VGC-RIO: A Tightly Integrated Radar-Inertial Odometry with Spatial Weighted Doppler Velocity and Local Geometric Constrained RCS Histograms
College of Intelligence Science and Technology, National University of Defense Technology(智能科学与技术学院,国防科技大学);National Key Laboratory of Equipment State Sensing and Smart Support(装备状态感知与智能支撑国家重点实验室)
针对4D雷达点云稀疏噪声及配准困难,本文提出VGC-RIO,通过空间加权多普勒速度与融合局部几何和RCS特征的直方图描述子实现紧耦合雷达-惯性里程计,并在多数据集上验证其精度与鲁棒性。
2025-05-15 cs.RO
An Empirical Evaluation of Four Off-the-Shelf Proprietary Visual-Inertial Odometry Systems
Sookmyung Women’s University(淑明女子大学)
商业视觉惯性里程计(VIO)系统作为一种具有成本效益的现成六个自由度(6-DoF)自我运动跟踪方法而受到关注,该方法用于估计准确且一致的相机姿态数据,此外它们还能够在没有来自运动捕捉或全球定位系统的外部定位的情况下进行操作。然而,从现有的结果来看,还不清楚哪种商业VIO平台在室内和室外机器人应用的状态估计方面是最稳定、一致和准确的。我们通过一系列室内和室外实验评估了四种流行的专有VIO系统(Apple ARKit,Google ARCore,Intel RealSense T265和Stereolabs ZED 2),展示了它们的定位稳定性,一致性和准确性。我们提出我们的完整结果作为研究界的基准比较。
2022-07-14 cs.CV cs.RO
SLICT: Multi-input Multi-scale Surfel-Based Lidar-Inertial Continuous-Time Odometry and Mapping
KTH Royal Institute of Technology(瑞典皇家理工学院);Nanyang Technological University(南洋理工大学)
虽然将特征关联到全局地图具有显著的益处,但为了防止计算呈指数级增长,大多数基于激光雷达的里程计和映射方法选择将特征与单体素尺度的局部地图相关联。利用这一事实,在不同的体素尺度的表面元(表面元素)可以组织在一个树状结构,我们提出了一个基于八叉树的全球地图的多尺度表面元,可以增量更新。这就需要重复计算,例如,整个地图的k-d树。该系统还可以从单个或多个传感器获取输入,从而增强退化情况下的鲁棒性。我们还提出了一个点到面元(PTS)关联方案,PTS和IMU预积分因子的连续时间优化,以及环路闭合和光束平差,为激光雷达惯性连续时间里程计和映射提供了一个完整的框架。在公共和内部数据集上的实验表明,与其他最先进的方法相比,我们的系统具有优势。为了使社区受益,我们在https://github.com/brytsknguyen/slict上发布了源代码和数据集。
2022-11-09 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
RP-VIO: Robust Plane-based Visual-Inertial Odometry for Dynamic Environments
Robotics Research Center at IIIT Hyderabad(海得拉巴国际信息技术学院机器人研究中心)
现代视觉惯性导航系统(VINS)在实际部署中面临着一个关键的挑战:它们需要在高度动态的环境中可靠和鲁棒地运行。目前最好的解决方案仅仅是基于对象类别的语义将动态对象过滤为离群值。这种方法不能扩展,因为它需要语义分类器来包含所有可能移动的对象类;这很难定义,更不用说部署了。另一方面,许多现实世界的环境表现出强烈的结构性的平面形式,如墙壁和地面,这也是至关重要的静态。我们提出了RP-VIO,一个单目视觉惯性里程计系统,利用这些飞机的简单几何形状,在具有挑战性的动态环境中提高鲁棒性和准确性。由于现有的数据集具有有限数量的动态元素,我们还提出了一个高度动态的,逼真的合成数据集,以更有效地评估现代VINS系统的能力。我们评估我们的方法在这个数据集上,和来自标准数据集的三个不同的序列,包括两个真实世界的动态序列,并显示出比最先进的单目视觉惯性测距系统在鲁棒性和准确性方面的显着改善。我们还在模拟中显示了一个简单的动态特征掩蔽方法的改进。我们的代码和数据集是公开的。
