LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
Sun Yat-sen University（中山大学）
LiDAR测距是LiDAR同时定位与地图构建（SLAM）的重要组成部分。然而，现有的LiDAR测距法倾向于简单地迭代地将新扫描与先前的固定姿势扫描相匹配，从而逐渐积累误差。此外，作为一种有效的联合优化机制，光束法平差（BA）不能直接引入到实时里程计由于大规模的全球地标密集的计算。因此，本文设计了一种新的策略，称为里程碑地图的光束法平差测距（LMBAO）的LiDAR SLAM解决这些问题。首先，BA为基础的里程进一步发展与积极的地标维护策略，更准确的本地注册，避免累积误差。具体地说，本文保留了整个稳定的地标在地图上，而不仅仅是他们的特征点在滑动窗口中，并删除地标根据其活动的等级。接下来，减小滑动窗口长度，并且执行边缘化以保留窗口外但对应于地图上的活动地标的扫描，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中实现了实时性能，并且优于最先进的LiDAR SLAM算法，包括Lego-LOAM和VLOM。
2022-09-19 cs.CV cs.RO
Continuous-Time Radar-Inertial and Lidar-Inertial Odometry using a Gaussian Process Motion Prior
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）
本文提出基于高斯过程运动先验的连续时间雷达-惯性与激光雷达-惯性里程计，利用稀疏先验降低计算复杂度，并通过融合IMU将雷达里程计性能提升43%，实现实时运行。
2024-11-20 cs.RO
Consistent and Efficient MSCKF-based LiDAR-Inertial Odometry with Inferred Cluster-to-Plane Constraints for UAVs
本文提出了一种针对无人机的高效紧密耦合LIO框架，通过推断的平面特征构建共面约束，利用空域投影消除状态向量中的特征参数依赖，提升一致性与效率，实现实时运行于资源受限平台。
2026-03-13 cs.RO
LODESTAR: Degeneracy-Aware LiDAR-Inertial Odometry with Adaptive Schmidt-Kalman Filter and Data Exploitation
KAIST InnoCORE LLM, KAIST（KAIST信息学院LLM研究中心，KAIST）
针对退化环境下激光雷达-惯性里程计性能下降问题，提出LODESTAR方法，通过退化感知自适应施密特-卡尔曼滤波和数据利用模块，提升状态估计的准确性与鲁棒性。
2025-11-12 cs.RO
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping
Massachusetts Institute of Technology（麻省理工学院）；Stevens Institute of Technology（斯蒂文斯理工学院）
我们提出了一个框架，通过平滑和映射，LIO-SAM，实现高度准确，实时的移动机器人轨迹估计和地图建设的紧密耦合激光雷达惯性里程计。LIO-SAM将激光雷达惯性里程计公式化在因子图之上，允许将来自不同来源的大量相对和绝对测量（包括环路闭合）作为因子纳入系统。来自惯性测量单元（IMU）预积分的估计运动对点云进行去偏斜，并产生用于激光雷达测距优化的初始猜测。所获得的激光雷达测距解被用于估计IMU的偏差。为了确保实时的高性能，我们将旧的激光雷达扫描边缘化以进行姿态优化，而不是将激光雷达扫描与全局地图相匹配。局部尺度而不是全局尺度的扫描匹配显著地提高了系统的实时性能，关键帧的选择性引入以及将新关键帧注册到固定大小的先前子关键帧集合的有效滑动窗口方法也是如此。该方法在从不同规模和环境的三个平台收集的数据集上进行了广泛的评估。
2020-07-14 cs.RO
Loosely coupled 4D-Radar-Inertial Odometry for Ground Robots
针对地面机器人仅用4D雷达与IMU的里程计问题，提出滑动窗口图优化及自速度估计改进，在NTU4DRadLM多数轨迹上提升最先进性能。
2025-09-29 cs.RO
UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry
Carnegie Mellon University（卡内基梅隆大学）
UNRIO通过直接处理雷达IQ信号预测体坐标系速度，结合Transformer架构和GRT框架，在多模式下实现不确定性估计与姿态图融合，有效提升横向运动轨迹中的里程计精度。
2026-08-27 cs.RO
Tightly Coupled Range Inertial Odometry and Mapping with Exact Point Cloud Downsampling
Department of Information Technology and Human Factors, the National Institute of Advanced Industrial Science and Technology（信息科技与人因工程系，国家先进工业科学与技术研究院）
提出基于核心集提取的点云下采样算法，构建紧耦合距离惯性SLAM框架，在标准CPU上实现实时高精度里程计与全局轨迹优化。
2025-05-02 cs.RO
DMSA -- Dense Multi Scan Adjustment for LiDAR Inertial Odometry and Global Optimization
