Constructive Equivariant Observer Design for Inertial Navigation
针对惯性导航系统中扩展卡尔曼滤波器缺乏强稳定性保证的问题，本文利用李群对称性提出首个误差动力学几乎全局渐近且局部指数稳定的非线性观测器，仅靠GNSS位置辅助，仿真验证其可从极端初始误差收敛。
2023-08-22 cs.SY eess.SY
A General Nonlinear Observer Design for Inertial Navigation Systems with Almost Global Stability Guarantees
Capgemini Engineering（凯捷工程）；University of Quebec in Outaouais（渥太华大学）；I3S-UniCA-CNRS, University Cote d’Azur（尼斯大学）；Institut Universitaire de France（法国高等研究院）
本文提出了一种通用非线性观测器设计，用于惯性导航系统的姿态估计，通过级联架构和非线性几何重建滤波器实现近全局稳定性。
2026-02-09 cs.SY eess.SY
Closed-loop vs. Open-loop Kalman Filter Architectures in Airborne Aided Inertial Navigation
Airbus Central Research and Technology（空客中央研究与技术中心）；Department of Engineering Cybernetics, Norwegian University of Science and Technology（挪威科技大学工程 cybernetics 系）
研究闭环与开环卡尔曼滤波器架构在机载辅助惯性导航中的性能影响，用标准惯性机制和直接位置辅助评估，通过模拟展示不同传感器误差下两种架构的权衡。
2026-07-07 cs.RO cs.SY eess.SY
Equivariant Symmetries for Aided Inertial Navigation
University of Klagenfurt（克拉根福大学）；Australian National University（澳大利亚国立大学）；University of Toronto（多伦多大学）；University of Minnesota（明尼苏达大学）
本论文利用等变系统理论，引入切群对称性以几何处理IMU偏差，推导出具有自主误差动态的等变滤波器（EqF），在精度、收敛速度、鲁棒性和一致性上优于最先进方法，并形式化了滤波器与对称性选择的关系。
2024-07-19 cs.RO cs.SY eess.SY
Nonlinear Deterministic Observer for Inertial Navigation using Ultra-wideband and IMU Sensor Fusion
Carleton University（卡尔顿大学）；The Hong Kong Polytechnic University（香港理工大学）；Georgia Institute of Technology（佐治亚理工学院）；Bowling Green State University（鲍灵格林州立大学）
针对GPS拒止环境，本文提出一种基于扩展 $\mathbb{SE}_{2}(3)$ 的连续非线性确定性UWB/IMU融合观测器，可估计刚体姿态、位置和速度，并经真实无人机数据集验证其离散实现的指数收敛性。
2023-08-15 cs.RO cs.SY eess.SY
Nonlinear Estimation for Position-Aided Inertial Navigation Systems
在这项工作中，我们解决了位置辅助三维导航问题，使用非线性估计方案。更准确地说，我们提出了一个非线性观测器估计的完整状态的车辆（位置，速度，方向和陀螺仪偏差）从IMU和位置测量。该观测器不引入额外的辅助状态，并保证半全局指数稳定性，没有任何假设的车辆的加速度。观察员的性能，通过仿真，以克服国家的最先进的方法，假设加速度可以忽略不计。
2021-03-25 cs.SY eess.SY math.OC
Synchronous Observer Design for Inertial Navigation Systems with Almost-Global Convergence
该研究提出基于扩展相似群的惯性导航系统同步观测器架构，实现即插即用模块化设计，证明其几乎全局渐近与局部指数稳定性，并通过仿真和无人机真实数据验证了性能优势。
2025-05-20 cs.SY eess.SY
Tutorial on Aided Inertial Navigation Systems: A Modern Treatment Using Lie-Group Theoretical Methods
Université du Québec en Outaouais（魁北克大学 Outaouais分校）
本文通过李群理论方法，介绍了一种面向控制的辅助惯性导航系统，重点在于融合惯性测量与辅助信息，并探讨了更高阶状态表示和等变滤波方法等现代技术。
2026-10-14 cs.RO cs.SY eess.SY
