Quaternion-Averaging-Based Adaptive Complementary Filter for Pedestrian Dead Reckoning With a Foot-Mounted AHRS
Graduate School of Computer Science and Engineering, The University of Aizu（日本会津大学计算机科学与工程研究生院）
针对基于足部安装AHRS的行人航位推算，提出基于四元数平均的自适应互补滤波器QAACF，通过融合多源四元数并自适应调整权重，在降低计算成本的同时提高估算精度，相比现有滤波器有更低均方根误差。
2026-07-08 cs.HC cs.RO
Indoor SLAM Using a Foot-mounted IMU and the local Magnetic Field
Delft University of Technology（代尔夫特理工大学）
提出了一种基于脚载惯性测量单元（IMU）的行人运动跟踪同时定位与地图构建（SLAM）算法。该算法使用两个地图，即，运动地图和磁场地图。运动图捕捉建筑物中的行人的典型运动模式，所述建筑物例如受到走廊和门的约束。磁地图使用高斯过程（GP）模型对环境中的局部磁场异常进行建模，并将其用作位置信息。这些地图中使用的Rao-Blackwellized粒子滤波器（RBPF），以纠正行人的位置和方向估计的行人航位推算（PDR）。PDR的计算使用扩展的卡尔曼滤波器与零速度更新（ZUPT-EKF）。实验结果表明，该算法在室内环境中定位行人的有效性。
2022-03-29 cs.AI cs.RO
Wheel-INS: A Wheel-mounted MEMS IMU-based Dead Reckoning System
Wuhan University（武汉大学）
为了在不增加额外元器件成本的情况下提高轮式机器人惯性导航系统（INS）的准确性和鲁棒性，我们提出了Wheel-INS，这是一种基于轮式微机电系统（MEMS）惯性测量单元（IMU）的完整航位推算解决方案。通过将IMU安装到地面车辆的非方向盘的中心，存在两个主要优点。首先，利用陀螺仪的输出计算车轮速度，以代替传统的里程表，减小惯导系统的误差漂移;其次，随着车轮的转动，在一定程度上抵消惯性传感器的常值偏置误差。介绍了轮式惯性测量单元（Wheel-IMU）的安装方案、系统特点及航位推算误差分析。实验结果表明，轮式惯导系统在水平面内的最大位置漂移小于总行程的1.8%，比传统的里程表辅助惯导系统（ODO/INS）减小了23%。此外，轮式惯导系统由于其固有的免疫力，陀螺仪的恒定偏置误差优于ODO/INS。本文中使用的源代码和实验数据集可供社区使用（https：//github.com/i2Nav-WHU/Wheel-INS）。
2021-04-24 cs.RO
Cooperative localization by dual foot-mounted inertial sensors and inter-agent ranging
Signal Processing Dept., ACCESS Linnaeus Centre, KTH Royal Institute of Technology（信号处理系，ACCESS林纳乌斯中心，皇家理工学院）
本文提出一种部分去中心化的系统架构，利用步进惯性导航和步进死 reckoning 降低计算和通信成本，实现大规模群体的协同定位。
2013-11-21 cs.MA cs.RO cs.SY
Control and State Estimation of Vehicle-Mounted Aerial Systems in GPS-Denied, Non-Inertial Environments
Robotics, Intelligent Systems, and Control Lab, King Abdullah University of Science and Technology (KAUST), Thuwal, Saudi Arabia（机器人、智能系统与控制实验室，国王阿卜杜勒-阿齐兹大学科学与技术学院（KAUST），沙特阿拉伯图瓦尔）
本文提出了一种无需惯性反馈的四旋翼飞行器控制与状态估计方法，通过外部位置测量和EKF-UI结合cascaded PID控制器，实现非惯性环境下的稳定轨迹跟踪。
2026-02-03 cs.RO cs.SY eess.SY
HelmetPoser: A Helmet-Mounted IMU Dataset for Data-Driven Estimation of Human Head Motion in Diverse Conditions
Tongji University（同济大学）
针对头盔式LIO/VIO系统在恶劣环境下的定位挑战，提出带真实值的HelmetPoser头盔式IMU数据集，探索LSTM和Transformer网络在IMU位姿估计中的应用，发布数据集并建立基线。