2021-12-05 cs.CV cs.RO
Degradation Resilient LiDAR-Radar-Inertial Odometry
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
针对自主机器人里程计易因激光雷达退化失效的问题,提出紧耦合激光雷达-雷达-惯性融合的因子图窗口平滑里程计方法,可沿非退化轴传递部分信息以抗退化,经真实飞行测试验证并公开数据集。
2024-03-08 cs.RO eess.SP
VIO-DualProNet: Visual-Inertial Odometry with Learning Based Process Noise Covariance
Hatter Department of Marine Technologies, Charney School of Marine Sciences, University of Haifa(海法大学查尼海洋科学学院哈特海洋技术系)
本文提出VIO-DualProNet,通过深度神经网络仅利用惯性测量实时估计惯性噪声协方差,并集成到VINS-Mono中,从而提升VIO的精度与鲁棒性。
2024-04-29 cs.RO cs.SY eess.SY
\textbf{PLATO}: \emph{Preintegration Learning from Accurate Trajectory Observations} for Neural Inertial Odometry
针对神经惯性里程计中预积分对IMU偏置和噪声敏感的问题,提出PLATO框架,利用精确轨迹观测联合学习NODE建模的偏置动态和噪声协方差,通过双伴随优化似然,在EuRoC和水下实验中验证了改进性能与鲁棒性。
2026-09-09 cs.RO cs.SY eess.SY
Dual Quaternion-Based Unscented Kalman Filter with Visual Inertial Odometry for Navigation in GPS-Denied Environments
Carleton University(卡尔顿大学)
提出一种基于对偶四元数的无迹卡尔曼滤波(DQUKF)结合视觉惯性里程计(VIO),在GPS拒止环境下实现高精度状态估计,在EuRoC数据集上位置RMSE达0.2584米。
2026-06-08 cs.RO cs.SY eess.SY
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
Distributed and Consistent Multi-Robot Visual-Inertial-Ranging Odometry on Lie Groups
School of Control and Computer Engineering, North China Electric Power University(控制与计算机工程学院,华北电力大学);Department of Electrical and Computer Engineering, George Mason University(电气与计算机工程系,乔治·马歇尔大学)
本文提出DC-VIRO框架,通过融合多机器人视觉-惯性测距数据,在李群上实现鲁棒的分布式定位与自校准。
2026-02-22 cs.RO cs.SY eess.SY
CVIRO: A Consistent and Tightly-Coupled Visual-Inertial-Ranging Odometry on Lie Groups
Department of Electrical and Computer Engineering, George Mason University(电气与计算机工程系,乔治·马歇尔大学)
针对UWB辅助VIO系统因可观测性破坏和忽略锚点校准不确定性导致的不一致问题,提出基于李群的紧耦合视觉-惯性-测距里程计CVIRO,通过联合估计锚点状态并利用不变误差特性,证明了算法保持正确不可观测子空间,显著提升了定位精度与一致性。
2025-08-14 cs.RO cs.SY eess.SY
Learned Inertial Odometry for Autonomous Drone Racing
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院)
