Doppler-SLAM: Doppler-Aided Radar-Inertial and LiDAR-Inertial Simultaneous Localization and Mapping
Julius-Maximilians-Universität Würzburg（乌尔姆-马克斯-普朗克大学）；Zentrum für Telematik e.V.（电信研究中心）；Nuremberg Institute of Technology Georg Simon Ohm（纽伦堡技术学院 Georg Simon Ohm）；CARIAD SE（CARIAD SE公司）；University of Bonn（波恩大学）；Center for Robotics（机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（Lamarr机器学习与人工智能研究所）
Doppler-SLAM通过融合多普勒雷达、激光雷达和惯性传感器，提升在复杂环境下的定位与建图精度和鲁棒性。
2026-02-04 cs.RO
A LiDAR-Inertial-Visual SLAM System with Loop Detection
据我们所知，我们已经提出了第一个激光雷达-惯性-视觉融合同时定位与地图构建（SLAM）系统，具有很强的位置识别能力。我们提出的SLAM系统由视觉惯性测距（VIO）和激光雷达惯性测距（LIO）子系统组成。我们提出了LIO子系统，利用激光雷达和惯性传感器的测量来构建本地里程图，并提出了VIO子系统，它采用视觉信息来构建2D-3D关联地图。然后，我们提出了一个迭代的卡尔曼滤波器为基础的优化功能，以优化投影图像像素和本地3D点之间的基于局部投影的2D到3D的摄影测量误差，使鲁棒的2D-3D对齐。最后，我们还提出了后端姿态图全局优化和精心设计的闭环检测网络，以提高整个SLAM系统的精度。在复杂的现实环境中部署在UGV上的大量实验表明，我们提出的LiDAR视觉惯性定位系统在精度，效率和鲁棒性方面优于当前最先进的。
2023-01-13 cs.RO
ORB-SLAM3: An Accurate Open-Source Library for Visual, Visual-Inertial and Multi-Map SLAM
Universidad de Zaragoza（萨拉戈萨大学）
本文介绍了ORB-SLAM 3，第一个系统能够执行视觉，视觉惯性和多地图SLAM与单目，立体和RGB-D相机，使用针孔和鱼眼镜头模型。第一个主要的新颖性是一个基于特征的紧密集成的视觉惯性SLAM系统，该系统完全依赖于最大后验（MAP）估计，即使在IMU初始化阶段。其结果是系统在小型和大型，室内和室外环境中实时运行，并且比以前的方法精确2到5倍。第二个主要的新颖性是一个多地图系统，依赖于一个新的地方识别方法，提高了召回。多亏了它，ORB-SLAM 3能够在长时间的视觉信息不佳的情况下生存下来：当它迷路时，它会启动一个新的地图，当重新访问地图区域时，该地图将与以前的地图无缝合并。与仅使用最后几秒的信息的视觉里程计系统相比，ORB-SLAM 3是第一个能够在所有算法阶段中重用所有先前信息的系统。这允许在光束法平差中包括共同可见的关键帧，其提供高视差观测以提高准确性，即使它们在时间上被广泛分离或者如果它们来自先前的映射会话。我们的实验表明，在所有的传感器配置，ORB-SLAM 3是在文献中可用的最好的系统一样强大，并显着更准确。值得注意的是，我们的立体惯性SLAM在EuRoC无人机上实现了3.6 cm的平均精度，在TUM-VI数据集（AR/VR场景的代表性设置）的房间中快速手持运动下实现了9 mm的平均精度。为了社区的利益，我们公开了源代码。
2021-04-23 cs.RO
GeoFlow-SLAM++: A Robust Multi-Camera Visual-Inertial SLAM System with Relocalization
Horizon Robotics（地平线机器人）
提出GeoFlow-SLAM++多相机视觉惯性SLAM系统，通过统一身体中心公式融合多相机约束、IMU预积分和跨视角重定位，支持ORB和神经网络特征前端，在多个数据集上实现鲁棒定位，性能接近LiDAR。
2026-06-25 cs.RO
Schmidt or Compressed filtering for Visual-Inertial SLAM?