Institute for Photogrammetry and Geoinformatics, University of Stuttgart（斯图加特大学摄影测量与地理信息研究所）
提出稠密多扫描配准方法DMSA，通过全局点云网格与正态分布建模实现无对应关系的鲁棒配准，并用于激光雷达惯性里程计和大规模关键帧优化。
2024-06-16 cs.RO
LoCal-RIO: Radar-Inertial Odometry with Loop-Closure IMU Bias Calibration
Intelligent Space Robotics Laboratory（智能空间机器人实验室）；Center for Digital Engineering（数字工程中心）；Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究院）
提出一种层级紧耦合雷达-惯性因子图，通过高速重置图与持久全局图解耦估计，注入完全可观测的偏置先验以抑制漂移，实现高精度低延迟估计。
2026-09-21 cs.RO
Direct Visual-Inertial Odometry with Semi-Dense Mapping
University of Kansas（堪萨斯大学）
本文介绍了一种直接视觉-惯性测距系统。特别是，紧耦合的非线性优化的方法，提出了通过集成在直接密集跟踪和惯性测量单元（IMU）的预集成的最新进展，和因子图优化是适应于估计相机的位姿和重建半密集地图。两个滑动窗口保持在所提出的方法。第一种是基于直接稀疏测距法（DSO）的深度估计，用于映射和密集视觉跟踪。在第二个，测量从IMU预集成和密集的视觉跟踪融合概率使用紧耦合，基于优化的传感器融合框架。因此，IMU预积分提供了额外的约束以抑制由视觉里程计引起的标度漂移。在真实世界基准数据集上的评估表明，该方法在室内场景中取得了有竞争力的结果。
2019-10-04 cs.CV cs.RO
DEIO: Deep Event Inertial Odometry
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, The University of Hong Kong（自适应机器人控制实验室（ArcLab）、机械工程系、香港大学）
提出首个基于学习的单目事件-惯性里程计框架DEIO，结合事件循环网络与IMU，利用可微束调整的Hessian信息优化因子图，在10个公共基准上超越20多种最先进方法。
2025-04-30 cs.RO
DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency
研究提出DINS-IO，直接从原始IMU流学习惯性里程计。利用INS速度递推约束，转化为滑动窗口最小二乘问题求解，以残差为自监督损失。设计高频网络并校准速度，在标准基准测试中，预训练自监督并微调的DINS-IO表现出色。
2026-07-23 cs.RO
Edge-based Monocular Thermal-Inertial Odometry in Visually Degraded Environments
Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳）；University of Science and Technology of China（中国科学技术大学）
由于视觉摄像机的视觉退化严重，基于传统视觉-惯性测距法的复杂光照环境下的状态估计是一项具有挑战性的任务。热红外摄像机能够全天工作，受光照变化的影响较小。然而，现有的视觉数据关联算法大多是不兼容的，因为热红外数据包含大噪声和低对比度。受热辐射在物体边缘变化最显著的现象的启发，该研究提出了ETIO，这是第一个基于边缘的单目热惯性里程计，用于在视觉退化环境中进行鲁棒定位。利用边缘提取得到的二值化图像代替原始图像进行姿态估计，克服了热红外图像质量差的问题。在此基础上，提出了一种基于有限边缘信息及其距离分布的自适应特征跟踪策略ADT-KLT。最后，姿态图优化通过将IMU预积分与所有边缘特征观测的重投影误差相结合来在最近状态的滑动窗口上执行实时估计。我们在公共数据集和真实世界的实验中评估了所提出的系统的性能，并将其与最先进的方法进行了比较。所提出的ETIO被验证具有全天时间实现准确和鲁棒定位的能力。
2022-10-22 cs.RO
LOCUS 2.0: Robust and Computationally Efficient Lidar Odometry for Real-Time Underground 3D Mapping
NASA Jet Propulsion Laboratory, California Institute of Technology（美国国家航空航天局喷气推进实验室，加州理工学院）；University of Bonn（波恩大学）；Polytechnic University of Bari（巴里理工大学）；Massachusetts Institute of Technology（麻省理工学院）
激光雷达测距作为一种鲁棒的自主机器人定位方法，在复杂的GNSS拒绝环境中运行，引起了相当大的关注。然而，由于自主操作所需的板载计算和存储器资源的限制，在大规模环境中的异构平台上实现可靠和高效的性能仍然是一个开放的挑战。在这项工作中，我们提出了LOCUS 2.0，一个强大的和计算效率高的\lidar里程计系统的实时的【形】地下三维映射。LOCUS 2.0包括一个新的基于法线的\morrell{Generalized Iterative Closest Point (GICP)}公式，它减少了点云对齐的计算时间，一个自适应体素网格过滤器，它保持了所需的计算负载，而不管环境的几何形状，和一个滑动窗口地图的方法，限制了内存消耗。所提出的方法被证明是适合部署在异构机器人平台上参与大规模的探索下严重的计算和内存限制。我们展示了LOCUS 2.0，这是CoSTAR团队进入DARPA地下挑战赛的一个关键因素，在各种地下场景中。我们将LOCUS 2.0作为开源库发布，并在具有挑战性的大规模地下环境中发布基于\lidar的里程数据集。该数据集的特点是在多种环境中的腿和轮式平台，包括雾，灰尘，黑暗和几何退化的环境，总的$11~h$的操作和$16~km$的行驶距离。