惯性里程计是解决敏捷四旋翼飞行器状态估计问题的一种有吸引力的方法。它价格便宜,重量轻,并且不受感知退化的影响。然而,仅仅依靠惯性测量的积分进行状态估计是不可行的。这种测量中存在的误差和时变偏差导致姿态估计中的大漂移的累积。最近,惯性里程计在估计行人的运动方面取得了重大进展。最先进的算法依赖于学习人类典型的运动先验,但不能转移到无人机上。在这项工作中,我们提出了一种基于学习的里程计算法,该算法使用惯性测量单元(IMU)作为自主无人机赛车任务的唯一传感器模态。我们的系统的核心思想是耦合一个基于模型的滤波器,由惯性测量驱动,与一个基于学习的模块,可以访问推力测量。我们表明,我们的惯性里程计算法是优于国家的最先进的基于滤波器和基于优化的视觉惯性里程计,以及国家的最先进的学习惯性里程计估计的姿态的自主赛车无人机。此外,我们表明,我们的系统是可比的视觉惯性里程计的解决方案,使用相机,并利用已知的门的位置和外观。我们相信,在自主无人机比赛中的应用为敏捷四旋翼飞行的惯性里程计的新研究铺平了道路。
2023-02-28 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
TANGO-VIO: Triangulation-Aware Navigation with Guaranteed Feature-Observability for Visual-Inertial Odometry
Istanbul Technical University(伊斯坦布尔理工大学);Aviation Institute, Istanbul Technical University(伊斯坦布尔理工大学航空学院);Aerospace Research Center, Istanbul Technical University(伊斯坦布尔理工大学航空航天研究中心)
针对视觉惯性里程计中特征可观测性主动维护不足的问题,提出TANGO-VIO框架,通过控制障碍函数保证特征几何可观测性,经仿真和真实实验验证了其有效性。
2026-08-04 cs.RO cs.SY eess.SY
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
RaD-VIO: Rangefinder-aided Downward Visual-Inertial Odometry
The Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
最先进的前向单目视觉惯性里程计算法在实践中通常是脆弱的,特别是在处理初始化和运动的方向,使状态不可观察。在这种情况下,具有可靠的互补里程算法能够实现鲁棒和弹性飞行。使用共同的局部平面性假设,我们提出了一个快速,密集,直接的帧到帧的视觉惯性测距算法,面向下的相机,最小化的联合成本函数,涉及基于单应性的光度成本和IMU正则化项。通过广泛的评估,在各种情况下,我们表现出优越的性能比现有的国家的最先进的面向下的里程计算法的微型飞行器(MAVs)。
2019-05-14 cs.RO
A Multi-view Landmark Representation Approach with Application to GNSS-Visual-Inertial Odometry
School of Electronic Information and Electrical Engineering(电子信息与电气工程学院);College of Surveying and Geo-Informatics(测绘地理信息学院);Tongji University(同济大学)
本文提出一种多视角纯位姿估计方法,通过推导直接关联地标与多相机位姿的视觉测量模型,降低计算负担,并应用于GNSS-视觉-惯性里程计,仿真和实验验证了其高效性和准确性。
2025-08-07 cs.RO cs.SY eess.SY
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
Olfactory Inertial Odometry: Methodology for Effective Robot Navigation by Scent
Dept. of Computer Science University of Texas at Dallas(计算机科学系得克萨斯大学达拉斯分校)
本文提出嗅觉惯性里程计(OIO)框架,将惯性运动学与快速采样嗅觉传感器结合,并在真实5自由度机器人手臂上验证了三种气味定位算法,为机器嗅觉导航建立了基线框架。
2025-06-03 cs.LG cs.RO cs.SY
Deep Learning-based Inertial Odometry for Pedestrian Tracking using Attention Mechanism and Res2Net Module
Tianjin University(天津大学);Tianjin Institute of Surveying and Mapping Co. Ltd(天津市测绘院有限公司)