University of Technology Sydney（悉尼科技大学）；Queensland University of Technology（昆士兰科技大学）
视觉-惯性SLAM由于具有重量轻、性价比高、信息量大等优点而得到了广泛的研究。一个多状态约束滤波器（MSCKF）和施密特版本已经开发，以解决计算成本，它把关键帧作为静态滋扰参数，导致次优性能。我们提出了一种新的压缩MSCKF，它可以实现适度的计算成本，提高精度。通过保持具有压缩形式的信息增益，其可以限制为$\mathcal{O}(L)$，其中$L$是局部关键帧的数量。该系统的性能进行了评估，使用MATLAB仿真器。
2021-09-29 cs.RO
Optimization-Based Visual-Inertial SLAM Tightly Coupled with Raw GNSS Measurements
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
与文献中的松耦合方法和基于EKF的方法不同，我们提出了一种基于优化的视觉惯性SLAM与原始全球导航卫星系统（GNSS）测量值紧密耦合，这是文献中的第一次尝试。更具体地，在滑动窗口内联合地最小化重投影误差、IMU预积分误差和原始GNSS测量误差，其中考虑了图像和原始GNSS测量之间的非线性。此外，还讨论了边缘化、噪声测量去除以及处理脆弱情况等问题。在复杂城市场景中的公共数据集上的实验结果表明，我们提出的方法优于最先进的视觉惯性SLAM，GNSS单点定位，以及松耦合方法，包括主要包含低层建筑物的场景和包含城市峡谷的场景。
2021-10-24 cs.RO
Fast and Robust Initialization for Visual-Inertial SLAM
Instituto de Investigación en ingeniería de Aragón (I3A)（阿拉贡工程研究所（I3A））；Universidad de Zaragoza（萨拉戈萨大学）
视觉惯性SLAM（VI-SLAM）需要对初始速度、相对于重力的定向以及陀螺仪和加速度计偏差的良好初始估计。在本文中，我们建立在Martinelli提出的初始化方法，并由Kaiser等人扩展，修改它更通用和有效。我们提高精度与几轮的视觉惯性光束法平差，鲁棒的方法与新的可观测性和共识测试，丢弃错误的解决方案。我们在EuRoC数据集上的结果表明，虽然原始方法产生的尺度误差高达156%，但我们的方法能够在不到两秒的时间内始终初始化，尺度误差约为5%，10秒后执行视觉惯性光束法平差，可以进一步减少到1%以下。
2019-08-28 cs.RO
LiDAR-Inertial 3D SLAM with Plane Constraint for Multi-story Building
Zhejiang University（浙江大学）
与室外环境相比，室内多层建筑最明显的特征是平面的普遍存在和结构的一致性。在本文中，我们提出了一个紧密耦合的激光雷达惯性三维SLAM框架与平面特征的多层建筑。我们提出的框架主要由三个部分组成：紧耦合激光雷达-惯性里程计，提取的代表性平面的结构，因子图优化。通过建立局部地图和惯性测量单元（IMU）的预积分，我们得到激光雷达扫描到局部地图的匹配和IMU测量，分别。最小化联合成本函数以获得LiDAR-惯性测距信息。一旦一个新的关键帧被添加到图中，这个关键帧的所有平面，可以代表结构特征提取，以找到不同的姿势和故事之间的约束。提出了一种基于关键帧的因子图，并利用LiDAR-惯性测距法进行关键帧位姿细化。实验结果表明，与现有的算法相比，该算法在准确率上有着突出的表现。
2022-02-17 cs.RO
An Enhanced LiDAR-Inertial SLAM System for Robotics Localization and Mapping
基于LiDAR和惯性传感器的定位和地图绘制对于无人地面车辆相关应用具有重要意义。在这项工作中，我们已经开发了一种改进的激光雷达惯性定位和测绘系统的无人地面车辆，这是适合于多功能的搜索和救援应用。与现有的基于激光雷达的定位和地图系统，如LOAM相比，我们有两个主要的贡献：第一个是基于粒子群滤波器的激光雷达SLAM的鲁棒性的提高，而第二个是闭环方法开发的全局优化，以提高整个系统的定位精度。实验结果表明，该方法提高了激光雷达SLAM系统的定位精度和鲁棒性。最后，在香港科学园以及其他室内外真实复杂的测试环境中进行了系统的实验测试，验证了本文方法的有效性和效率。实验结果表明，该系统具有较高的精度、鲁棒性和效率。该系统对无人地面车辆在未知环境中的定位和测绘具有重要意义。
2022-12-29 cs.RO
GeVI-SLAM: Gravity-Enhanced Stereo Visua Inertial SLAM for Underwater Robots
School of Data Science, Chinese University of Hong Kong, Shenzhen, China（数据科学学院，香港中文大学（深圳））；School of Life Sciences, Chinese University of Hong Kong, China（生命科学学院，香港中文大学）
针对水下机器人VI SLAM面临的视觉退化、IMU运动激励不足问题，提出重力增强的GeVI-SLAM系统，通过重力初始化解耦姿态、采用3点求解器与偏置消除4-DOF PnP估计器、自适应重力先验加权，实现了更高的定位精度与稳定性。
2025-10-28 cs.RO
A Probabilistic-based Drift Correction Module for Visual Inertial SLAMs
The Ohio State University（俄亥俄州立大学）