2022-06-13 cs.RO
HDA-LVIO: A High-Precision LiDAR-Visual-Inertial Odometry in Urban Environments with Hybrid Data Association
College of Intelligent Systems Science and Engineering, Harbin Engineering University（哈尔滨工程大学智能系统科学与工程学院）；National Innovation Institute of Defense Technology, Academy of Military Sciences China（中国军事科学院国防科技创新研究院）；Tianjin Artificial Intelligence Innovation Center (TAIIC)（天津人工智能创新中心）
本文提出 HDA-LVIO，通过融合激光雷达-惯性建图、视觉光流跟踪、对极约束恢复及混合数据关联，提升城市环境中的车辆定位精度。
2024-03-11 cs.RO
GS-LIVO: Real-Time LiDAR, Inertial, and Visual Multi-sensor Fused Odometry with Gaussian Mapping
The Hong Kong University of Science and Technology（香港科技大学）；The University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）
针对现有纯视觉3D-GS方法的局限，提出基于高斯的实时LIV融合SLAM系统GS-LIVO，采用全局高斯地图与滑动窗口机制，结合IESKF紧耦合里程计，可在嵌入式平台实现实时鲁棒建图定位。
2025-01-15 cs.CV 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
Tightly-coupled Fusion of Global Positional Measurements in Optimization-based Visual-Inertial Odometry
University of Zürich（苏黎世大学）；ETH Zürich（苏黎世联邦理工学院）
在这项工作中，我们提出了一种方法来融合全球位置信息与视觉和惯性测量的紧密耦合的非线性优化为基础的估计器的目标，实现强大的，无漂移的姿态估计在长期自主导航的动机。从以前的作品，这是松耦合，紧耦合的方法的使用允许利用所有的测量之间的相关性。通过最小化包括视觉重投影误差、相对惯性误差和全局位置残差的成本函数来估计最近系统状态的滑动窗口。我们使用惯性测量单元的预积分制定的惯性残差和利用这种算法的结果，以有效地计算全球位置残差。实验结果表明，该方法实现了准确和全局一致的估计，与优化计算成本的增加微不足道。我们的方法始终优于松耦合融合方法。相对于室外无人机（UAV）飞行中的松耦合方法，平均位置误差减小到50%，其中全球位置信息由噪声GPS测量给出。据我们所知，这是第一个工作，其中全球位置测量紧密融合在基于优化的视觉惯性里程计算法，利用IMU预积分方法来定义全球位置因子。
2020-07-10 cs.RO
WING: Wheel-Inertial Neural Odometry with Ground Manifold Constraints
Hong Kong University of Science and Technology（香港科技大学）；Alibaba DAMO Academy（阿里巴巴达摩院）；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）；Zhejiang University（浙江大学）
提出仅依赖内感受传感器的WING里程计系统，利用深度神经网络校正IMU和轮式编码器测量值，并结合双三次B样条地面流形软约束与滑动窗口滤波框架，显著提升了位姿估计精度。
2024-07-23 cs.RO
MILIOM: Tightly Coupled Multi-Input Lidar-Inertia Odometry and Mapping
Nanyang Technological University（南洋理工大学）
在这封信中，我们研究了一个紧密耦合的激光雷达惯性测距和映射（LIOM）计划，具有将多个激光雷达与互补视场（FOV）相结合的能力。从本质上讲，我们设计了一个时间同步的方案，将提取的特征从单独的激光雷达到一个单一的点云，然后用于构建一个本地地图和计算的特征地图匹配（FMM）系数。这些系数与IMU预迭代观测值一起用于构建因子图，该因子图将被优化以产生滑动窗口轨迹的估计。我们还提出了一种基于关键帧的地图管理策略，在滑动窗口中边缘化某些姿势和点云，以生成全局地图，用于在后期组装局部地图。使用具有互补FOV和全局地图的多个激光雷达确保了我们的估计具有低漂移，并且可以在单个激光雷达使用结果不佳甚至无法工作的情况下保持良好的定位。采用多线程计算实现，减少了计算时间，保证了实时性。我们证明了我们的系统的有效性，通过一系列的实验从飞行器收集的公共数据集。
2021-07-06 cs.RO cs.SY eess.SY
Asynchronous Event-Inertial Odometry using a Unified Gaussian Process Regression Framework
