公共数据集KITTI上的测试结果表明,该框架能够提高几种里程估计算法在实际应用中的精度.
2021-07-09 cs.RO
GaRLIO: Gravity enhanced Radar-LiDAR-Inertial Odometry
Robotics and AI (RAI) Institute(机器人与人工智能研究所)
针对状态估计中的垂直漂移问题,提出融合雷达逐点速度的重力增强雷达-激光雷达-惯性里程计GaRLIO,可提升重力估计精度与状态估计性能,还能移除动态点云保障鲁棒性,实验优于传统方法且代码已开源。
2025-02-21 cs.RO
Lidar-Monocular Visual Odometry with Genetic Algorithm for Parameter Optimization
Advanced Robotics and Automation (ARA) Laboratory(先进机器人与自动化实验室);Computer Vision Laboratory (CVL)(计算机视觉实验室);Evolutionary Computing Systems Lab, University of Nevada, Reno(内华达大学里诺分校进化计算系统实验室)
激光雷达-单目视觉里程计(LIMO)是一种里程估计算法,它结合摄像机和光探测和测距传感器(LIDAR),通过跟踪摄像机特征以及LIDAR测量的特征来进行视觉定位,并使用基于鲁棒关键帧的束平差来估计运动。为了拒绝离群值,LIMO使用语义标记和植被地标的权重。LIMO以及许多其他里程估计算法的缺点是,它具有许多参数,这些参数需要根据环境中的动态变化来手动调整,以便减少平移误差。在本文中,我们提出并讨论了使用遗传算法优化参数的参考LIMO和最大限度地提高LIMO的定位和运动估计性能。我们评估我们的方法在著名的KITTI里程数据集,并表明,遗传算法有助于LIMO,以减少在不同的数据集的翻译错误。
2019-03-05 cs.RO
ORORA: Outlier-Robust Radar Odometry
KAIST (Korea Advanced Institute of Science and Technology)(韩国科学技术院);NAVER LABS(NAVER实验室)
雷达传感器正在成为感知环境和估计极端天气条件下自我运动的解决方案。不幸的是,雷达测量是有噪声的并且遭受相互干扰,这降低了特征提取和匹配的性能,触发不精确的匹配对,其被称为离群值。针对雷达测距中野值的影响,提出了一种新的抗野值影响的方法\textit{ORORA}(\textit{Outlier-RObust RAdar odometry})。为此,提出了一种基于梯度非凸性的旋转估计和各向异性分量平移估计的新方法。此外,我们的方法利用了雷达测量的各向异性特性,其每个沿方位角方向的不确定性略大于沿径向方向的不确定性。正如在公开数据集上所验证的那样,与其他最先进的方法相比,我们提出的方法可以产生鲁棒的自我运动估计性能。我们的代码可在https://github.com/url-kaist/outlier-robust-radar-odometry上获得。
2023-03-03 cs.RO
Point Cloud based Hierarchical Deep Odometry Estimation
School of Electrical Engineering and Computer Sciences, University of Ottawa(渥太华大学电气工程与计算机科学学院);Sensorcortek Inc(森索科泰克公司)
使用深度神经网络处理点云仍然是一项具有挑战性的任务。大多数现有的模型集中在使用点云的深度神经网络的目标检测和配准。在本文中,我们提出了一个深度模型,该模型使用点云数据学习在驾驶场景中估计里程。所提出的模型消耗原始点云,以便通过分层模型架构提取帧到帧的里程估计。此外,使用LSTM层实现了该模型的局部光束法平差变化。这两种方法进行了全面评估,并与国家的最先进的比较。
2021-03-05 cs.CG cs.CV cs.RO
Enhance Accuracy: Sensitivity and Uncertainty Theory in LiDAR Odometry and Mapping
Zhejiang University(浙江大学);Hangzhou Dianzi University(杭州电子科技大学);Meituan(美团);University of Delaware(特拉华大学)
目前,提高LiDAR位姿估计精度是移动机器人的迫切需求。研究表明,不同的LiDAR点对位姿估计精度的影响不同。本研究的目的是选择一个好的点集,以提高精度。因此,LiDAR点残差的灵敏度和不确定性被制定为推导和分析的基本基础。高灵敏度和低不确定性点残差项是优选的,以实现更高的姿态估计精度。所提出的选择方法已被理论证明是能够实现全局统计最优。在人工数据上进行了测试,并与KITTI基准进行了比较。它还在室内和室外的LiDAR测距(LO)和LiDAR惯性测距(LIO)中实施。实验表明,利用选定的LiDAR点残差,同时提高优化精度,减少残差项,并保证实时性能。
2022-08-16 cs.RO