针对视觉惯性SLAM/VIO长距离行进中漂移误差大的问题，提出一种基于概率的漂移校正模块，将定位测量建模为多元分布并通过求解众数校正漂移，可集成到任意SLAM/VIO方法中，实验显示长距离下漂移误差降低10倍。
2024-04-15 cs.RO
A Visual-Inertial Motion Prior SLAM for Dynamic Environments
College of Instrumental Science and Optoelectronic Engineering, Beijing University of Aeronautics and Astronautics（北京航空航天大学仪器科学与光电工程学院）
针对基于静态假设的VI-SLAM在动态环境中的定位风险，提出IDY-VINS系统，利用惯性运动先验预处理动态特征点并优化残差，实验表明其定位精度和时间成本优于现有方法。
2025-04-13 cs.RO
DynaVINS: A Visual-Inertial SLAM for Dynamic Environments
KAIST（韩国科学技术院）
视觉惯性里程计和SLAM算法广泛应用于各种领域，例如服务机器人、无人机和自动驾驶车辆。大多数SLAM算法都是基于地标是静态的假设。然而，在现实世界中，各种动态对象的存在，他们降低姿态估计精度。此外，暂时静止的物体，在观察期间是静止的，但当它们在视线之外时会移动，触发假阳性循环关闭。为了克服这些问题，我们提出了一种新的视觉惯性SLAM框架，称为DynaVINS，这是强大的对动态对象和暂时静态对象。在我们的框架中，我们首先提出了一个强大的捆绑调整，可以拒绝从动态对象的功能，利用姿态先验估计的IMU预积分。然后，提出了关键帧分组和基于多假设的约束分组方法，以减少暂时静止对象在循环关闭中的影响。随后，我们在一个包含大量动态对象的公共数据集中评估了我们的方法。最后，实验结果证实，我们的DynaVINS具有良好的性能相比，其他国家的最先进的方法，成功地拒绝动态和暂时静态对象的影响。我们的代码可在https://github.com/url-kaist/dynaVINS上获得。
2022-08-24 cs.RO
Continuous-Time Fixed-Lag Smoothing for LiDAR-Inertial-Camera SLAM
Zhejiang University（浙江大学）；Technical University of Munich（慕尼黑工业大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
近年来，异构多传感器融合的定位和地图绘制已经非常流行。为了充分融合在不同时刻和不同频率接收到的多模态传感器测量，我们在因子图优化框架内通过固定滞后平滑来估计连续时间轨迹。利用连续时间公式，我们可以查询与传感器测量相对应的任何时刻的姿态。为了限制连续时间固定滞后平滑器的计算复杂度，我们保持时间和关键帧滑动窗口具有恒定的大小，并概率地边缘化轨迹和其他状态的控制点，这允许保留先验信息以用于未来的滑动窗口优化。基于连续时间固定滞后平滑，我们设计了具有各种传感器组合的紧密耦合多模态SLAM算法，如LiDAR惯性和LiDAR惯性相机SLAM系统，其中也自然支持在线时间偏移校准。更重要的是，受益于边缘化和我们推导出的分析雅可比优化，所提出的连续时间SLAM系统可以实现实时性能，而不管连续时间制定的高复杂性。所提出的多模态SLAM系统已经在三个公共数据集和自收集数据集上进行了广泛的评估。结果表明，所提出的连续时间SLAM系统可以实现高精度的姿态估计，并优于现有的最先进的方法。为了使研究社区受益，我们将在~ \url{https://github.com/APRIL-ZJU/clic}上开源我们的代码。
2023-02-15 cs.RO
$D^2$SLAM: Decentralized and Distributed Collaborative Visual-inertial SLAM System for Aerial Swarm
Hong Kong University of Science and Technology（香港科技大学）；HKUST-DJI Joint Innovation Laboratory（香港科技大学-大疆创新联合创新实验室）
针对现有协作SLAM相对定位精度不足的问题，提出去中心化分布式的$D^2$SLAM系统，通过远近场结合估计、多相机适配前端和分布式优化，实现高精度定位与强鲁棒性，推动无人机集群技术发展。
2024-06-23 cs.RO
From Underground Mines to Offices: A Versatile and Robust Framework for Range-Inertial SLAM
Instituto Tecnológico de Aragón (ITA)（阿拉贡理工学院）；Instituto de Investigación en Ingeniería de Aragón (I3A)（阿拉贡工程研究所）；Universidad de Zaragoza（萨拉戈萨大学）
本研究提出通用鲁棒的测距-惯性SLAM框架LG-SLAM，整合多传感器数据与图优化，适配多场景且调参少，在多样环境下平均误差低于20厘米，性能优于现有先进算法。
2025-01-13 cs.RO
SuperVINS: A Real-Time Visual-Inertial SLAM Framework for Challenging Imaging Conditions
Wuhan University（武汉大学）
针对传统视觉惯性SLAM在低光、运动模糊下易跟踪丢失的问题，提出集成SuperPoint、LightGlue与RANSAC增强策略的SuperVINS框架，在EuRoC数据集上实现了兼具精度、鲁棒性与实时性的定位建图，且代码已开源。