Northwestern Polytechnical University（西北工业大学）；School of Astronautics, Northwestern Polytechnical University（西北工业大学航天学院）；School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）；School of Electronic and Information Engineering, Beijing Jiaotong University（北京交通大学电子信息工程学院）
本文提出统一高斯过程回归框架下的异步事件-惯性里程计，利用GP潜变量模型构建运动先验并紧耦合异步特征关联与惯性测量，通过滑动窗口因子图求解，实验证明其精度与最先进同步方案相当。
2024-12-04 cs.RO
Observability Analysis and Keyframe-Based Filtering for Visual Inertial Odometry with Full Self-Calibration
Wuhan University（武汉大学）；Wuhan Institute of Quantum Technology（武汉量子技术研究院）；ETH Zürich（苏黎世联邦理工学院）；The Ohio State University（俄亥俄州立大学）
摄像机-惯性测量单元（IMU）传感器融合是近几十年来研究的热点。许多可观性分析和融合方案的运动估计与自校准已经提出。然而，它一直是不确定的相机和惯性测量单元的内部参数是否是可观察的一般运动。为了回答这个问题，通过使用李导数，我们首先证明，对于卷帘快门（RS）相机IMU系统，所有的内在和外在参数，相机的时间偏移，和RS相机的读出时间，是可观察的一个未知的地标。据我们所知，我们是第一个提出这种证明的。接下来，为了验证这种分析并解决静止期间无结构滤波器的漂移问题，我们开发了一种基于关键帧的滑动窗口滤波器（Kestra）用于里程计和自校准，它与单目RS相机或立体RS相机一起工作。虽然关键帧的概念在基于视觉的传感器融合中被广泛使用，但据我们所知，KARDEN是第一个支持自校准的同类产品。我们的模拟和真实数据测试已经验证了，它是可以完全校准的摄像头IMU系统使用不同的运动下的机会地标的观察。实际数据测试证实了先前的典故，即在状态向量中保留地标可以弥补静止时的漂移，并表明基于关键帧的方案是一种替代解决方案。
2022-05-02 cs.RO
LIMOT: A Tightly-Coupled System for LiDAR-Inertial Odometry and Multi-Object Tracking
Tongji University（同济大学）；Institute of Intelligent Vehicles, Tongji University（同济大学智能车辆研究所）；School of Electronics and Information Engineering, Tongji University（同济大学电子与信息工程学院）；School of Surveying and Geo-Informatics, Tongji University（同济大学测绘与地理信息学院）
针对动态环境下激光雷达-惯性SLAM定位不准及运动物体跟踪问题，提出紧耦合系统LIMOT，通过轨迹特征过滤与因子图联合优化提升自车定位和多目标跟踪精度。
2023-10-04 cs.RO
AsynEVO: Asynchronous Event-Driven Visual Odometry for Pure Event Streams
Northwestern Polytechnical University（西北工业大学）
针对纯事件流视觉里程计中效率与高时间分辨率利用不足的问题，本文提出基于稀疏 GP 回归的异步 AsynEVO，结合异步前端、动态滑动窗口后端和动态边缘化，实现高精度、强鲁棒且更高效的运动估计。
2025-01-06 cs.RO
Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration
Hong Kong University of Science and Technology（香港科技大学）
结合多个LiDAR使机器人能够最大限度地提高其对环境的感知意识并获得足够的测量值，这对于同时定位与地图构建（SLAM）是有希望的。本文提出了一种系统，以实现强大的和同时外部校准，里程计，和映射多个激光雷达。我们的方法从测量预处理开始，从原始测量中提取边缘和平面特征。在运动和外部初始化过程之后，基于滑动窗口的多LiDAR里程计在船上运行以通过在线校准细化和收敛识别来估计姿态。我们进一步开发了一个映射算法来构建一个全球地图和优化构成与足够的功能，以及一种方法来建模和减少数据的不确定性。我们验证了我们的方法的性能与广泛的实验10个序列（4.60公里总长度）的校准和SLAM，并将它们与国家的最先进的。我们证明，所提出的工作是一个完整的，强大的，可扩展的系统，为各种多激光雷达设置。源代码、数据集和演示可在https://ram-lab.com/file/site/m-loam上获得。
2021-05-05 cs.CV cs.RO
Robust Multi-Modal Multi-LiDAR-Inertial Odometry and Mapping for Indoor Environments
University of Turku（图尔库大学）
集成多个LiDAR传感器可以显著增强机器人对环境的感知，使其能够捕获足够的测量值，用于同时定位与地图构建（SLAM）。事实上，固态LiDAR可以在机器人应用中以低成本为传统的旋转LiDAR带来高分辨率。然而，它们减小的视场（FoV）限制了性能，特别是在室内。在本文中，我们提出了一个紧密耦合的多模态多激光雷达-惯性SLAM系统的测绘任务。通过利用固态和旋转LiDAR以及内置惯性测量单元（IMU），我们在各种具有挑战性的室内环境（例如，小而无特色的房间）。首先，我们使用时空校准模块来对齐时间戳和校准传感器之间的外部参数。然后，我们提取两组特征点，包括边缘和平面点，从激光雷达数据。接下来，使用预集成的IMU数据，将反失真模块应用于LiDAR点云数据。最后，将未失真的点云合并为一个点云，并使用基于滑动窗口的优化模块进行处理。从大量的实验结果来看，我们的方法在不同的环境中显示出与最先进的旋转LiDAR或固态LiDAR SLAM系统竞争的性能。更多结果、代码和数据集可在\href{https://github.com/TIERS/multi-modal-loam}{https://github.com/TIERS/multi-modal-loam}上找到。