LoRCoN-LO: Long-term Recurrent Convolutional Network-based LiDAR Odometry
Seoul National University(首尔国立大学)
我们提出了一种基于深度学习的LiDAR里程估计方法,称为LoRCoN-LO,该方法利用了长期递归卷积网络(LRCN)结构。LRCN层是可以通过使用CNN和LSTM层来同时处理空间和时间信息的结构。此功能适用于预测连续的机器人运动,因为它使用包含空间信息的点云。因此,我们使用LRCN层构建了LoRCoN-LO模型,并通过该模型预测机器人的位姿。对于性能验证,我们利用公共数据集(KITTI)进行了实验。实验结果表明,LoRCoN-LO在数据集中显示了准确的里程预测。该代码可在https://github.com/donghwijung/LoRCoN-LO上获得。
2023-03-21 cs.AI cs.RO
THE-SEAN: A Heart Rate Variation-Inspired Temporally High-Order Event-Based Visual Odometry with Self-Supervised Spiking Event Accumulation Networks
Shanghai Jiao Tong University(上海交通大学);Beijing Institute of Aerospace Control Devices(北京航天控制仪器研究所)
本文提出THE-SEAN,首个能根据运动和环境变化动态调整估计触发决策的事件视觉里程计,通过自监督脉冲神经网络生成时序高阶触发,在精度、平滑度和触发效率上分别平均提升13%、9%和38%。
2025-03-07 cs.RO
RESPLE: Recursive Spline Estimation for LiDAR-Based Odometry
Department of Electrical Engineering, Linköping University(Linköping大学电子工程系);Robotic Systems Lab (RSL), ETH Zurich(ETH Zurich机器人系统实验室);Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, University of Groningen(Groningen大学伯努利学院)
提出基于B样条的递归贝叶斯估计框架RESPLE,用于连续时间六自由度运动估计,支持多激光雷达和IMU集成,在精度、鲁棒性和实时性上表现优异。
2025-09-11 cs.RO
Experimental Comparison of Visual-Aided Odometry Methods for Rail Vehicles
ETH Zurich(苏黎世联邦理工学院);Siemens Mobility(西门子交通)
如今,铁路车辆定位是基于基础设施侧的应答器(信标)以及车载里程计来确定铁路段是否被占用。这种粗略锁定导致铁路网络的次优使用。新的铁路标准建议使用以轨道车辆为中心的移动块来增加网络的容量。然而,这种方法需要对所有车辆进行准确和鲁棒的位置和速度估计。在这项工作中,我们调查的适用性,挑战和限制,目前的视觉和视觉惯性运动估计框架的铁路应用。对RTK-GPS地面实况的评价是在工业、郊区和森林环境中记录的多个数据集上进行的。我们的研究结果表明,立体视觉惯性里程计有很大的潜力,提供一个精确的运动估计,因为它的补充传感器的方式,并显示出优越的性能在具有挑战性的情况下相比,其他框架。
2019-04-01 cs.RO
SVN-ICP: Uncertainty Estimation of ICP-based LiDAR Odometry using Stein Variational Newton
Learning & Intelligent Systems Research Lab, TU Berlin(学习与智能系统研究实验室,柏林技术大学);Technical University of Munich(慕尼黑技术大学);Munich Institute of Robotics and Machine Intelligence (MIRMI)(慕尼黑机器人与机器智能研究所(MIRMI))
本文提出 SVN-ICP 算法,利用 Stein Variational Newton 在流形上实现基于 ICP 的激光雷达里程计不确定性估计,无需显式噪声建模,在多传感器融合中提供准确位姿估计和可靠不确定性。
2025-10-12 cs.RO
GaRLILEO: Gravity-aligned Radar-Leg-Inertial Enhanced Odometry
本文提出GaRLILEO,一种基于重力对齐的雷达-腿-惯性增强里程计框架,通过连续时间 ego-velocity spline 和软 S2-constrained 重力因子提升垂直姿态估计精度,适用于复杂地形导航。
2026-06-27 cs.RO
Self-supervised Learning of LiDAR Odometry for Robotic Applications