2024-11-03 cs.RO
PanoAir: A Panoramic Visual-Inertial SLAM with Cross-Time Real-World UAV Dataset
School of Aeronautics and Astronautics, Sun Yat-sen University（中山大学航空航天学院）
本文提出PanoAir全景视觉-惯性SLAM框架，通过全景特征提取与闭环优化提升无人机在复杂环境下的姿态估计精度与鲁棒性，实验验证其优于现有方法。
2026-10-19 cs.RO
MVP-SLAM: Multi-Camera Visual-Inertial Floorplan-Prior SLAM
University of Luxembourg（卢森堡大学）
针对室内施工场景视觉SLAM漂移问题，提出MVP-SLAM，利用双鱼眼相机在线匹配墙壁与楼层平面图纠正漂移，在Hilti-Trimble挑战赛中定位与SLAM任务均获在线队伍最高排名。
2026-10-01 cs.RO
Co-Planar Parametrization for Stereo-SLAM and Visual-Inertial Odometry
Peking University（北京大学）；Technical University of Munich（慕尼黑工业大学）；Google Inc.（谷歌公司）
这项工作提出了一种新的立体和视觉惯性里程估计的SLAM框架。它建立了一个有效的和强大的参数化共面点和线，利用特定的几何约束，以提高相机姿态优化的效率和准确性。%减小了优化中Hessian矩阵的大小。该流水线包括提取二维点和线，预测平面区域和通过RANSAC过滤离群值。我们的参数化方案，然后表示共面的点和线作为其二维图像坐标和参数的平面。我们证明了所提出的方法的有效性，通过比较它与传统的参数化在一个新的蒙特卡洛模拟集。此外，整个立体声SLAM和VIO系统与公共真实世界数据集EuRoC上的最新方法进行了比较。我们的方法在准确性和效率方面比最先进的方法显示出更好的结果。代码发布在https://github.com/LiXin97/Co-Planar-Parametrization上。
2020-09-26 cs.RO
MAVIS: Multi-Camera Augmented Visual-Inertial SLAM using SE2(3) Based Exact IMU Pre-integration
XR Vision Labs, Tencent（腾讯XR视觉实验室）；ANU（澳大利亚国立大学）
提出MAVIS，一种多相机视觉惯性SLAM系统，利用SE2(3)精确IMU预积分增强快速运动跟踪，在Hilti挑战赛中以1.7倍分数夺冠。
2024-07-16 cs.RO
APVI-SLAM: Real-Time Acoustic-Pressure-Visual-Inertial Localization and Photorealistic Mapping System in Complex Underwater Environment
Hong Kong University of Science and Technology（香港科技大学）；Beijing Institute of Technology（北京理工大学）
针对水下视觉惯性SLAM在极端环境中的问题，提出APVI-SLAM系统，通过可靠性感知定位框架和滑动窗口冻结策略增强鲁棒性，用四叉树引导映射模块助力重建，还贡献数据集，实验证明其实现了实时领先的定位与重建质量。
2026-07-08 cs.RO
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））
本文提出一种融合立体相机、IMU、DVL和压力传感器的图优化SLAM系统，通过DVL预积分与多源残差紧耦合，在视觉退化水下环境中实现高精度、高鲁棒性的定位与建图。
2025-10-24 cs.RO
VIGS-SLAM: Visual Inertial Gaussian Splatting SLAM
ETH Zurich（苏黎世联邦理工学院）；University of Stuttgart（斯图加特大学）；Microsoft（微软公司）
VIGS-SLAM通过融合视觉与惯性信息，实现鲁棒的实时跟踪和高保真重建，克服了纯视觉方法在运动模糊、低纹理等挑战性条件下的局限。
2026-03-13 cs.CV cs.RO
Stereo Visual Inertial LiDAR Simultaneous Localization and Mapping
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
同时定位与地图构建（SLAM）是移动机器人和空中机器人的一项基本任务。与基于视觉的系统相比，基于LiDAR的系统由于其准确性和鲁棒性而被证明是优越的。尽管其优越性，纯基于LiDAR的系统在某些退化情况下会失败，例如通过隧道。我们提出了立体视觉惯性激光雷达（VIL）SLAM，在这些退化的情况下表现更好，在所有其他情况下具有相当的性能。VIL-SLAM通过将紧密耦合的立体视觉惯性里程计（VIO）与LiDAR映射和LiDAR增强的视觉环路闭合相结合来实现这一点。该系统实时生成闭环校正的6-DOF LiDAR姿态和近实时的1cm体素密集图。与最先进的LiDAR方法相比，VIL-SLAM表现出更高的准确性和鲁棒性。
2019-02-27 cs.RO
Direct LiDAR-Inertial Odometry and Mapping: Perceptive and Connective SLAM
University of California Los Angeles（加州大学洛杉矶分校）