iNavFIter-M: Matrix Formulation of Functional Iteration for Inertial Navigation Computation
Shanghai Jiao Tong University（上海交通大学）
姿态、速度和位置的获取是惯性导航领域的一项重要任务，它是通过对惯性传感器的测量值进行积分来实现的。最近，超精密惯性导航计算已经解决了功能迭代方法（iNavFIter），驱动的非交换性误差几乎到计算机截断误差的水平。本文提出了一种计算效率高的矩阵公式的功能迭代方法，命名为iNavFIter-M。与原始iNavFIter中的隐式迭代关系相比，两次连续迭代中的切比雪夫多项式系数通过矩阵公式显式连接。通过这样做，它允许简单的算法实现，并且可以预先计算多个矩阵因子以进行更有效的计算。数值结果表明，所提出的iNavFIter-M算法能够达到与原iNavFIter算法相同的高计算精度，而计算代价与典型的双样本算法相当. iNavFIter-M算法也在FPGA板上实现，以展示其在实时应用中的潜力。
2022-11-17 cs.RO cs.SY eess.SY
Derivations of Error-State Kalman Filter Kinematics for Globally Applicable Aided Inertial Navigation Systems
Airbus Central Research and Technology（空客中央研究与技术部）；Department of Engineering Cybernetics, Norwegian University of Science and Technology（挪威科技大学工程控制论系）
研究全球导航系统中处理地球曲率等因素的状态估计算法，通过不变误差状态卡尔曼滤波器利用李群对称性，给出四种经典和不变的误差状态卡尔曼滤波器数学公式供比较与实现。
2026-07-07 cs.RO cs.SY eess.SY
Unscented Particle Filter for Visual-inertial Navigation using IMU and Landmark Measurements
Department of Mechanical and Aerospace Engineering, Carleton University（机械与航空航天工程系，卡尔顿大学）
本文提出了一种基于四元数的无迹粒子滤波器QUPF-VIN，通过融合低成本IMU和视觉地标观测数据，专为GPS拒止环境下的6 DoF车辆设计，实验证明其跟踪精度优于标准Kalman滤波器。
2025-04-27 cs.RO cs.SY eess.SY
Quaternion-based Unscented Kalman Filter for 6-DoF Vision-based Inertial Navigation in GPS-denied Regions
Carleton University（卡尔顿大学）
针对GPS拒止区域刚体6自由度运动的位姿、位置和线速度估计问题，提出定义在特定空间的计算高效的四元数导航无迹卡尔曼滤波器，融合视觉与IMU数据，经真实数据集验证其鲁棒性和有效性。
2024-12-03 cs.RO cs.SY eess.SY
Equivariant Symmetries for Inertial Navigation Systems
Control of Networked Systems Group, University of Klagenfurt, Austria（网络化系统控制组，克雷格弗尔特大学）；Robotics Lab, Australian Centre for Robotic Vision, Australian National University, Australia（机器人实验室，澳大利亚机器人视觉中心，澳大利亚国立大学）
本文从对称性视角研究惯性导航系统滤波器设计，提出两种新对称性，并将现代EKF变体统一解释为等变滤波器方法，最后对IMU/GNSS组合导航中的不同滤波方案进行比较分析。
2025-06-03 cs.RO cs.SY eess.SY
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
Bluetooth Phased-array Aided Inertial Navigation Using Factor Graphs: Experimental Verification
Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（工程 cybernetics 部，挪威科学技术大学（NTNU））
本文通过多旋翼无人机实验数据，比较了基于因子图优化的稳健估计策略，评估蓝牙角测量在GNSS信号丢失情况下的导航性能。
2026-05-14 cs.RO cs.SY eess.SY
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
Equivariant Filter Design for Inertial Navigation Systems with Input Measurement Biases
University of Klagenfurt（克拉根福大学）；Australian National University（澳大利亚国立大学）