行人航位推算是一个具有挑战性的任务,由于低成本的惯性传感器的误差积累。最近的研究表明,深度学习方法可以在处理这个问题方面取得令人印象深刻的性能。在这封信中,我们提出了使用基于深度学习的速度估计方法的惯性里程计。利用基于Res 2Net模块和两个卷积块注意力模块的深度神经网络来恢复水平速度矢量与来自智能手机的原始惯性数据之间的潜在联系。我们的网络仅使用50%的公共惯性里程计数据集(RoNIN)数据进行训练。然后,在RoNIN测试数据集和另一个公共惯性里程数据集(OXIOD)上进行了验证。与传统的基于步长和航向系统的算法相比,该算法的绝对平移误差(ATE)降低了76%-86%。此外,与最先进的深度学习方法(RoNIN)相比,我们的方法将其ATE提高了6%-31.4%。
2022-06-08 cs.RO
Olfactory Inertial Odometry: Sensor Calibration and Drift Compensation
Dept. of Computer Science University of Texas at Dallas(计算机科学系得克萨斯大学达拉斯分校);Dept. of Biochemistry University of Texas at Dallas(生物化学系得克萨斯大学达拉斯分校)
本文提出一种可泛化到多种嗅觉传感器的嗅觉惯性里程计标定方法,面向慢速机器人平台实现厘米级气味源定位,并在真实机械臂上验证其相对冷启动导航的性能提升。
2025-06-05 cs.ET cs.LG cs.RO
Observability Analysis of Visual-Inertial Odometry with Online Calibration of Velocity-Control Based Kinematic Motion Models
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
在本文中,我们分析了视觉惯性里程计(VIO)的可观测性使用立体相机与速度控制为基础的运动学运动模型。以往的工作表明,在一般情况下,全局位置和偏航是不可观测的VIO系统,此外,滚动和俯仰也变得不可观测,如果没有旋转。我们证明,通过整合一个平面的运动约束滚动和俯仰成为可观察的。我们还表明,运动模型的参数是可观察的。
2022-04-13 cs.RO
A Comparison of Robust Kalman Filters for Improving Wheel-Inertial Odometry in Planetary Rovers
West Virginia University(西弗吉尼亚大学);The Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
本文比较了自适应和鲁棒卡尔曼滤波器算法在低起伏地形上改进车轮惯性里程测量的性能。方法包括经典的自适应和强大的方法,以及变分方法,这是一个轮式漫游车在地形上的实验评估类似的行星探测会遇到什么。与经典自适应滤波器相比,变分滤波器显示出更高的解决方案精度,并且能够处理错误的车轮里程计测量,并在较长距离内保持良好的定位,而不会出现明显的漂移。我们还展示了如何改变参数影响本地化性能。
2021-12-15 cs.RO
xVIO: A Range-Visual-Inertial Odometry Framework
Jet Propulsion Laboratory, California Institute of Technology(喷气推进实验室,加州理工学院)
xVIO是JPL实现的距离-视觉-惯性里程计算法。它已被证明与闭环控制机载无人旋翼机配备了现成的嵌入式计算机和传感器。它可以在白天使用可见光谱相机,或者在夜间使用热红外相机。本报告是xVIO的完整技术说明。它包括系统架构的概述,导航滤波器的实现,以及雅可比矩阵的推导,这是不是已经在文献中发表。
2020-10-13 cs.RO
Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
我们提出了一种新的紧耦合激光雷达惯性里程计和映射计划的固态和机械激光雷达。作为前端,基于特征的轻量级LiDAR里程计为自适应关键帧选择提供快速运动估计。作为后端,通过边缘化执行基于分层关键帧的滑动窗口优化,以直接融合IMU和LiDAR测量。对于新发布的固态激光雷达Livox Horizon,提出了一种新型的特征提取方法来处理预处理过程中的不规则扫描模式。LiLi-OM(Livox LiDAR-惯性里程计和测绘)具有实时能力,在机械LiDAR的公共数据集和使用Livox Horizon的实验中,LiDAR类型的精度优于最先进的系统。源代码和记录的实验数据集可在https://github.com/KIT-ISAS/lili-om上获得。