针对现有激光雷达SLAM泛化性差、易失效的问题，本文提出兼具前后端创新的DLIOM算法，通过主动防护提升可靠性，在资源受限系统上实现实时运行，且在公开与自采数据集上性能优于现有最优方法。
2023-05-03 cs.RO
BAMF-SLAM: Bundle Adjusted Multi-Fisheye Visual-Inertial SLAM Using Recurrent Field Transforms
Institute for Photogrammetry, University of Stuttgart, Germany（摄影测量研究所，斯图加特大学，德国）；Audiovisual Lab, Huawei Munich Research Center, Germany（视听实验室，华为慕尼黑研究中心，德国）；CAMP, Technical University of Munich, Germany（CAMP，慕尼黑技术大学，德国）；Central Media Technology Institute, Huawei 2012 Laboratories, China（中央媒体技术研究所，华为2012实验室，中国）
提出BAMF-SLAM多鱼眼视觉惯性SLAM系统，结合束调整与循环场变换，实现低纹理场景下高精度鲁棒状态估计，并在多个数据集及Hilti挑战赛中取得领先性能。
2023-06-14 cs.RO
RGB-D-Inertial SLAM in Indoor Dynamic Environments with Long-term Large Occlusion
University of Edinburgh（爱丁堡大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Touchlab Limited（触觉实验室有限公司）；the Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
这项工作提出了一种新的RGB-D-惯性动态SLAM方法，可以实现准确的定位时，相机视图的大部分被遮挡的多个动态对象在很长一段时间。大多数动态SLAM方法或者在动态对象占视觉输入的较小比例时将动态对象作为离群值移除，或者在相机跟踪之前使用语义分割来检测动态对象。因此，在没有先验信息的情况下，难以检测引起大遮挡的动态对象。来自静态背景的剩余视觉信息也不足以在大遮挡持续长时间时支持定位。为了克服这些问题，我们的框架提出了一个强大的视觉惯性光束法平差，同时跟踪相机，估计动态对象的集群密集分割，并保持一个静态稀疏地图相结合的密集和稀疏的功能。实验结果表明，我们的方法实现了有前途的定位和对象分割性能相比，其他国家的最先进的方法在长期的大遮挡的情况下。
2023-03-23 cs.RO
GNSS-stereo-inertial SLAM for arable farming
CIFASIS, French Argentine International Center for Information and Systems Sciences (CONICET-UNR)（法阿国际信息与系统科学中心（国家科学技术研究委员会-罗萨里奥国立大学））；University of Zaragoza（萨拉戈萨大学）
针对农田场景SLAM回环检测难、定位易漂移的问题，提出将GNSS以紧耦合方式融入双目惯性ORB-SLAM3的定位方法，在大豆田数据集上实现10%-30%的位姿误差降低，并开源代码。
2023-07-24 cs.RO
Challenges of SLAM in extremely unstructured environments: the DLR Planetary Stereo, Solid-State LiDAR, Inertial Dataset
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Munich（慕尼黑工业大学）
我们提出了DLR行星立体，固态激光雷达，惯性（S3LI）数据集，记录在山。埃特纳，西西里岛，类似于月球和火星的环境，使用手持式传感器套件，其属性适合在类似太空的移动漫游车上实施。该环境的特征在于视觉和结构外观方面的挑战性条件：严重的视觉混叠对视觉SLAM系统执行位置识别的能力构成了重大限制，而缺乏突出的结构细节，加上所使用的固态LiDAR传感器的有限视场，挑战传统LiDAR SLAM单独使用点云进行姿态估计的任务。这些数据覆盖了在软火山斜坡上超过4公里的行程，我们的目标是：1）提供一种工具来揭示最先进的SLAM系统在环境方面的局限性，这些局限性在广泛可用的数据集中不存在，2）激励开发新的定位和映射方法，有效地依赖于两个传感器的互补能力。可通过以下URL访问数据集：https://rmc.dlr.de/s3li_dataset
2022-07-14 cs.RO
Bidirectional Trajectory Computation for Odometer-Aided Visual-Inertial SLAM
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
里程计辅助的视觉惯性SLAM系统通常具有良好的轮式平台导航性能，但它们通常在第一次转弯之前遭受退化情况。在本文中，我们首先进行可观测性分析w.r.t.第一次转向前的外参数，这是对现有可观测性分析结果的补充。其次，受上述可观测性分析的启发，我们提出了一种双向轨迹计算方法，通过该方法，在向后计算线程中细化第一次转弯之前的位姿，并相应地调整实时轨迹。实验结果表明，该方法不仅解决了加速度计偏差和外参数在第一次转弯前的不可观测性问题，而且与现有方法相比，可以得到更精确的轨迹。
2021-02-20 cs.RO