2025-02-14 cs.RO
AGISim, An Open Source Airborne Gimbal Mounted IMU Signal Simulator Considering Flight Dynamics Model
Shiraz University（设拉子大学）；Shahrekord University（沙赫雷克德大学）；System Intelligizers Co. (SICO)（系统智能公司（SICO））
本研究针对机载测绘场景中IMU需安装在云台上的需求，提出考虑飞行动力学模型的AGISim开源IMU信号模拟器，通过多类测试验证了其有效性并开源了MATLAB代码。
2024-11-01 cs.CE cs.RO
Snake-Inspired Mobile Robot Positioning with Hybrid Learning
Hatter Department of Marine Technologies, University of Haifa（海法大学海洋技术系）
本文提出MoRPINet框架，通过蛇形滑行运动引导机器人非线性行为，利用神经网络回归行驶距离，以减少惯性导航中的定位误差。
2024-12-01 cs.RO eess.SP
The Monado SLAM Dataset for Egocentric Visual-Inertial Tracking
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Collabora Ltd.（Collabora有限公司）；CIFASIS, CONICET-UNR
本文提出Monado SLAM数据集，用于解决头戴式设备中高动态运动、动态遮挡等挑战性场景下的视觉-惯性里程计与SLAM问题。
2025-07-31 cs.CV cs.RO
Event-Driven On-Sensor Locomotion Mode Recognition Using a Shank-Mounted IMU with Embedded Machine Learning for Exoskeleton Control
Align Technology, Inc.（Align Technology公司）
本文提出一种基于嵌入式机器学习的鞋踝-mounted IMU系统，用于实时识别下肢外骨骼控制中的运动模式，以提高控制效率和鲁棒性。
2026-02-24 cs.RO
Multiple and Gyro-Free Inertial Datasets
University of Haifa（海法大学）
本文针对无陀螺仪惯性导航系统（GFINS）和多惯性测量单元（MIMU）架构缺乏公开数据集的问题，利用54个惯性传感器设计并记录了包含35小时数据及真实轨迹的GFINS和MIMU数据集，以推动该领域研究。
2024-03-21 cs.LG cs.RO eess.SP
A Comparison of Three Measurement Models for the Wheel-mounted MEMS IMU-based Dead Reckoning System
Wuhan University（武汉大学）
自主航位推算（DR）系统是对陆地车辆全球导航卫星系统（GNSS）的补充，里程表辅助惯性导航系统（ODO/INS）是其经典解决方案。在这项研究中，我们使用一个车轮安装的MEMS IMU（车轮IMU），以取代里程表，并进一步研究了三种类型的测量模型，包括速度测量，位移增量测量，接触点零速度测量，在车轮IMU为基础的DR系统。通过误差状态扩展的卡尔曼滤波器（EKF）将轮式惯性测量单元产生的测量值与非完整约束（NHC）融合到惯导系统中。理论讨论和现场测试说明了三种测量方法在整体DR性能方面的可行性和等效性。最大水平位置漂移均小于总行进距离的2%。此外，位移增量测量模型对车轮IMU和车轮中心之间的杠杆臂误差不太敏感。
2021-06-02 cs.RO
On Observability and Identifiability of Tightly-coupled Ultrawideband-aided Inertial Localization
Institute for Aerospace Studies（航空航天研究所）；University of Toronto（多伦多大学）
超宽带（UWB）无线电和惯性测量单元（IMU）的组合可以提供精确的定位。为了确保可靠的通信，无线电通常安装在移动系统的末端，而IMU位于更靠近重心的位置以用于控制，从而导致IMU和UWB无线电之间存在空间偏移。此外，来自异构传感器的数据可以在不同的时刻到达。多源数据的系统融合需要知道传感器之间的时间偏移和空间偏移。标定的一个重要方面是系统状态的可观测性和系统参数的可辨识性。估计系统的状态或参数，否则是不可观察或不可识别的，可能会导致差的估计。本文研究了紧耦合超宽带辅助惯性定位系统的状态局部弱能观性和时间偏移量的可辨识性。
2021-07-29 cs.RO