ETH Zürich(苏黎世联邦理工学院);Max Planck ETH Center for Learning Systems(马克斯·普朗克-苏黎世联邦理工学院学习系统中心)
可靠的机器人位姿估计是许多机器人自主管道的关键构建块,LiDAR定位是一个活跃的研究领域。在这项工作中,提出了一种通用的自监督LiDAR里程估计方法,以便在保持实时性能的同时有效利用所有可用的LiDAR数据。所提出的方法在训练期间选择性地应用几何损失,认识到可以从扫描点提取的信息量。此外,不需要标记或地面实况数据,因此使得所提出的方法适用于难以获得准确地面实况的应用中的姿态估计。此外,所提出的网络架构适用于广泛的环境和传感器模态,而不需要任何网络或损失函数调整。通过使用腿式、履带式和轮式机器人的各种实验,对所提出的方法进行了室内和室外真实世界应用的彻底测试,证明了基于学习的LiDAR测距法适用于复杂的机器人应用。
2021-06-25 cs.RO
Deep Sensor Fusion for Real-Time Odometry Estimation
相机和二维激光扫描仪相结合,能够提供低成本,重量轻和准确的解决方案,这使得它们的融合非常适合许多机器人导航任务。然而,正确的数据融合依赖于传感器之间的刚体变换的精确校准。在本文中,我们提出了第一个框架,利用卷积神经网络(CNN)的里程估计融合二维激光扫描仪和单相机。CNN的使用提供了工具,不仅可以从两个传感器中提取特征,还可以在不需要传感器之间校准的情况下融合和匹配它们。我们将里程估计转化为有序分类问题,以便找到连续帧之间的准确旋转和平移值。在实际道路数据集上的实验结果表明,该融合网络能够实时的【形】运行,并且能够通过学习如何融合两种不同类型的数据信息来改善单个传感器的里程估计。
2019-07-31 cs.CV cs.RO
An Online Self-calibrating Refractive Camera Model with Application to Underwater Odometry
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
本文提出一种适用于水下视觉惯性里程计的在线自校准折射相机模型,利用对极约束实时估计折射率并校正畸变,无需标定目标,实验验证了其对折射率估计的准确性及在跨介质条件下的鲁棒里程计性能。
2023-10-25 cs.RO
Multimotion Visual Odometry (MVO): Simultaneous Estimation of Camera and Third-Party Motions
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
从图像中估计运动是计算机视觉和机器人学中的一个研究得很好的问题。先前的工作已经开发了用于估计运动相机在很大程度上静态的环境(例如,视觉里程计)以及使用已知的相机运动来分割或跟踪动态场景中的运动(例如,多目标跟踪)。同时估计摄像机和动态场景的未知运动更具挑战性。大多数先前的工作需要先验对象模型(例如,检测跟踪),运动约束(例如,平面运动),或者不能估计场景的完全SE(3)运动(例如,场景流)。虽然这些方法在特定的应用领域工作得很好,但它们不能推广到无约束的运动。本文扩展了传统的视觉里程计(VO)流水线,以估计立体/RGB-D相机和动态场景的全SE(3)运动。这种多运动视觉里程计(MVO)流水线不需要环境或动态对象的先验知识。它的性能进行评估的真实世界的动态数据集与地面真相的所有运动从运动捕捉系统。
2018-08-14 cs.RO
LiDAR-Generated Images Derived Keypoints Assisted Point Cloud Registration Scheme in Odometry Estimation
University of Turku(图尔库大学)
本文定量评估传统图像关键点提取器与描述子在LiDAR生成图像上的适用性,并提出一种基于关键点下采样点云的点云配准方案,在保持精度的同时降低计算开销并提升里程计鲁棒性。
2023-09-19 cs.RO
LiLO: Lightweight and low-bias LiDAR Odometry method based on spherical range image filtering
University of Alicante(阿利坎特大学)
提出一种基于球面距离图像滤波的轻量级低偏差激光雷达里程计方法,通过图像平面特征提取降低计算成本,在KITTI数据集上实现低误差和快速运行。
2023-11-13 cs.RO
Optimized SC-F-LOAM: Optimized Fast LiDAR Odometry and Mapping Using Scan Context
Chongqing University(重庆大学)