惯性导航系统（INS）是自主车辆应用的关键技术。INS问题的估计和滤波器设计的最新进展已经利用几何和对称性来克服经典的扩展卡尔曼滤波器（EKF）方法的局限性，该方法自二十世纪中期以来形成了INS系统的主流。工业标准INS滤波器，乘法扩展卡尔曼滤波器（MEKF），使用几何构造用于姿态估计，与经典的欧几里德构造耦合用于位置、速度和偏差估计。最新的不变扩展卡尔曼滤波器（IEKF）提供了一个完整的导航状态的几何框架，集成了姿态、位置和速度，但仍然使用经典的欧几里德结构来建模偏差状态。在本文中，我们使用最近提出的等变滤波器（EqF）的框架，推导出一种新的观测器偏置惯性导航在一个完整的几何框架。引入具有相关虚拟偏差的虚拟速度输入会导致增强系统上的完全等变对称性。由此产生的滤波器性能与模拟和真实世界的数据进行评估，并证明了增加的鲁棒性，以广泛的错误的初始条件，并提高精度相比，行业标准的乘法EKF（MEKF）的方法。
2022-02-04 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
UWB Ranging and IMU Data Fusion: Overview and Nonlinear Stochastic Filter for Inertial Navigation
Carleton University（卡尔顿大学）；The Hong Kong Polytechnic University（香港理工大学）；Georgia Institute of Technology（佐治亚理工学院）
针对惯性导航需求，本文提出融合UWB与IMU的非线性随机互补滤波器，基于$\text{SE}_2(3)$扩展李群设计以避免奇异性与非唯一性，可处理协方差上界未知的IMU噪声，经公开MAV飞行数据集验证具备鲁棒性。
2023-08-25 cs.RO cs.SY eess.SY
Automated Tuning of Nonlinear Kalman Filters for Optimal Trajectory Tracking Performance of AUVs
本文针对无DVL的微型AUV，提出使用贝叶斯优化自动调优两种不同预测模型的UKF参数，蒙特卡洛仿真表明该方法使中值跟踪误差最多降低50%。
2023-04-07 cs.SY eess.SY
GPS-denied Navigation: Attitude, Position, Linear Velocity, and Gravity Estimation with Nonlinear Stochastic Observer
具有六个自由度（6 DoF）的刚体的成功导航需要精确估计姿态、位置和线速度。真实的导航动力学是高度非线性的，并且在SE 2（3）的矩阵李群上建模。本文提出了新的几何非线性连续随机导航观测器SE2（3）捕捉真正的非线性问题。建议的观察员结合IMU和地标测量。它有效地处理了IMU测量噪声。所提出的观测器保证几乎是半全局一致最终有界的均方。提供了四元数表示。一个真实世界的四旋翼测量数据集被用来验证建议的观察员在其离散形式的有效性。保留字：惯性导航，随机系统，布朗运动过程，随机滤波算法，随机微分方程，李群，SE（3），SO（3），位姿估计器，位置，姿态，特征测量，惯性测量单元，IMU。
2021-07-29 cs.SY eess.SY
Observers Design for Inertial Navigation Systems: A Brief Tutorial
Western University（韦仕敦大学）；Lakehead University（湖首大学）
导航观测器的设计能够同时估计的位置，线速度和方向的车辆在三维空间中是至关重要的，在许多机器人和航空航天应用。这个问题主要是处理使用扩展卡尔曼滤波器及其变种，这被证明是在许多实际应用中的工具。虽然实际上是有效的，缺乏强稳定性保证这些算法的动机出现了一类新的几何导航观测器依赖于黎曼几何工具，导致可证明的强稳定性属性。这个简短的教程的目的是提供一个现有的估计方案，以及一些最近开发的几何非线性观测器，自主导航系统依赖于惯性测量单元（IMU）和地标测量的概述。
2020-09-18 cs.RO cs.SY eess.SY
A GNSS Aided Initial Alignment Method for MEMS-IMU Based on Backtracking Algorithm and Backward Filtering
捷联惯性导航系统（Strapdown Inertial Navigation System，简称INS）要获得高精度的位置，初始对准需要快速、准确地确定初始姿态。高精度的惯性测量单元（IMU）可以独立获得初始姿态，而低精度的陀螺仪不适合确定航向角，无法获得初始姿态矩阵。如果采用大失准角模型估计航向角，则收敛时间会变长。针对这两个问题，提出了一种基于GNSS（Global Navigation Satellite System，全球导航卫星系统）辅助的回溯算法和逆向导航更新算法相结合的对准算法。通过仿真和地面车辆试验对该算法的对准精度进行了评估。测试中水平失准小于2.3弧分，航向失准小于10.1弧分。该方法是一种可行的、实用的低成本惯性测量组合在GNSS辅助下实现短期大失准条件下初始姿态获取的方法。
2022-02-28 cs.RO cs.SY eess.SY
Robust Extended Kalman Filter for Land Navigation Using Massive Array of MEMS IMUs