2021-04-27 cs.RO
Piecewise Linear De-skewing for LiDAR Inertial Odometry
Institute for Infocomm Research, A-STAR(新加坡科技研究局信息通信研究院);Nanyang Technological University(南洋理工大学)
移动智能体上的光检测和测距(LiDAR)可能由于LiDAR的同时旋转和智能体的快速移动而遭受运动失真。提出了一种精确的分段线性去偏算法,利用惯性测量单元(IMU)提供的高频运动信息对LiDAR惯性测距(LIO)中的运动失真进行校正。实验结果表明,该算法可以提高现有LIO算法的性能,特别是在快速运动的情况下。
2021-08-13 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
DefVINS: Visual-Inertial Odometry for Deformable Scenes
Departamento de Informática e Ingeniería de Sistemas, Universidad de Zaragoza(信息与系统工程系,萨拉戈萨大学)
本文提出DefVINS,一种针对变形场景的视觉-惯性里程计,通过分解里程状态为刚性IMU锚定部分和非刚性场景变形图,解决传统VIO对变形场景的不足。同时引入VIMandala基准测试集,并通过实验验证其优于传统方法。
2026-09-17 cs.CV cs.RO
TP-TIO: A Robust Thermal-Inertial Odometry with Deep ThermalPoint
Carnegie Mellon University(卡内基梅隆大学);Northeastern University(东北大学)
为了在视觉退化的环境中实现鲁棒的运动估计,热里程计一直是机器人界的一个吸引力。然而,大多数热里程计方法是纯粹基于经典的特征提取器,这是很难建立鲁棒的对应关系,在连续的帧,由于突然的光度变化和大的热噪声。为了解决这个问题,我们提出了ThermalPoint,这是一种专门为在热图像上生成关键点而量身定制的轻量级特征检测网络,与其他最先进的方法相比,它提供了显着的抗噪声改进。之后,我们将ThermalPoint与一种新的辐射特征跟踪方法相结合,该方法直接利用完整的辐射数据,并在连续帧之间建立可靠的对应关系。最后,利用基于优化的视觉惯性框架,提出了一种基于深度特征的热惯性里程计(TP-TIO)框架,并在各种视觉退化环境中进行了全面评估。实验表明,我们的方法优于国家的最先进的视觉和激光测距方法在烟雾弥漫的环境中,并在正常环境中实现竞争力的准确性。
2020-12-07 cs.RO
LIC-Fusion: LiDAR-Inertial-Camera Odometry
Zhejiang University(浙江大学);University of Delaware(特拉华大学)
提出了一种紧耦合的多传感器融合算法LiDAR-惯性相机融合(LIC-Fusion),该算法有效地融合了IMU测量、稀疏视觉特征和提取的LiDAR点。特别是,拟议的LIC融合执行所有三个异步传感器之间的在线空间和时间传感器校准,以补偿可能的校准变化。其主要贡献是在一个有效的基于MSCKF的框架内,对从LiDAR扫描中检测和跟踪的稀疏边缘/冲浪特征点进行最佳(线性化误差)多模态传感器融合,同时进行稀疏视觉特征观测和IMU读数。我们在室内和室外环境中进行了广泛的实验,表明所提出的LIC融合在估计精度和对侵略性运动的鲁棒性方面优于最先进的视觉惯性测距法(VIO)和LiDAR测距法。
2019-11-01 cs.RO
Continuous-time Radar-inertial Odometry for Automotive Radars
DSO National Laboratories(DSO国家实验室);National University of Singapore(新加坡国立大学)
我们提出了一种雷达惯性里程计的方法,该方法使用连续时间框架来融合来自多个汽车雷达和惯性测量单元(IMU)的测量。与相机和激光雷达传感器不同,恶劣的天气条件不会对雷达传感器的工作性能产生重大影响。雷达的鲁棒性,在这种条件下,越来越普遍的乘用车上的雷达促使我们看看使用雷达的自我运动估计。一个连续时间的轨迹表示不仅作为一个框架,使异构和异步多传感器融合,而且,以促进有效的优化,能够计算姿势及其衍生物在封闭的形式,并在任何给定的时间沿轨迹。我们比较我们的连续时间的估计,从离散时间的雷达惯性里程计的方法,并表明我们的连续时间的方法优于离散时间的方法。据我们所知,这是第一次连续时间框架已被应用于雷达惯性测距。