Know What You Don't Know: Consistency in Sliding Window Filtering with Unobservable States Applied to Visual-Inertial SLAM (Extended Version)
McGill University（麦吉尔大学）
本文针对含不可观测状态的滑动窗口滤波，提出保持一致性的一般性要求，并通过视觉惯性SLAM实验验证其在导航设计中的价值。
2023-05-08 cs.RO
Monocular visual-inertial SLAM algorithm combined with wheel speed anomaly detection
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
针对地面移动机器人单目视觉-惯性里程计可观测性差的问题，提出了一种结合轮速异常检测的单目惯性SLAM算法。该算法采用轮速里程表预积分方法，以紧耦合的方式将轮速测量加入到最小二乘问题中。对于非正常运动情况，如打滑和外展，本文采用基于力矩控制的麦克纳姆移动底盘控制方法。该方法利用运动约束误差来估计轮速测量的可靠性。同时，为了防止不正确的底盘速度测量对机器人位姿估计产生负面影响，本文采用三种方法检测底盘异常运动，并对底盘运动状态进行实时的分析。当底盘运动被确定为异常时，从状态估计方程中去除当前帧的车轮里程表预积分测量，从而确保状态估计的准确性和鲁棒性。实验结果表明，本文方法的精度和鲁棒性优于单目视觉惯性里程计。
2020-03-22 cs.RO
Accurate Monocular Visual-inertial SLAM using a Map-assisted EKF Approach
提出了一种新的紧耦合单目视觉-惯性同时定位与地图构建算法，该算法能够在标准CPU上实时的在全局一致的地图上进行精确、鲁棒的定位。这是通过首先执行视觉惯性扩展卡尔曼滤波器（EKF）以提供高速运动估计来实现的。然而，由于众所周知的线性化问题，滤波器变得不一致。因此，我们执行基于关键帧的视觉惯性光束法平差，以提高系统的一致性和精度。此外，还增加了环路闭合检测和校正模块，以消除重访区域时的累积漂移。最后，将优化后的运动估计和地图反馈给基于EKF的视觉-惯性测距模块，从而减小EKF估计器的不一致性和估计误差。以这种方式，系统可以连续地为长期操作提供可靠的运动估计。在公开数据集和真实实验上对算法的性能进行了验证，证明了算法的优越性。
2018-03-31 cs.RO
Voxel-SLAM: A Complete, Accurate, and Versatile LiDAR-Inertial SLAM System
The University of Hong Kong（香港大学）
本文提出Voxel-SLAM，一个完整、精确且通用的激光雷达-惯性SLAM系统，通过统一的自适应体素地图和五个模块充分利用多时间尺度数据关联，实现实时高精度估计与建图，并在多种场景基准测试中验证了其卓越性能与鲁棒性。
2024-10-11 cs.RO
CNN-Augmented Visual-Inertial SLAM with Planar Constraints
OPPO US Research Center（OPPO美国研究中心）
我们提出了一个强大的视觉惯性SLAM系统，结合了卷积神经网络（CNN）和平面约束的好处。我们的系统利用CNN来预测每个图像的深度图和相应的不确定性图。CNN深度有效地引导SLAM的后端优化，同时CNN不确定性自适应地加权每个特征点对后端优化的贡献。给定来自惯性传感器的重力方向，我们进一步提出了一种快速平面检测方法，该方法通过一点RANSAC检测水平平面，通过两点RANSAC检测垂直平面。这些稳定检测到的平面进而用于正则化SLAM的后端优化。我们评估了我们的系统上的公共数据集，\ie，欧洲RoC，并证明了改进的结果比一个国家的最先进的SLAM系统，\ie，ORB-SLAM 3。
2022-05-05 cs.CV cs.RO
GI-SLAM: Gaussian-Inertial SLAM
Sun Yat-sen University（中山大学）
针对现有3DGS SLAM方法忽略惯性数据的问题，提出GI-SLAM系统，通过引入IMU损失集成到3DGS SLAM深度学习框架，提升跟踪性能，支持多传感器配置，在主流数据集上取得有竞争力的实时SLAM效果。
2025-03-24 cs.CV cs.RO
PLED-VINS: A Point-Line Event-Based Visual Inertial SLAM for Dynamic Environments
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）；School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电气工程学院）
针对动态环境中视觉SLAM的挑战，PLED-VINS基于单目事件相机，通过提出熵-近期得分图和统一调整估计特征可靠性，设计自适应加权策略，有效提升了含运动物体动态序列的状态估计。
2026-07-09 cs.RO
AERO-VIS: Asynchronous Event-based Real-time Onboard Visual-Inertial SLAM
Mobile Robotics Lab, ETH Zürich（苏黎世联邦理工学院移动机器人实验室）；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）
AERO-VIS是一种集成、数据驱动、稳健且性能优化的双目事件-惯性SLAM系统，通过异步处理事件流，实现低延迟和实时性能，首次实现了纯事件基于的惯性SLAM系统，支持闭环无人机控制和大规模状态估计。
2026-09-17 cs.RO