LiDAR里程计可以在短行驶距离或小规模环境中实现精确的车辆姿态估计,但是对于长行驶距离或大规模环境,由于累积的估计误差,精度恶化。此缺点需要在SLAM框架中包含环路闭合检测以抑制累积误差的不利影响。为了提高姿态估计的准确性,我们提出了一种新的基于LiDAR的SLAM方法,该方法使用F-LOAM作为LiDAR里程计,扫描上下文用于环路闭合检测,GTSAM用于全局优化。在我们的方法中,一个自适应的距离阈值(而不是一个固定的阈值)的环路闭合检测,实现更准确的环路闭合检测结果。此外,在我们的方法中使用基于特征的匹配方法来计算环路闭合点云对之间的车辆姿态变换,而不是使用由LiDAR传感器获得的原始点云,这显着减少了计算时间。KITTI数据集用于验证我们的方法,实验结果表明,所提出的方法优于典型的LiDAR测距/SLAM方法在文献中。我们的代码是为了社区的利益而公开提供的。
2023-03-15 cs.RO
Visual-Inertial Odometry of Aerial Robots
ETH Zurich(苏黎世联邦理工学院);University of Zurich(苏黎世大学)
视觉惯性里程计(VIO)是估计智能体的状态(姿态和速度)的过程(例如,空中机器人)。VIO是GPS和基于激光雷达的里程计的唯一可行的替代方案,以实现精确的状态估计。由于相机和IMU都非常便宜,这些传感器类型在当今所有的空中机器人中无处不在。
2019-06-14 cs.RO
Super4DR: 4D Radar-centric Self-supervised Odometry and Gaussian-based Map Optimization
Super4DR通过基于4D雷达的自监督里程计和高斯地图优化,在恶劣天气中实现更准确的定位与地图重建。
2026-09-01 cs.RO
Semi-Elastic LiDAR-Inertial Odometry
Institute of Artificial Intelligence, Huazhong University of Science and Technology(华中科技大学人工智能研究院);Electronic Information and Communications, Huazhong University of Science and Technology(华中科技大学电子信息与通信学院);Hangzhou Guochen Robot Technology Company Limited(杭州国辰机器人科技有限公司)
针对现有激光雷达-惯性状态估计因扫描间状态假设导致的局部不一致问题,本文提出半弹性优化方法,赋予状态足够弹性以优化到正确值,并在四个公开数据集上验证了其在精度、一致性和鲁棒性上优于现有方法。
2024-07-04 cs.RO
Multimotion Visual Odometry (MVO)
Oxford Robotics Institute, University of Oxford, UK(牛津大学牛津机器人研究所)
针对高动态环境多运动估计易受外观依赖、场景约束限制的问题,提出融合运动分割、跟踪与物理先验的MVO流水线,无需外观信息即可估计全SE(3)轨迹,在多基准数据集上精度更优。
2024-04-23 cs.RO
Pushing Radar Odometry Beyond the Pavement: Current Capabilities and Challenges
Texas A&M University(德克萨斯理工大学);DEVCOM Army Research Laboratory(国防部陆军研究实验室)
本文研究雷达在非公路环境中的里程计潜力,提出两个基线方法以应对复杂运动和地面回波问题,实验表明其在挑战性路线中提升轨迹估计效果。
2026-04-27 cs.RO
2.5D Vehicle Odometry Estimation
University of Limerick(利默里克大学);Valeo India(法雷奥印度);Valeo Vision Systems(法雷奥视觉系统)
众所周知,在ADAS应用中,需要对车辆的姿态进行良好的估计。本文提出了一种隐喻命名为2.5D里程计,其中来自横摆率传感器和四个轮速传感器的平面里程计通过线性悬架模型来增强。虽然平面里程计的核心是一个横摆率模型,这是在文献中已经了解,我们增加了拟合二次输入信号,使插值,外推,和车辆位置的更精细的整合。我们表明,通过实验结果与DGPS/IMU参考,该模型提供了高度准确的里程估计,与现有的方法相比。利用传感器返回的车辆参考点的高度变化与变化的悬架配置,我们定义了一个平面模型的车辆悬架,从而增强里程计模型。我们提出了一个实验框架和评价标准,通过它的良好的里程计进行评估,并与现有的方法进行比较。此里程模型已被设计为支持众所周知的低速全景相机系统。因此,我们展示了一些应用结果,这些结果表明使用所提出的里程计可以提高观看和计算机视觉应用的性能
2021-11-16 cs.CV cs.RO
Airflow-Inertial Odometry for Resilient State Estimation on Multirotors
Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个航位推算策略,增加弹性的位置估计故障的多旋翼,只使用低成本的IMU和新颖的,生物启发的气流传感器的数据。这个目标是具有挑战性的,因为低成本的IMU会受到大的噪声和漂移的影响,而螺旋桨和风引起的干扰使3D气流传感变得困难。我们的方法依赖于深度学习策略来解释生物启发传感器的测量结果,风速地图来补偿位置相关的风,以及过滤器来融合信息并生成姿势和速度估计。我们的研究结果表明,在无风环境中位置传感器故障后30秒内,该方法可将仅IMU航位推算的漂移降低高达一个数量级,并且可以补偿湍流和空间变化风的挑战性影响。