2022-01-07 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
On the Derivation of Tightly-Coupled LiDAR-Inertial Odometry with VoxelMap
本文基于VoxelMap,推导了紧密耦合激光雷达-惯性里程计的数学模型,通过一致的符号和显式公式统一几何建模与概率状态估计。
2026-04-21 cs.RO eess.SP
Continuous-Time Spline Visual-Inertial Odometry
University of Minnesota Twin Cities(明尼苏达大学双城分校);Minnesota Robotics Institute(明尼苏达机器人研究所)
我们提出了一个连续时间样条为基础的制定视觉惯性里程计(VIO)。具体来说,我们的姿势作为一个三次样条,其时间导数用于合成线加速度和角速度,这是比较从惯性测量单元(IMU)的最佳状态估计的测量。样条边界条件在摄像机和IMU之间建立约束,我们将VIO表示为约束非线性优化问题。连续时间姿态表示使得解决许多VIO挑战成为可能,例如,卷帘快门失真和传感器可能缺乏同步。我们在两个公开的数据集上进行实验,证明了我们的方法的最先进的准确性和实时计算效率。
2022-02-18 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
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
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
LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters
Institute of Geodesy and Geoinformation, University of Bonn(波恩大学大地测量与地理信息研究所);Department of Engineering Science at the University of Oxford(牛津大学工程科学系);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所)
本文提出紧耦合LIO-EKF激光雷达-惯性里程计系统,利用点到点配准、扩展卡尔曼滤波和考虑不确定性的自适应数据关联减少参数调优,在保持先进精度的同时显著提升计算速度。
2024-05-08 cs.RO
PIEKF-VIWO: Visual-Inertial-Wheel Odometry using Partial Invariant Extended Kalman Filter
Shanghai Jiao Tong University(上海交通大学)
不变扩展卡尔曼滤波器(IEKF)作为卡尔曼滤波器的一种先进技术,已成功应用于视觉-惯性测距(VIO)中,在传感器融合中显示出巨大的潜力。在本文中,我们提出了部分IEKF(PIEKF),它只将旋转速度状态的李群结构,并将其应用于视觉惯性轮测距(VIWO),以提高定位精度和一致性。具体来说,我们推导出的旋转速度测量模型,它结合了车轮测量与运动学约束。该模型避免了车轮里程计的3D积分和协方差传播,这对于滤波器的一致性至关重要。并引入平面约束以提高定位精度。采用动态离群点检测方法,利用速度状态输出。通过仿真和实际测试,验证了该方法的有效性,在一致性和精度方面优于基于VIWO的标准多状态约束卡尔曼滤波器(MSCKF)。
2023-03-14 cs.RO
ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry
Department of Electrical Engineering, POSTECH(浦项科技大学电气工程系)
ALIVE-LIO通过将深度神经网络整合到经典误差状态卡尔曼滤波中,提升退化环境中LiDAR可观测性,减少姿态漂移,实验显示在22/32序列中表现最佳。
2026-10-14 cs.RO
UMS-VINS: United Monocular-Stereo Features for Visual-Inertial Tightly Coupled Odometry
Beijing Institute of Technology(北京理工大学)