Wheel-GINS: A GNSS/INS Integrated Navigation System with a Wheel-mounted IMU
University of Bonn（波恩大学）；Institute of Geodesy and Geoinformation（大地测量与地理信息研究所）；Center for Robotics（机器人中心）；University of Oxford（牛津大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）；GNSS Research Center（全球导航卫星系统研究中心）；Wuhan University（武汉大学）
本文提出Wheel-GINS，利用扩展卡尔曼滤波器融合GNSS与轮载IMU，并在线估计安装参数，以在GNSS中断时抑制漂移并提升定位精度。
2025-01-06 cs.RO
Deep Learning Assisted Inertial Dead Reckoning and Fusion
University of Haifa（海法大学）
针对GNSS中断下惯性导航漂移问题，提出深度学习增强的周期性运动惯性距离回归与神经-惯性融合滤波方法，并在机器人和四旋翼337分钟数据上验证。
2024-07-23 cs.RO
Large-Scale LiDAR-Inertial Dataset for Degradation-Robust High-Precision Mapping
Ningbo Institute of Materials Technology and Engineering（宁波材料技术研究所）；Politecnico di Milano（米兰理工学院）；Chinese Academy of Sciences（中国科学院）
本文构建了一个覆盖多类大规模真实环境的高精度激光雷达-惯性数据集，并以SLAM优化、RTK-GNSS锚定和倾斜摄影测量保证轨迹真值，用于评估LIO系统的退化鲁棒性与泛化能力。
2025-07-28 cs.RO
LVI-Q: Robust LiDAR-Visual-Inertial-Kinematic Odometry for Quadruped Robots Using Tightly-Coupled and Efficient Alternating Optimization
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电子工程学院）；URobotics Corp.（URobotics公司）
针对四足机器人在复杂环境中的定位漂移问题，提出紧耦合激光-视觉-惯性-运动学里程计系统，通过优化与滤波交替融合多传感器信息，在公开和长期数据集上展现出鲁棒性能。
2025-10-17 cs.RO
DogLegs: Robust Proprioceptive State Estimation for Legged Robots Using Multiple Leg-Mounted IMUs
Center for Robotics（机器人研究中心）；Institute of Geodesy and Geoinformation（大地测量与地理信息研究所）；Humanoid Robots Lab（人形机器人实验室）；GNSS Research Center（全球导航卫星系统研究中心）
本文提出DogLegs系统，通过扩展卡尔曼滤波融合多传感器测量，提升四足机器人在极端环境下的状态估计精度，相关代码与数据集将公开供研究使用。
2026-09-04 cs.RO
EAROL: Environmental Augmented Perception-Aware Planning and Robust Odometry via Downward-Mounted Tilted LiDAR
School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）
针对开顶场景下无人机定位漂移与感知-规划耦合问题，提出EAROL框架，采用下装倾斜LiDAR（20°），集成紧耦合LIO系统与分层轨迹优化算法，硬件创新增强约束与环境感知，实验显著提升定位精度与感知覆盖率，为灾后搜救提供鲁棒方案。
2025-08-20 cs.RO
Constrained Factor Graph Optimization for Robust Networked Pedestrian Inertial Navigation
Dept. of Aerospace Engineering and Mechanics, Univ. of Minnesota, Twin Cities, Minnesota 55455, USA（航空航天工程与力学系，明尼苏达大学，双城分校，明尼苏达州55455，美国）；Dept. of Electrical and Computer Engineering, Univ. of California, Riverside, CA 92521, USA（电气与计算机工程系，加州大学，河滨分校，加利福尼亚州92521，美国）