2021-05-27 cs.RO
Swarm-LIO: Decentralized Swarm LiDAR-inertial Odometry
The University of Hong Kong(香港大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
精确的自估计和相对状态估计是完成群任务的关键前提,协同自主探索、目标跟踪、搜索和救援。本文提出了Swarm-LIO:提出了一种完全分散的机群系统状态估计方法,各无人机进行精确的自我状态估计,通过无线通信交换自我状态和相互观测信息,估计相对于(w.r.t.)其余的无人机,都是实时的,只基于激光雷达惯性测量。提出了一种新的基于三维激光雷达的无人机检测、识别和跟踪方法,以获取队友无人机的观测值。然后将相互观测测量与IMU和LiDAR测量紧密耦合,以联合执行自我状态和相对状态的实时和准确估计。大量的真实世界的实验表明,广泛的适应性,复杂的场景,包括GPS拒绝的场景,退化的场景相机(黑夜)或激光雷达(面对一面墙)。与运动捕捉系统提供的地面实况相比,结果表明,厘米级的定位精度优于其他国家的最先进的激光雷达-惯性里程计的单无人机系统。
2023-02-28 cs.RO
Multi-Radar Inertial Odometry for 3D State Estimation using mmWave Imaging Radar
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对恶劣环境下机器人三维状态估计问题,提出基于双成像雷达与消费级IMU融合的惯性里程计方法,通过处理多普勒速度不确定性并采用固定滞后平滑优化,实现高精度三维运动估计。
2024-03-15 cs.RO
Vision-Aided Absolute Trajectory Estimation Using an Unsupervised Deep Network with Online Error Correction
GTS;US Army Research Laboratory(美国陆军研究实验室)
我们提出了一种无监督的深度神经网络方法来融合RGB-D图像与惯性测量,以进行绝对轨迹估计。我们的网络被称为视觉惯性测距学习器(VIOLearner),学习在没有惯性测量单元(IMU)内部参数(对应于陀螺仪和加速度计偏差或白噪声)或IMU和相机之间的外部校准的情况下执行视觉惯性测距(VIO)。该网络学习整合IMU测量值并生成假设轨迹,然后根据缩放图像投影误差相对于像素坐标空间网格的雅可比矩阵在线校正这些假设轨迹。我们评估了我们的网络对国家的最先进的(SOA)视觉惯性里程计,视觉里程计,视觉同时定位与地图构建(VSLAM)的KITTI里程计数据集的方法,并展示了竞争力的里程计性能。
2018-03-08 cs.CV cs.RO
Distributed Block Coordinate Moving Horizon Estimation for 2D Visual-Inertial-Odometry SLAM
ISAE-Supaero(法国高等航空航天学院);The Australian National University(澳大利亚国立大学)
本文提出一种基于分布式块坐标非线性Moving Horizon Estimation的VIO-SLAM算法,利用可并行化的Bundle Adjustment技术更新landmarks位置,仿真表明圆形和摆动轨迹的估计性能优于直线轨迹。
2023-04-04 cs.RO math.OC
Deep Visual Odometry for Stereo Event Cameras
School of Artificial Intelligence and Robotics, Hunan University(人工智能与机器人学院,湖南大学)
本文提出Stereo-DEVO,一种基于深度学习的立体事件视觉里程计,通过静态-立体关联策略实现稀疏深度估计,并集成紧耦合BA优化,在公制尺度下实现高精度实时位姿估计,优于现有方法,且能在夜间HDR场景中稳定运行。
2025-09-10 cs.RO
Less is More: Physical-enhanced Radar-Inertial Odometry
Cheng Kar-Shun Robotics Institute, Hong Kong University of Science and Technology(香港科技大学陈振夏机器人研究所);HKUST-DJI Joint Innovation Laboratory(香港科技大学大疆联合创新实验室);Hong Kong Center for Construction Robotics(香港建筑机器人中心)
本研究提出物理增强的雷达-惯性里程计系统,利用多普勒速度和雷达截面积信息增强滤波、对应估计和残差函数,在公共及自采数据上验证了性能提升,并证实更少雷达点仍可保证甚至改善性能,体现“少即是多”原则。
2024-02-03 cs.RO