A Mathematical Framework for IMU Error Propagation with Applications to Preintegration
SAFRAN TECH, Groupe Safran（赛峰集团赛峰技术中心）；MINES ParisTech, PSL Research University（巴黎文理研究大学巴黎国立高等矿业学院）；ISEA, University of New Caledonia（新喀里多尼亚大学环境与空间物理研究所）
To fuse information from inertial measurement units (IMU) with other sensors one needs an accurate model for IMU error propagation in terms of position, velocity and orientation, a triplet we call extended pose. In this paper we leverage a nontrivial result, namely log-linearity of inertial navigation equations based on the recently introduced Lie group $SE_2(3)$, to transpose the recent methodology of Barfoot and Furgale for associating uncertainty with poses (position, orientation) of $SE(3)$ when using noisy wheel speeds, to the case of extended poses (position, velocity, orientation) of $SE_2(3)$ when using noisy IMUs. Besides, our approach to extended poses combined with log-linearity property allows revisiting the theory of preintegration on manifolds and reaching a further theoretic level in this field. We show exact preintegration formulas that account for rotating Earth, that is, centrifugal force and Coriolis effect, may be derived as a byproduct.
Equivariant IMU Preintegration with Biases: a Galilean Group Approach
Control of Networked Systems Group, University of Klagenfurt（克雷根福尔特大学网络化系统控制组）；System Theory and Robotics Lab, Australian National University（澳大利亚国立大学系统理论与机器人实验室）
Associating Uncertainty to Extended Poses for on Lie Group IMU Preintegration with Rotating Earth
MINES ParisTech, PSL Research University（巴黎高等矿业学院，PSL研究大学）；Safran Tech, Groupe Safran（赛峰集团赛峰技术中心）；ISAE（法国高等航空航天学院）；University of New Caledonia（新喀里多尼亚大学）
Key Laboratory of Autonomous Systems and Networked Control, Ministry of Education, Unmanned Aerial Vehicle Systems Engineering Technology Research Center of Guangdong, South China University of Technology, Guangzhou（自主系统与网络化控制重点实验室、教育部、广东无人飞行器系统工程科技研究中心、华南理工大学，广州）
On-Manifold Preintegration for Real-Time Visual-Inertial Odometry
University of Zurich（苏黎世大学）；Massachusetts Institute of Technology（麻省理工学院）；Georgia Institute of Technology（佐治亚理工学院）
目前的视觉惯性里程计（VIO）方法能够通过非线性优化获得高精度的状态估计。然而，随着轨迹随时间增长，实时的【形】优化很快变得不可行，惯性测量以高速率进行的事实进一步强调了这个问题，因此导致优化中变量数量的快速增长。在本文中，我们解决这个问题，通过预集成惯性测量选定的关键帧之间的单一相对运动约束。我们的第一个贡献是一个\emph{preintegration theory}，适当地解决了旋转群的流形结构。我们正式讨论生成测量模型以及旋转噪声的性质，并推导出\emph{maximum a posteriori}状态估计器的表达式。我们的理论发展，使所有必要的雅可比矩阵的优化和后验偏差校正的分析形式的计算。第二个贡献是表明，预集成IMU模型可以无缝集成到一个视觉惯性管道下的统一框架的因素图。这使得能够应用增量平滑算法并使用\emph{structureless}模型进行视觉测量，这避免了对3D点的优化，进一步加速了计算。我们在真实和模拟数据集上对单目\VIO管道进行了广泛的评估。结果证实，我们的建模工作导致准确的状态估计在实时的【形】，优于国家的最先进的方法。
Underwater Visual-Inertial-Acoustic-Depth SLAM with DVL Preintegration for Degraded Environments
School of Ocean Engineering and Technology & Southern Marine science and Engineering Guangdong Laboratory (Zhuhai), Sun Yat-sen University（海洋工程学院及南方海洋科学与工程广东实验室（珠海），中山大学）；Guangdong Provincial Key Laboratory of Information Technology for Deep Water Acoustics（广东省信息技术创新深水声学重点实验室）；Key Laboratory of Comprehensive Observation of Polar Environment (Sun Yat-sen University), Ministry of Education（极地环境综合观测重点实验室（中山大学），教育部）；School of Marine Science and Technology Domain, Beijing Institute of Technology (Zhuhai)（海洋科学与技术学院，北京理工大学（珠海））
LiDAR-Inertial Odometry Based on Extended Kalman Filter
Institute of Innovation for Future Society, Nagoya University（名古屋大学未来社会创新研究所）；LOCT Co., Ltd.（LOCT有限公司）；Graduate School of Science and Technology, University of Tsukuba（筑波大学理工学研究科）
FF-LINS: A Consistent Frame-to-Frame Solid-State-LiDAR-Inertial State Estimator
GNSS Research Center, Wuhan University（武汉大学GNSS研究中心）；Hubei Luojia Laboratory（湖北珞珈实验室）；Artificial Intelligence Institute of Wuhan University（武汉大学人工智能研究院）