针对网络化行人惯性导航漂移问题，提出在FGO中融合ZUPT等式约束与基于softmax惩罚的IMU间距不等式约束，实现多历元最优轨迹估计并优于卡尔曼滤波。
2025-05-13 cs.RO cs.SY eess.SY
A Robust Approach for LiDAR-Inertial Odometry Without Sensor-Specific Modeling
University of Bonn, Center for Robotics（波恩大学机器人中心）
本文提出一种无需传感器特定建模的鲁棒激光雷达-惯性里程计方法，通过简化惯性测量单元积分模型和直接扫描到地图的激光雷达配准，提升整体里程计性能，并在多种机器人传感器和平台数据集上验证了其鲁棒性。
2026-04-16 cs.RO
iKalibr-RGBD: Partially-Specialized Target-Free Visual-Inertial Spatiotemporal Calibration For RGBDs via Continuous-Time Velocity Estimation
School of Geodesy and Geomatics, Wuhan University（武汉大学测绘学院）
针对原有iKalibr视觉惯性标定方法计算成本高的问题，提出无目标的iKalibr-RGBD方法，利用RGBD深度信息采用无建图自速度估计替代建图位姿估计，继承原流程且计算更高效，已开源。
2024-10-31 cs.RO
MIL-LC: A Robust Magnetometer-Inertial-LiDAR Fusion Multimodal Localization Framework
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；Centre for Advanced Robotics Technology Innovation (CARTIN)（先进机器人技术创新中心）
提出MIL-LC框架，融合磁力计、惯性和LiDAR，解决GNSS缺失、几何重复或无纹理环境下的定位问题，通过磁地图与LiDAR退化检测实现鲁棒定位。
2026-06-25 cs.RO
Navion: A 2mW Fully Integrated Real-Time Visual-Inertial Odometry Accelerator for Autonomous Navigation of Nano Drones
MIT（麻省理工学院）
本文介绍了Navion，一种用于视觉惯性里程计（VIO）的节能加速器，可实现小型机器人的自主导航（例如，纳米无人机）和便携式设备上的虚拟/增强现实。该芯片使用惯性测量和单/立体图像来估计无人机的轨迹和环境的3D地图。这个估计是通过运行一个国家的最先进的VIO算法的基础上非线性因子图优化，这需要大量的不规则结构的内存和异构的计算流。为了减少能耗和占地面积，整个VIO系统完全集成在芯片上，以消除昂贵的片外处理和存储。这项工作使用压缩和利用结构化和非结构化稀疏减少片上存储器大小的4.1 $\times$。在严格的面积限制下使用网格，可将吞吐量提高43%。该芯片采用65 nm CMOS工艺制造，可实时的【形】处理752幅来自EuRoC数据集的$\times$ 480立体图像，平均功耗仅为2 mW。在其峰值性能下，Navion可以以高达171 fps的速度处理立体图像，并以高达52 kHz的速度进行惯性测量，而平均功耗为24 mW。该芯片可配置为最大限度地提高精度，吞吐量和能效权衡，并适应不同的环境。据我们所知，这是第一个在ASIC中完全集成的VIO系统。
2018-09-15 cs.RO
Design and Implementation of an Inertial Navigation System for Pedestrians Based on a Low-Cost MEMS IMU
Department of Engineering ``Enzo Ferrari'', University of Modena（工程系（恩佐·费拉里），莫德纳大学）；Department of Science and Methods for Engineering, University of Modena（工程科学与方法系，莫德纳大学）
本文提出一种低成本MEMS IMU的行人惯性导航系统，通过改进的卡尔曼滤波和步态检测算法，有效抑制位置漂移，提升导航精度。
2015-03-07 cs.RO cs.SY eess.SY
CaptAinGlove: Capacitive and Inertial Fusion-Based Glove for Real-Time on Edge Hand Gesture Recognition for Drone Control