本文将单目立体联合特征引入到视觉-惯性紧耦合里程计(UMS-VINS)中,用于鲁棒的位姿估计。UMS-VINS需要两个相机和一个低成本的惯性测量单元(IMU)。UMS-VINS是VINS-FUSION的演变,它从以下三个方面修改了VINS-FUSION。1)UMS-VINS从亚像素平面提取和跟踪特征,以实现特征的更好位置。2)UMS-VINS从左和/或右相机引入额外的二维特征。3)如果视觉初始化失败,则IMU传播直接用于位姿估计,并且如果视觉-IMU对准失败,则UMS-VINS通过视觉里程计估计位姿。公开数据集和新的真实世界的实验表明,所提出的UMS-VINS优于VINS-FUSION从定位精度,定位鲁棒性和环境适应性的角度来看。
2023-03-15 cs.RO
MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark
University of Almería(阿尔梅里亚大学)
本文介绍 MOLA-LIO,一种扩展自 MOLA-LO 的激光雷达-惯性里程计系统,融合 IMU 与可选腿部运动学数据,在 COMFORT 基准的 GrandTour 数据集上验证了实时性能。
2026-09-23 cs.RO
Online Refractive Camera Model Calibration in Visual Inertial Odometry
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
本文提出一种通用折射相机模型,在视觉惯性里程计中在线联合估计里程计与未知介质折射率,仅需空气标定即可在折射流体中实现与常规相当的定位性能。
2024-09-18 cs.CV cs.RO
LIR-LIVO: A Lightweight,Robust LiDAR/Vision/Inertial Odometry with Illumination-Resilient Deep Features
提出 LIR-LIVO 轻量鲁棒 LiDAR-惯性-视觉里程计,融合抗光照深度特征、LiDAR 深度关联及 Superpoint/LightGlue 匹配,在多个基准上以低算力取得 SOTA 性能。
2025-02-12 cs.CV cs.RO cs.SY
Visual-Inertial Odometry-enhanced Geometrically Stable ICP for Mapping Applications using Aerial Robots
University of Nevada, Reno(内华达大学里诺分校)
提出了一种基于视觉-惯性里程计增强的几何稳定迭代最近点(ICP)算法,用于空中机器人精确测图。所提出的方法采用了视觉惯性里程框架,以提供强大的先验ICP步骤,并计算来自机载飞行时间深度传感器的点云之间的重叠。在点云的重叠部分内,该方法对点进行采样,使得它们之间的法线分布尽可能大。由于不同的几何形状和传感器轨迹将影响对准过程的性能,因此对ICP步骤的预期几何稳定性进行评估。只有当该测试成功时,才进行匹配、离群值拒绝和误差度量ICP步骤的最小化,并且估计新的相对平移和旋转分量,否则系统依赖于视觉-惯性里程计变换估计。所提出的战略进行了评估,在手持,自动化和完全自主的勘探和测绘任务,使用小型空中机器人,并显示出提供强大的结果,高质量的计算负荷在一个负担得起的增加。
2018-01-29 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
AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors
Shanghai Jiao Tong University(上海交通大学)
本文提出了一种基于变压器的AI-IO方法,通过引入旋翼速度测量提升四旋翼惯性里程计的精度和实时性能。
2026-02-28 cs.RO
Geometrically-Constrained Radar-Inertial Odometry via Continuous Point-Pose Uncertainty Modeling
Dept. of Mechanical Engineering, SNU(首尔大学机械工程系)
本文提出一种结合点位不确定性的几何约束雷达惯性里程计,通过连续轨迹模型估计姿态不确定性,提升在不确定雷达测量下的定位精度和效率。
2026-09-18 cs.RO
Robust Stereo Visual Inertial Odometry for Fast Autonomous Flight
GRASP Lab, University of Pennsylvania(宾夕法尼亚大学GRASP实验室)