School of Computer Science, Reichman University（里奇曼大学计算机科学学院）
提出一种鲁棒扩展卡尔曼滤波架构，通过动态百分位门控和实时偏置跟踪的预滤波框架，有效融合数百个低成本MEMS惯性传感器，抑制异常读数并补偿漂移，显著提升方位精度并降低漂移累积。
2026-06-28 cs.RO cs.SY eess.SY
Improve the autonomy of the SE2(3) group based Extended Kalman Filter for Integrated Navigation: Theoretical Analysis
National University of Defense Technology（国防科技大学）；Beijing Institute of Tracking and Communication Technology（北京跟踪与通信技术研究所）
本文提出了一种基于SE2(3)群的导航模型构建方法，以提升高精度导航中误差传播的自主性，解决地球自转和惯性设备偏置带来的挑战。
2026-01-22 cs.RO cs.SY eess.SY
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
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
Inertial Navigation Meets Deep Learning: A Survey of Current Trends and Future Directions
University of Haifa（海法大学）
本文综述深度学习在惯性传感与融合中的应用，涵盖校准、去噪、导航改进等方法，按陆、空、海环境分类，分析趋势并提供常用方法统计数据，以促进相关研究。
2024-02-25 cs.AI cs.LG cs.RO
Lost in Time? Continuous Symmetry and Identifiability in Aided Inertial Navigation with Unknown Measurement Delays
Space & Terrestrial Autonomous Robotic Systems (STARS) Laboratory at the University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航天研究所空间与地面自主机器人系统（STARS）实验室）；Autonomous Robotics & Convex Optimization (ARCO) Laboratory in the Department of Computing and Software, McMaster University（麦克马斯特大学计算与软件系自主机器人与凸优化（ARCO）实验室）
研究辅助导航中单个辅助传感器测量相对于惯性测量流有未知但恒定延迟时系统的可识别性，利用特殊伽利略群刻画无信息轨迹并与延迟测量模型连续对称性相关，揭示可识别性失败轨迹类别及与线性化分析联系。
2026-08-19 cs.RO cs.SY eess.SY
DeepUKF-VIN: Adaptively-tuned Deep Unscented Kalman Filter for 3D Visual-Inertial Navigation based on IMU-Vision-Net
Carleton University（卡尔顿大学）
本文提出DeepUKF-VIN，利用IMU-Vision-Net和深度学习自适应机制调节无迹卡尔曼滤波器噪声协方差，实现GPS拒止环境下三维视觉惯性导航的方位、位置和速度鲁棒估计，并在真实数据上验证其优于标准UKF。
2025-03-12 cs.RO cs.SY eess.SY
Nonlinear Observers Design for Vision-Aided Inertial Navigation Systems
Western University（西安大略大学）；University of Quebec in Outaouais（魁北克大学乌塔韦校区）；Lakehead University（湖首大学）
本文研究了视觉辅助惯性导航系统中姿态、位置和线速度的同时估计问题。我们提出了一个非线性观测器$SO(3)\times \mathbb{R}^{15}$依赖于身体框架的加速度，角速度和（立体或单目）轴承测量的一些地标是恒定的，在惯性系中已知的。与现有的局部卡尔曼型观测器不同，我们提出的非线性观测器保证几乎全局渐近稳定性和局部指数稳定性。对该系统的一致可观性进行了详细的分析，并给出了其一致可观性的充分条件。此外，一个混合版本的建议观察者提供处理的间歇性测量在实际应用中。仿真和实验结果表明了所提出的状态观测器的有效性。
2021-06-01 cs.RO cs.SY eess.SY
Learning to Localise Automated Vehicles in Challenging Environments using Inertial Navigation Systems (INS)