2023-03-05 cs.RO
PG-LIO: Photometric-Geometric fusion for Robust LiDAR-Inertial Odometry
Autonomous Robots Lab, Norwegian University of Science and Technology (NTNU)（自主机器人实验室，挪威科学技术大学）
PG-LIO通过融合激光雷达光度与几何信息及IMU惯性约束，在退化场景中显著提升LIO精度，并在自相似隧道中实现1公里仅1米漂移。
2025-06-23 cs.RO
Delta-Position Estimation-Based IMU Odometry: A Comparison of MLP and Kolmogorov-Arnold Networks
Ankara Yıldırım Beyazıt University（安卡拉Yıldırım Beyazıt大学）；TOBB University of Economics and Technology（TOBB经济技术大学）
利用EuRoC数据集，比较MLP和KAN在增量位移估计上的性能，KAN以更少参数实现更低累积漂移。
2026-06-25 cs.RO eess.SP
LION: Lidar-Inertial Observability-Aware Navigator for Vision-Denied Environments
Massachusetts Institute of Technology（麻省理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
在GPS拒绝和感知退化的环境中导航的机器人的状态估计，例如地下隧道、矿井和行星地下空隙，在机器人技术中仍然具有挑战性。为了实现这一目标，我们提出了LION（激光雷达惯性观测感知导航仪），这是CoSTAR团队为DARPA地下挑战赛开发的状态估计框架的一部分，该团队分别于2019年8月和2020年2月在隧道和城市电路中获得第二名和第一名。LION通过融合来自IMU的高频惯性数据和来自激光雷达的低速率相对姿态估计，通过固定滞后滑动窗口平滑器提供高速率里程估计。LION不需要知道激光雷达和IMU之间的相对定位，因为外部校准是在线估计的。此外，LION能够使用可观测性度量来自我评估其性能，该度量评估姿态估计是否几何病态约束。HeRO使用里程计和置信度估计，这是一种监督算法，通过在不同里程计源之间切换来提供稳健的估计。在本文中，我们基准性能的狮子在感知退化的地下环境中，展示了其高技术准备水平，在现场部署。
2021-02-05 cs.RO
An Adaptive Sliding Window Estimator for Positioning of Unmanned Aerial Vehicle Using a Single Anchor
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiaotong University（机械系统与振动国家重点实验室，机械工程学院，上海交通大学）
提出一种配备可靠性评估器的自适应滑动窗口估计器，通过同时估计状态、噪声协方差和气动阻力，在标准和恶劣环境中实现0.15m均方根误差，优于现有方法。
2025-07-12 cs.RO
LIRO: Tightly Coupled Lidar-Inertia-Ranging Odometry
Nanyang Technological University（南洋理工大学）；ST Engineering-NTU Corporate Lab（新科工程-南洋理工大学企业实验室）
近年来，由于3D激光雷达的成本和重量不断降低，这种类型的传感器在机器人领域的应用越来越受欢迎。尽管取得了许多进展，但估计漂移和跟踪损失仍然是与这些系统相关的普遍问题。然而，在理论上，这些问题可以通过使用对环境中的固定地标的一些观测来解决。这促使我们研究一种紧耦合的超宽带（UWB）距离测量与激光雷达和惯性测量的传感器融合方案。首先，来自IMU、激光雷达和UWB的数据基于它们的时间戳在滑动窗口上与机器人的状态相关联。然后，我们构建了一个成本函数，包括UWB，激光雷达和IMU预集成测量的因素。最后进行优化过程，以估计机器人的位置和方向。通过一些真实世界的实验，我们表明，该方法可以有效地解决漂移问题，而只需要在环境中部署两个或三个锚。
2020-10-25 cs.RO cs.SY eess.SY
AsynEIO: Asynchronous Monocular Event-Inertial Odometry Using Gaussian Process Regression
IEEE
AsynEIO 基于高斯过程回归，实现异步单目事件-惯性里程计，通过高时间分辨率跟踪特征轨迹并融合惯性数据，在高速和低光照场景中表现优异。
2025-11-23 cs.CV cs.RO
Event-based Stereo Visual Odometry
Technische Universität Berlin（柏林工业大学）；Einstein Center Digital Future（爱因斯坦数字未来中心）