DFKI（德国人工智能研究中心）；RPTU Kaiserslautern-Landau（凯撒斯劳滕-兰道莱茵-普法尔茨理工大学）
本文提出低功耗、小内存的纺织手套CaptAinGlove，通过轻量CNN与分层多模态融合实现无人机手势的实时边缘识别，离线F1达80%，边缘实时F1达67%。
2023-06-07 cs.HC cs.LG cs.RO
Range-Visual-Inertial Odometry: Scale Observability Without Excitation
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
对于大多数机器人应用来说，以恒定速度行进是最有效的轨迹。不幸的是，没有加速度计激励，单目视觉惯性里程计（VIO）不能观察规模和遭受严重的误差漂移。这是将一维激光测距仪纳入美国宇航局的Inconvenity火星直升机导航系统的主要动机。然而，Incidity的简化方法仅限于平坦地形。提出了一种基于面约束的距离测量更新模型。由此产生的范围VIO方法不再限于平面场景，而是扩展到任何通用机器人应用程序的任意结构。一个重要的理论结果表明，尺度不再是零或常加速度运动的可观性矩阵的右零空间。实际上，这意味着在匀速运动下，尺度变得可观察，这使得在任意地形上进行简单而强大的自主操作成为可能。由于测距仪占用空间小，因此range-VIO保留了VIO的最小尺寸、重量和功率属性，并具有类似的运行时间。的好处进行评估的真实飞行数据代表常见的空中机器人方案。使用室内应力数据和全状态地面实况证明了鲁棒性。我们发布了我们的软件框架，称为xVIO，作为开源。
2021-03-28 cs.RO
Deep Learning for Inertial Sensor Alignment
ALMA Technologies Ltd（阿尔玛技术有限公司）
针对行驶车辆中移动设备惯性传感器的对齐需求，提出仅用IMU数据、无需GNSS输入的DNN偏航安装角估计方法，5秒达8度、27秒达4度精度，性能媲美现有方案。
2024-04-10 cs.CV cs.LG cs.RO
Time-Varying ALIP Model and Robust Foot-Placement Control for Underactuated Bipedal Robot Walking on a Swaying Rigid Surface
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Michigan（密歇根大学）；Ohio State University（俄亥俄州立大学）；Purdue University（普渡大学）
用于在动态刚性表面（DRS）上双足行走的控制器设计，动态刚性表面是在惯性系中移动的刚性表面（例如，船舶和飞机），仍然在很大程度上没有调查。本文介绍了一种分层控制方法，实现了稳定的欠驱动双足机器人在水平振荡DRS上行走。我们的方法的最高层是一个实时运动规划器，它生成所需的全局行为（即，质心轨迹和脚步位置）。这一层的一个关键的新颖性是推导出的降阶模型，通过分析扩展的角动量为基础的线性倒立摆（ALIP）模型从静止到水平移动的表面。另一个新颖之处是开发了一个离散时间的脚放置控制器，指数稳定的混合动力，线性，时变ALIP模型。所提出的方法的中间层是一个行走模式生成器，它将所需的全局行为转化为机器人的全身参考轨迹，用于所有直接驱动的自由度。最低层是一个输入输出线性化控制器，指数跟踪这些全身参考轨迹的基础上，全阶，混合，非线性机器人动力学。对平面欠驱动双足机器人在摇摆DRS上行走的仿真结果表明，该框架能够保证机器人在不同DRS运动和步态类型下的行走稳定性。
2022-11-29 cs.RO
MUN-FRL: A Visual Inertial LiDAR Dataset for Aerial Autonomous Navigation and Mapping
Memorial University of Newfoundland（纽芬兰纪念大学）；National Research Council of Canada（加拿大国家研究委员会）
该论文提出了一个多传感器空中视觉-惯性-激光雷达数据集，用于GNSS拒止环境下的自主导航与建图，涵盖多种飞行距离和环境，并提供标定和基准性能总结。
2023-10-12 cs.RO eess.IV
Continuous locomotion mode recognition and gait phase estimation based on a shank-mounted IMU with artificial neural networks
Technical University of Darmstadt（达姆施塔特工业大学）