VISO: Robust Underwater Visual-Inertial-Sonar SLAM with Photometric Rendering for Dense 3D Reconstruction
School of Engineering and Physical Sciences, Heriot-Watt University（工程与物理科学学院，赫瑞斯泰大学）；Frontier Robotics, The National Robotarium（前沿机器人，国家机器人arium）
VISO通过融合视觉、惯性与声纳数据，结合光度渲染技术，实现高精度水下6自由度定位和实时密集3D重建。
2026-03-06 cs.RO
AQUA-SLAM: Tightly-Coupled Underwater Acoustic-Visual-Inertial SLAM with Sensor Calibration
Imperial College London（帝国理工学院）；Heriot-Watt University（赫瑞瓦特大学）
针对水下视觉SLAM受能见度与特征丢失影响的问题，提出紧耦合AQUA-SLAM融合DVL、立体相机和IMU，并实现在线多传感器外参与DVL对准标定，水池与北海实验证明其精度和鲁棒性优于现有方法。
2025-03-14 cs.CV cs.RO
Visual-Inertial SLAM with Tightly-Coupled Dropout-Tolerant GPS Fusion
Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国学院）
机器人应用正在不断努力实现更高水平的自主性。为了实现这一目标，高度鲁棒和精确的状态估计是必不可少的。结合视觉和惯性传感器模式已被证明在短期应用中产生准确和局部一致的结果。不幸的是，视觉惯性状态估计遭受长期轨迹漂移的积累。为了消除这种漂移，可以将全局测量融合到状态估计流水线中。最为人所知和最广泛使用的全球测量源是全球定位系统。在本文中，我们提出了一种新的方法，充分结合立体视觉惯性同步定位和映射（SLAM），包括视觉循环关闭，与融合的全球传感器模态在一个紧密耦合和优化的框架。在消除测量不确定性的基础上，提出了一种鲁棒的全局坐标系初始化方法。此外，我们提出了一个类似闭环的优化方案，以补偿接收GPS信号中断期间积累的漂移。数据集和现实实验中的实验验证表明，与现有的最先进方法相比，我们的GPS丢失方法具有鲁棒性，并且能够估计高度准确且全球一致的轨迹。
2022-08-01 cs.RO
Towards Effective Visual-Inertial SLAM with Passive-Only Sensors for Low-Cost Autonomous Underwater Vehicles
University of Minnesota–Twin Cities（明尼苏达大学双城分校）
本研究证明，利用低于1万美元的消费级传感器平台，通过优化传感器融合的VI-SLAM，可实现低成本AUV在6-DOF水下环境中的稳健导航，为大众提供可用的SLAM基准。
2026-09-21 cs.RO
Hilti-Trimble-Oxford Dataset: 360 Visual-Inertial Benchmark with Floor Plan Priors for SLAM and Localization
Hilti AG（喜利得集团）；University of Oxford（牛津大学）；ETH Zürich（苏黎世联邦理工学院）；Vision & Robotics GmbH（视觉与机器人有限公司）；Trimble Inc.（天宝公司）
本文介绍了Hilti-Trimble-牛津数据集，用于支持建筑工地的视觉SLAM和定位。它收集于活跃建筑工地，包含30个视觉惯性序列及地面真值轨迹。通过开放研究挑战评估相关系统，反映出SLAM方法更成熟，凸显定位任务难度，为持续研究提供支持，数据集公开可用。
2026-10-22 cs.RO
Dense RGB-D-Inertial SLAM with Map Deformations
Imperial College London（伦敦帝国学院）；Dyson Technology Ltd.（戴森科技有限公司）
虽然密集视觉SLAM方法能够估计环境的密集重建，但它们在跟踪步骤中缺乏鲁棒性，特别是当优化初始化不佳时。稀疏视觉SLAM系统通过在紧耦合融合中包括惯性测量而获得了高水平的精度和鲁棒性。受此性能的启发，我们提出了第一个紧密耦合的密集RGB-D-惯性SLAM系统。我们的系统在GPU上运行时具有实时能力。它联合优化相机姿态、速度、IMU偏差和重力方向，同时建立全局一致的、完全密集的基于surfel的3D环境重建。通过对合成数据集和真实世界数据集的一系列实验，我们证明了我们的密集视觉惯性SLAM系统比相关的仅RGB-D SLAM系统对快速运动和低纹理和低几何变化的周期更鲁棒。
2022-07-22 cs.CV cs.RO
Advancements in Translation Accuracy for Stereo Visual-Inertial Initialization
University of Southern California（南加州大学）；Columbia University（哥伦比亚大学）；New York University（纽约大学）；Nanyang Technological University（南洋理工大学）；Harbin Institute of Technology（哈尔滨工业大学）
针对ORB-SLAM3及改进方法Stereo-NEC的初始化局限，提出固定旋转、用3自由度BA优化平移并结合IMU更新旋转的方法，在EuRoC数据集上验证了精度优势。
2024-08-18 cs.RO