基于事件的相机是生物启发的视觉传感器，其像素彼此独立工作，并以微秒分辨率异步响应亮度变化。它们的优势使其能够应对机器人技术中具有挑战性的场景，例如高速和高动态范围场景。我们提出了一个解决方案的问题，视觉里程计从立体事件为基础的摄像机钻机所获得的数据。我们的系统遵循并行跟踪和映射方法，其中每个子问题（3D重建和相机姿态估计）的新解决方案的开发考虑到两个目标：原则和效率，与商品硬件的实时操作。为此，我们寻求最大限度地提高立体声基于事件的数据的时空一致性，同时使用一个简单而有效的表示。具体地，映射模块通过以概率方式融合来自多个局部视点（通过时空一致性获得）的深度估计来构建场景的半密集3D地图。跟踪模块通过解决由于所选择的地图和事件数据表示而自然产生的配准问题来恢复立体装备的姿态。在公开数据集和我们自己的录音上的实验证明了所提出的方法在具有一般6自由度运动的自然场景中的多功能性。该系统成功地利用了基于事件的摄像机的优势，在具有挑战性的照明条件下（如低光和高动态范围）执行视觉里程计，同时在标准CPU上实时运行。我们在开源许可证下发布软件和数据集，以促进基于事件的SLAM新兴主题的研究。
2021-02-22 cs.CV cs.RO
LiDAR-based Real-Time Object Detection and Tracking in Dynamic Environments
Polytechnique Montreal（蒙特利尔理工学院）
本文提出一种仅用LiDAR数据的实时动态目标检测与跟踪系统，通过提取低频特征点加速聚类分析，并结合基于强度的自运动估计与滑动窗口技术，实现了88.7%检测准确率和89.1%召回率，且对里程计漂移具有较强鲁棒性。
2024-07-04 cs.RO
Robocentric Visual-Inertial Odometry
Dept. of Mechanical Engineering, University of Delaware（特拉华大学机械工程系，特拉华大学机械工程系（注：这里按要求提取到大学/学院级别，即University of Delaware，原句中的Dept. of Mechanical Engineering属于系，按规则不细拆到系，但原句中明确是Dept. of Mechanical Engineering, University of Delaware，所以整体提取为该机构）。修正：根据规则，机构粒度提取到大学/学院/公司/研究院级别即可，不要细拆到系，所以正确提取应为“University of Delaware”，但原句中明确是“Dept. of Mechanical Engineering, University of Delaware”，这里可能需要判断“Dept. of Mechanical Engineering”是否属于机构。根据规则：“不要细拆到系、专业、课题组、实验室（除非实验室本身就是独立机构）”，所以“Dept. of Mechanical Engineering”属于系，不应提取，应提取“University of Delaware”。但原句中作者的所属机构是“Dept. of Mechanical Engineering, University of Delaware”，这里可能存在误解。重新看规则：“只提取作者的所属机构：大学、学院、公司、研究院、研究所、实验室、医院、政府研究机构等。机构粒度：提取到大学/学院/公司/研究院级别即可，不要细拆到系、专业、课题组、实验室（除非实验室本身就是独立机构）”。因此，原句中作者的所属机构是“Dept. of Mechanical Engineering, University of Delaware”，其中“University of Delaware”是大学，属于作者所属机构，而“Dept. of Mechanical Engineering”是系，不应提取。所以正确的en应为“University of Delaware”，zh为“特拉华大学”。之前错误地包含了系，现在修正。}]}修正后的正确输出：{）
在本文中，我们提出了一种新的机器人制定的视觉惯性导航系统（VINS）的滑动窗口过滤框架内，并设计了一个有效的，轻量级的，机器人视觉惯性里程计（R-VIO）算法一致的运动跟踪，即使在具有挑战性的环境中，只使用单目相机和6轴IMU。关键的想法是故意重新制定的VINS相对于一个移动的本地帧，而不是一个固定的全球参考框架，在标准的世界为中心的VINS，以获得更高精度的相对运动估计更新的全球姿态。作为这种以机器人为中心的表述的直接优点，所提出的R-VIO可以从任意姿态开始，而不需要将初始方向与全球重力方向对齐。更重要的是，我们分析表明，线性化的机器人中心VINS不会像标准的以世界为中心的VINS那样出现可观测性不匹配问题，文献中将其确定为估计不一致的主要原因。此外，我们深入研究的特殊运动，降低性能的世界为中心的配方，并表明，这种退化的情况下，可以很容易地补偿在拟议的机器人为中心的配方，而不诉诸于额外的传感器，在世界为中心的配方，从而导致更好的鲁棒性。所提出的R-VIO算法已经通过Monte Carlo模拟和真实世界的实验进行了广泛的测试，在不同的环境中使用不同的传感器平台进行导航，并且在一致性，准确性和效率方面，比最先进的VINS实现了更好的（或至少有竞争力的）性能。
2018-05-10 cs.RO
RailLoMer: Rail Vehicle Localization and Mapping with LiDAR-IMU-Odometer-GNSS Data Fusion
GNSS Research Center, Wuhan University（武汉大学卫星导航定位技术研究中心）