近年来,用于状态估计的视觉辅助惯性里程计已显着成熟。然而,我们仍然遇到的挑战,在提高计算效率和鲁棒性的基础算法的应用在自主飞行与微型飞行器,它是难以使用高品质的传感器和强大的处理器,因为尺寸和重量的限制。在本文中,我们提出了一种基于滤波器的立体视觉惯性里程计,使用多状态约束卡尔曼滤波器(MSCKF)[1]。以前的工作立体视觉惯性里程计导致的解决方案,是计算昂贵。我们证明,我们的立体多状态约束卡尔曼滤波器(S-MSCKF)是最先进的单目解决方案的计算成本,同时提供显着更大的鲁棒性。我们评估了我们的S-MSCKF算法,并将其与最先进的方法(包括OKVIS,ROVIO和VINS-MONO)在EuRoC数据集和我们自己的实验数据集上进行了比较,这些实验数据集展示了在室内和室外环境中最大速度为17.5m/s的快速自主飞行。我们的S-MSCKF实现可在https://github.com/KumarRobotics/msckf_vio上获得。
2018-01-10 cs.RO
The TUM VI Benchmark for Evaluating Visual-Inertial Odometry
Technical University of Munich(慕尼黑工业大学)
视觉里程计和SLAM方法在诸如增强现实或机器人技术的领域中具有各种各样的应用。视觉传感器与惯性测量的互补极大地提高了跟踪精度和鲁棒性,从而引起了人们对视觉惯性(VI)里程计方法发展的极大兴趣。在本文中,我们提出了TUM VI基准,一个新的数据集,在不同的场景中的一组不同的序列,用于评估VI里程计。它提供分辨率为1024x1024(20 Hz)、高动态范围和光度校准的相机图像。IMU以200 Hz的频率测量3个轴上的加速度和角速度,而摄像机和IMU传感器在硬件中是时间同步的。对于轨迹评估,我们还在序列的开始和结束时以高频率(120 Hz)提供来自运动捕捉系统的准确姿势地面实况,我们将其与相机和IMU测量结果准确对齐。包含原始数据和校准数据的完整数据集是公开的。我们还在我们的数据集上评估了最先进的VI里程计方法。
2020-03-09 cs.CV cs.RO
OrcVIO: Object residual constrained Visual-Inertial Odometry
University of California San Diego(加州大学圣迭戈分校)
在同时定位与地图构建(SLAM)系统中引入对象级语义信息是关键。它不仅提高了性能,而且还使任务指定的有意义的对象。这项工作提出了OrcVIO,视觉惯性里程计紧密结合结构化对象模型的跟踪和优化。OrcVIO通过语义特征和边界框重投影错误进行区分,对对象的姿态和形状进行批量优化。估计的对象状态有助于在IMU相机状态上的实时增量优化。使用真实数据评估OrcVIO精确轨迹估计和大规模对象级映射的能力。
2021-05-29 cs.CV cs.RO
Tightly Coupled Optimization-based GPS-Visual-Inertial Odometry with Online Calibration and Initialization
South China University of Technology(华南理工大学);City University of Hong Kong(香港城市大学)
本文提出了一种基于紧密耦合优化的GPS-视觉-惯性里程计系统,以解决视觉-惯性里程计的轨迹漂移问题,特别是在长时间运行时。视觉重投影残差、IMU残差和GPS测量残差在局部束平差中联合最小化,其中我们应用GPS测量值和用于IMU残差的IMU预积分来制定新的GPS残差。为了提高系统的效率和鲁棒性,提出了一种快速的参考坐标初始化方法和一种在线的GPS-IMU外部和时间偏移校准方法。此外,我们进一步测试我们的在线校准方法的性能和收敛性。EuRoC数据集上的实验结果表明,我们的方法始终优于其他紧耦合和松耦合的方法。同时,该系统在KAIST数据集上进行了验证,证明了该系统在视觉或GPS故障的情况下能够很好地工作。
2022-03-05 cs.RO
Learning Inertial Odometry for Dynamic Legged Robot State Estimation
本文介绍了一种新的本体感觉状态估计器的足式机器人的基础上学习的位移测量从IMU数据。最近在行人跟踪方面的研究表明,可以使用卷积神经网络从惯性数据推断运动。学习的惯性位移测量可以在腿部测距法不可靠的挑战性场景(诸如滑动和可压缩地形)中改进状态估计。我们的工作学习从IMU数据中估计位移测量值,然后将其与传统的腿部里程计融合。我们的方法大大减少了本体感受状态估计的漂移,这是至关重要的足式机器人部署在视觉和激光雷达拒绝环境,如雾的下水道或尘土飞扬的地雷。我们比较了EKF和增量固定滞后因子图估计的结果,使用来自几个真正的机器人实验跨越具有挑战性的地形。我们的研究结果表明,相对姿态误差减少了37%,在具有挑战性的情况下相比,传统的运动学惯性估计没有学习的测量。我们还证明了22%的错误减少时,使用视觉系统在视觉退化的环境,如地下矿井。
2021-11-01 cs.RO