为了提高可穿戴机器人的步态辅助控制，我们提出了一种基于人工神经网络，包括时间历史信息的连续运动模式识别以及步态相位和楼梯坡度估计的方法。输入特性仅包括可使用单个安装在柄上的惯性测量单元测量的处理变量。我们引入了一个可穿戴设备来获取真实环境的测试数据，以证明该方法的性能和鲁棒性。确定了稳定水平行走和稳定爬楼梯的平均绝对误差（步态相位、楼梯坡度）和准确度（运动模式）。使用来自不同传感器硬件、传感器固定、Amplitude环境和受试者的测试数据评估稳健性。步态相位的稳定步态测试数据的平均绝对误差对于步态相位估计为2.0- 3.5%，对于楼梯坡度估计为3.3-3.8°。利用时程信息对测试数据进行正确运动模式分类的准确率在98.51%和99.67%之间。结果表明，高性能和鲁棒性的连续预测步态相位，楼梯坡度和运动模式在稳定的步态。正如假设的那样，时间历史信息提高了运动模式识别。然而，虽然步态相位估计对于运动模式之间的未经训练的过渡表现良好，但我们的定性分析表明，将过渡数据包括到神经网络的训练中以改善斜率和运动模式的预测可能是有益的。我们的研究结果表明，人工神经网络可用于高层次的可穿戴下肢机器人控制。
2022-08-01 cs.RO cs.SY eess.SY
Vision-Aided Relative State Estimation for Approach and Landing on a Moving Platform with Inertial Measurements
I3S, CNRS, Université Côte d’Azur（I3S、CNRS、普罗旺斯大学）；Département d’informatique et d’ingénierie, Université du Québec en Outaouis and Department of Electrical Engineering, Lakehead University（信息与工程系、魁北克大学 Outaouais 以及拉夫堡大学电子工程系）；Systems Theory and Robotics Group Australian National University（系统理论与机器人组、澳大利亚国立大学）；Institut Universitaire de France (IUF)（法国高等研究院）
提出一种级联观测器，结合SO(3)互补滤波和线性Riccati观测器，利用IMU和单目相机估计无人机与移动平台的相对位姿和速度，在持续激励条件下实现几乎全局渐近稳定。
2026-06-11 cs.RO cs.SY eess.SY
Multi-IMU Sensor Fusion for Legged Robots
Carnegie Mellon University（卡内基梅隆大学）；Northwestern University（西北大学）
本文提出一种融合多IMU、关节编码器与相机数据的腿足机器人状态估计方法，通过扩展卡尔曼滤波与因子图滑动窗口估计器实现低漂移位姿和速度估计，并在多种挑战性运动场景中验证了其鲁棒性。
2025-07-15 cs.RO cs.SY eess.SY
Data-Driven Strategies for Coping with Incomplete DVL Measurements
University of Haifa（海法大学）；Charney School of Marine Sciences（查尼海洋科学学院）；The Hatter Department of Marine Technologies（哈特海洋技术系）
针对自主水下航行器DVL测量不完整导致定位误差的问题，对比两种深度学习方法与模型估计器补全缺失波束的效果，实验表明深度学习方法速度预测精度高16%以上。
2024-01-28 cs.AI cs.RO cs.SY
FoMo: A Multi-Season Dataset for Robot Navigation in Forêt Montmorency
FoMo数据集通过多季节数据挑战机器人导航算法的鲁棒性，提供丰富的环境变化数据以评估定位与建图技术的适应性。
2026-10-06 cs.RO
EREBUS: End-to-end Robust Event Based Underwater Simulation
Maryland Robotics Center, University of Maryland, College Park, MD 20742, USA（马里兰大学机器人中心，马里兰大学，学院公园，MD 20742，美国）
针对水下视觉挑战，提出EREBUS流水线生成AUV搭载事件相机的逼真合成数据，并在低能见度岩石检测任务中验证有效性，可推广至其他水下任务。
2025-11-03 cs.CV cs.RO
LQR-ArUco Fusion: Robust Hierarchical Control for Navigation and Asymmetric Manipulation in Two-Wheeled Robots
针对两轮倒立摆机器人非对称操作中的动态不稳定与导航漂移，提出分层控制框架，结合ArUco视觉全局导航与低延迟惯性/编码器局部控制，实验验证了精确导航、抗冲击与稳定负载能力。
2026-10-06 cs.RO cs.SY eess.SY