我们在本文中介绍了RailLoMer，以实现轨道车辆的实时准确和强大的里程计和映射。RailLoMer接收来自两个LiDAR、一个IMU、训练里程表和一个全球导航卫星系统（GNSS）接收器的测量结果。作为前端，来自IMU/里程计预积分的估计运动对去噪点云进行去偏斜，并产生用于帧到帧LiDAR里程计的初始猜测。作为后端，基于滑动窗口的因子图制定联合优化多模态信息。此外，我们利用提取的轨道和结构外观描述符的平面约束，以进一步提高系统对重复结构的鲁棒性。为了确保一个全球一致的和不那么模糊的映射结果，我们开发了一个两阶段的映射方法，首先执行扫描到地图在本地规模，然后利用GNSS信息注册的子地图。该方法在许多尺度和场景下长时间收集的数据集上进行了广泛的评估，并表明RailLoMer即使在大型或退化的环境中也能提供分米级的定位精度。我们还将RailLoMer集成到交互式训练状态和铁路监控系统原型设计中，该原型设计已经部署到实验性货运铁路中。
2021-11-30 cs.RO
Gaussian-LIC2: LiDAR-Inertial-Camera Gaussian Splatting SLAM
Institute of Cyber-Systems and Control（控制系统研究所）；Zhejiang University（浙江大学）；Department of Robotics（机器人系）；Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（迈罗德·本·扎耶德人工智能大学）
本文提出首个兼顾视觉质量、几何精度与实时性的激光雷达-惯性-相机高斯溅射SLAM系统，引入零样本深度补全与CUDA加速策略，构建专用数据集，可实现高质量新视角渲染及下游应用。
2026-08-06 cs.RO
CAD-Mesher: A Convenient, Accurate, Dense Mesh-based Mapping Module in SLAM for Dynamic Environments
Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对动态环境下激光SLAM点云地图稀疏、网格建图易受移动物体干扰的问题，提出即插即用的CAD-Mesher模块，通过两阶段动态去除等技术生成稠密精准网格地图，提升位姿估计精度，性能优于现有最优算法。
2024-08-12 cs.RO
VIRAL SLAM: Tightly Coupled Camera-IMU-UWB-Lidar SLAM
Nanyang Technological University（南洋理工大学）
在本文中，我们提出了一个紧密耦合，多模态同时定位与地图构建（SLAM）框架，集成了广泛的传感器：IMU，相机，多个激光雷达，超宽带（UWB）距离测量，因此被称为VIRAL（视觉惯性测距激光雷达）SLAM。为了实现这样一个全面的传感器融合系统，一个必须解决的几个挑战，如数据同步，多线程编程，光束法平差（BA），和UWB和机载传感器之间的冲突的坐标系，以确保实时定位和平滑更新的状态估计。为此，我们提出了一个两阶段的方法。在第一阶段，激光雷达，相机和惯性测量单元数据的本地滑动窗口中处理的核心里程线程。从该局部图，评估新的关键帧以允许进入全局图。还执行基于视觉特征的循环闭合，以补充具有循环约束的全局因子图。当全局因子图满足空间分集的条件时，BA过程将被触发以更新UWB和机载SLAM系统之间的坐标变换。然后，系统无缝地过渡到第二阶段，其中所有传感器都紧密地集成在里程线程中。我们的系统的能力是通过高保真图形物理模拟和公共数据集上的几个实验证明。
2021-10-05 cs.RO
Line-Augmented cuVSLAM: Robust Visual Odometry in Low-Texture Environments
Analog Devices（亚德诺半导体）；NVIDIA（英伟达）
该研究针对低纹理环境下视觉里程计易失效问题，提出线增强型cuVSLAM，通过融入线特征优化位姿估计，在公开数据集上显著降低轨迹误差且无跟踪失败。
2026-10-16 cs.CV cs.RO
When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants
Luleå University of Technology（吕勒奥理工大学）
针对地下环境中LiDAR受遮蔽物影响退化的问题，提出单类时序学习框架，通过LSTM自动编码器检测退化，自适应切换LIO与RIO实现稳健定位，相关代码将开源。
2026-10-12 cs.RO
RKHS-BA: A Robust Correspondence-Free Multi-View Registration Framework with Semantic Point Clouds
提出RKHS-BA框架，利用RKHS中的连续路标表示融合RGB-D/LiDAR与语义信息，并以无对应位姿图实现鲁棒多视图配准、里程计与全局建图。
2024-12-01 cs.RO
FusionCore: A 23-State Unscented Kalman Filter for IMU, Wheel Encoder, GPS, and Visual SLAM Fusion in ROS 2
Independent Researcher（独立研究者）
提出FusionCore，一个基于23状态无迹卡尔曼滤波器的开源ROS 2传感器融合包，通过在线估计轮式编码器偏航率偏差、GPS ECEF原生处理、自适应噪声协方差和VSLAM位姿融合，在12个NCLT序列上比robot_localization取得更低的绝对轨迹误差。
2026-05-24 cs.RO eess.SP
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
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
A2VISR: An Active and Adaptive Ground-Aerial Localization System Using Visual Inertial and Single-Range Fusion
State Key Laboratory of Mechanical System and Vibration, School of Mechanical Engineering, Shanghai Jiaotong University（机械系统与振动国家重点实验室，机械工程学院，上海交通大学）