Quantitative 3D Map Accuracy Evaluation Hardware and Algorithm for LiDAR(-Inertial) SLAM
Seoul National University（首尔大学）
本研究针对3D点云地图精度评估依赖人工、结果不稳定的问题，提出一套软硬件系统，结合户外激光雷达靶标与自动提取特征点的算法，借助GPS数据从相对、绝对误差两方面定量评估LiDAR(-Inertial) SLAM地图精度，且已开源实现。
2024-08-19 cs.RO
Stereo-NEC: Enhancing Stereo Visual-Inertial SLAM Initialization with Normal Epipolar Constraints
Stevens Institute of Technology（史蒂文斯理工学院）；OPPO US Research Center（OPPO美国研究中心）；Stony Brook University（石溪大学）
本研究提出Stereo-NEC双目视觉惯性SLAM初始化方法，通过独立估计陀螺仪零偏并优化、更新旋转估计、3自由度BA提升平移精度，结合法线对极约束残差判定初始化成功与否，在EuRoC数据集上精度鲁棒性优于ORB-SLAM3且计算速度具竞争力。
2024-03-12 cs.RO
Inertial Guided Uncertainty Estimation of Feature Correspondence in Visual-Inertial Odometry/SLAM
Korea University（高丽大学）
针对视觉惯性里程计/SLAM中特征匹配易受图像退化影响的问题，提出惯性引导的特征匹配不确定性估计方法，通过构建引导分布拟合图像误差能量函数提升鲁棒性，并在公开数据集上验证了有效性。
2023-11-07 cs.CV cs.RO
InsSo3D: Inertial Navigation System and 3D Sonar SLAM for turbid environment inspection
Heriot-Watt University（赫瑞-瓦特大学）；The National Robotarium（国家机器人中心）
InsSo3D结合3D声呐和惯性导航系统，实现高效准确的水下SLAM，适用于浑浊环境中的结构检测。
2026-03-06 cs.RO
Fusion LiDAR-Inertial-Encoder data for High-Accuracy SLAM
University of Engineering and Technology, Vietnam National University（越南国家大学工程技术学院）
本文提出一种基于因子图的紧耦合IMU与编码器的SLAM方法，通过动态权重调整和状态差异校正，在纹理缺失环境中相比Karto SLAM将旋转角度误差降低26.98%，位置误差减少67.68%。
2024-07-17 cs.RO
SVIn2: An Underwater SLAM System using Sonar, Visual, Inertial, and Depth Sensor
University of South Carolina（南卡罗来纳大学）；Dartmouth College（达特茅斯学院）
提出了一种基于紧耦合关键帧的同时定位与地图构建（SLAM）系统，该系统具有闭环和重定位功能，适用于水下环境。我们以前的工作，SVIn，增强了国家的最先进的视觉惯性状态估计包OKVIS，以适应声学数据从声纳在一个非线性优化为基础的框架。本文解决了漂移和本地化的损失-影响其他软件包在水下域的主要问题之一-通过提供以下主要贡献：一个强大的初始化方法，以完善规模使用深度测量，快速预处理步骤，以提高图像质量，和一个实时的闭环和重新定位方法，使用袋的话。一个额外的贡献是引入深度测量从压力传感器的紧耦合优化配方。对定制的水下传感器套件和自主水下航行器从能见度差的挑战性水下环境中收集的数据集进行的实验结果表明，在准确性和鲁棒性方面，性能从未达到过。
2020-12-20 cs.RO
Elevator-VIGS: Separating Elevator Motion from Robot Motion in Visual-Inertial Gaussian Splatting SLAM
University of Zürich（苏黎世大学）；ETH Zürich（苏黎世联邦理工学院）；University of Stuttgart（斯图加特大学）；Microsoft（微软）
Elevator-VIGS提出在电梯场景中分离机器人运动与电梯运动，通过估计机器人位姿于电梯坐标系及电梯传输状态，实现稳健的视觉惯性高斯泼溅SLAM，达到最先进性能。
2026-09-22 cs.RO
RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments
Xi’an Jiaotong University（西安交通大学）
同时定位与地图构建（SLAM）被认为是智能车辆和移动机器人的基本能力。然而，目前大多数激光雷达SLAM方法是基于静态环境的假设。因此，在具有多个移动对象的动态环境中的定位实际上是不可靠的。本文提出了一种动态SLAM框架RF-LIO，建立在LIO-SAM的基础上，增加了自适应多分辨率距离图像，并使用紧耦合激光雷达惯性里程计首先去除移动物体，然后将激光雷达扫描与子地图匹配。因此，即使在高动态环境中也可以获得精确的姿态。建议的RF-LIO进行了评估，自我收集的数据集和开放的Urbanloco数据集。高动态环境下的实验结果表明，与LOAM和LIO-SAM相比，所提出的RF-LIO的绝对弹道精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。
2022-06-19 cs.RO