A2VISR通过整合主动视觉、单距离、惯性里程计和光流，提升飞行机器人在复杂环境中的定位鲁棒性，实现高精度与抗干扰的在线定位。
2025-12-18 cs.RO
Robust Inertial-aided Underwater Localization based on Imaging Sonar Keyframes
Zhejiang University（浙江大学）；Xi’an Jiaotong University（西安交通大学）
本文重点关注使用2D成像声纳测量的自主水下航行器（AUV）基于特征的水下定位和导航。水下声学特征的稀疏性和声纳图像中仰角的损失可能会引入错误的特征匹配或基于优化的水下定位的特征不足（即欠约束/退化情况）。这促使我们提出了一种新的惯性辅助滑动窗口优化框架，以提高估计精度和鲁棒性的前端离群值。具体地说，我们首先歧视下约束/约束良好的声纳帧和定义声纳关键帧（SKFs）的基础上的雅可比矩阵来自测距和声纳测量。为了最大限度地利用已有的具有良好约束的SKF，我们设计了一种基于奇异值的可调窗口后端优化方案。我们还证明了在2D场景中可以解决声纳运动引起的地标三角测量失败（导航问题）。在公开数据集上的对比仿真和评估表明，该方法在不闭合环路的情况下，在姿态估计和鲁棒性方面优于现有方法，同时也保证了在线应用的实时性。
2022-03-05 cs.RO
DL-SLOT: Dynamic LiDAR SLAM and object tracking based on collaborative graph optimization
Tongji University（同济大学）
本文提出DL-SLOT，通过滑动窗口协同图优化联合估计自车、静止与动态目标状态，并结合全局位姿图，在KITTI上提升动态场景下LiDAR SLAM和目标跟踪的精度与鲁棒性。
2022-12-05 cs.RO
DL-SLOT: Dynamic Lidar SLAM and Object Tracking Based On Graph Optimization
Tongji University（同济大学）
在自动驾驶系统中，自我姿态估计和动态目标跟踪是两个关键问题。通常对它们做两个假设，即同时定位与地图构建（SLAM）的静态世界假设和目标跟踪的精确自我姿态假设。然而，这些假设在高度动态的道路场景中难以保持，其中SLAM和对象跟踪变得相关且互利。本文提出了一种动态激光雷达SLAM和目标跟踪方法DL-SLOT。该方法将车辆自身以及环境中静态和动态目标的状态估计集成到一个统一的优化框架中，实现SLAM和目标跟踪（SLOT）的同时进行。首先，我们执行目标检测以移除属于潜在动态对象的所有点。然后，使用滤波后的点云进行LiDAR测距。同时，基于滑动窗口中的时间序列信息，将检测到的对象与历史对象轨迹相关联。将滑动窗口中的静态、动态对象和自车的状态统一到一个局部优化框架中。在该框架中，我们同时执行SLAM和对象跟踪，这显著提高了SLAM在高度动态道路场景中的鲁棒性和准确性以及对象状态估计的准确性。在公开数据集上的实验表明，该方法比A-LOAM方法具有更好的准确性。
2022-02-23 cs.AI cs.RO
CT-VIR: Continuous-Time Visual-Inertial-Ranging Fusion for Indoor Localization with Sparse Anchors
School of Mathematics, Hefei University of Technology（合肥工业大学数学学院）
本文提出一种基于样条的连续时间状态估计方法，用于视觉-惯性-测距融合定位，通过预处理阶段构建虚拟锚点并拒绝异常值，提升几何退化和测距可靠性，采用B样条参数化姿态轨迹并联合优化控制点和辅助参数，实验证明其有效性。
2026-04-16 cs.RO
VIRAL-Fusion: A Visual-Inertial-Ranging-Lidar Sensor Fusion Approach
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
近年来，基于摄像机或激光雷达的星上自定位方法取得了许多重大进展。然而，一些问题，如估计漂移和特征依赖性仍然存在固有的局限性。另一方面，基于基础设施的方法通常可以克服这些问题，但以一些安装成本为代价。这就提出了一个有趣的问题，如何有效地结合这些方法，以实现本地化与长期的一致性以及灵活性相比，任何单一的方法。为此，我们提出了一个全面的基于优化的估计器的15维状态的无人机（UAV），融合数据从一个广泛的传感器集：惯性测量单元（IMU），超宽带（UWB）测距传感器，和多个机载视觉惯性和激光雷达测距子系统。从本质上讲，滑动窗口是用来制定一系列的机器人姿态，这些姿态之间的相对旋转和平移约束的IMU预集成和OSL观测，而方向和位置耦合在身体偏移UWB范围观测。一个基于优化的方法来估计机器人在这个滑动窗口的轨迹。我们评估了所提出的方案在多个场景下的性能，包括在公共数据集，高保真图形物理模拟器和无人机飞行测试现场收集的数据上的实验。结果表明，我们的集成定位方法可以有效地解决漂移问题，同时产生最小的安装要求。
2020-10-23 cs.RO cs.SY eess.SY
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
Tight Fusion of Events and Inertial Measurements for Direct Velocity Estimation
ShanghaiTech University（上海科技大学）
本文提出利用动态视觉传感器事件与预积分惯性测量紧融合，借助三视张量和两层 RANSAC 直接估计相机速度，在高动态场景中优于传统视觉惯性里程计。
2024-01-17 cs.CV cs.RO