为了提高惯性导航系统（INS）/全球导航卫星系统（GNSS）组合导航在无GNSS信号情况下的精度，提出了一种基于人工神经网络的算法。INS可用于在城市峡谷、桥梁、隧道和树木周围的GNSS信号丢失期间连续定位自主车辆，在陀螺仪积分和加速度计对位移的双重积分期间，其遭受随时间级联的无限指数误差漂移。更重要的是，误差漂移的特征在于依赖于时间的模式。输入延迟神经网络（IDNN）具有学习随时间推移的误差漂移的能力[1]，并且具有比递归神经网络（RNN），长短期记忆和门控递归单元网络更有效的计算效率。此外，已发表的文献集中在旅行路线，不考虑复杂的驾驶场景，因此，我们在本文中研究的性能具有挑战性的情况下，如急刹车，圆，急转弯，连续的左，右转弯和车辆加速度的快速变化在众多的测试序列。结果表明，基于神经网络的方法能够提供高达89.55%的改善对INS的位移估计和93.35%对INS的方向速率估计。
2020-10-05 cs.SY eess.SP eess.SY
A switching Kalman filter approach to online mitigation and correction of sensor corruption for inertial navigation
针对惯性导航中外部传感器故障损坏问题，提出结合参数增广的切换卡尔曼滤波方法，通过多观测模型似然评估识别并校正故障，在气球导航、航天飞机再入场景下验证了其抗偏差能力与鲁棒性。
2024-12-10 cs.RO cs.SY eess.SY
A Trident Quaternion Framework for Inertial-based Navigation Part II: Error Models and Application to Initial Alignment
Shanghai Jiao Tong University（上海交通大学）
本文研究了三叉戟四元数框架的误差模型，并将其应用于里程计辅助的陆地车辆静态/动态惯性导航姿态对准。通过对三叉四元数运动方程进行线性化，得到了左、右三叉四元数误差模型，并发现该模型与深群仿射导出的模型是等价的。利用这两种误差模型设计了相应的扩展卡尔曼滤波器（EKF），即左四元数EKF（LQEKF）和右四元数EKF（RQEKF）。仿真和现场试验进行评估的实际性能。由于L/RQEKF具有很高的估计一致性，即使在任意大航向初始化下，其静态对准收敛速度也比传统的基于误差模型的EKF快得多。在运动对准中，L/RQEKF比传统EKF具有更大的收敛域，但仍需要姿态初始化，以避免较大的初始姿态误差。
2021-05-16 cs.RO cs.SY eess.SY
Cascaded Tightly-Coupled Observer Design for Single-Range-Aided Inertial Navigation
Department of Computer Science（计算机科学系）；Engineering, University of Quebec in Outaouais, Gatineau, QC, Canada（魁北克大学Outaouais工程学院，加蒂纳岛，QC，加拿大）；Department of Electrical and Computer Engineering（电气与计算机工程系）；Lakehead University（拉克头大学）
本文提出一种利用单范围辅助信息的级联紧密耦合观测器，通过IMU、向量测量和距离测量实现对惯性导航系统完整状态的估计，具有良好的鲁棒性和精度。
2025-12-05 cs.RO cs.SY eess.SY
Hybrid Nonlinear Observers for Inertial Navigation Using Landmark Measurements
Western University（韦仕敦大学）；Lakehead University（湖首大学）
本文研究了基于地标测量的刚体系统姿态、位置和线速度估计问题。我们在矩阵李群$SE_2(3)$上设计了两个混合非线性观测器，使得观测器具有全局指数稳定性.第一个观测器依赖于固定的增益，而第二个使用可变的增益取决于连续Riccati方程（CRE）的解决方案。这些观察员，然后扩展到处理偏置角速度测量。仿真和实验结果都说明了所提出的观测器的性能。
2020-05-14 cs.RO cs.SY eess.SY
Toward Underground Localization: Lidar Inertial Odometry Enabled Aerial Robot Navigation
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A-STAR（新加坡科技研究局资讯通信研究院）
定位可以通过不同的传感器和技术来实现，例如全球定位系统（GPS）、WiFi、超声波传感器和相机。在本文中，我们专注于基于激光的定位方法，无人机（UAV）的应用在GPS拒绝的环境，如深隧道系统。除了用于平面轴的低成本2D激光雷达之外，用于垂直轴的单轴激光雷达以及惯性测量单元（IMU）设备用于提高定位性能的可靠性和准确性。我们提出了一个比较分析的三个选定的基于激光的同时定位与地图构建（SLAM）的方法：（i）赫克托SLAM;（ii）Gmapping;（iii）制图。这些算法已经实现，并通过真实世界的实验进行测试。将结果与地面实况数据进行比较，并且实验可在https://youtu.be/kQc3mJjw_mw上获得。
2019-10-29 cs.RO cs.SY eess.SY
RuDaCoP: The Dataset for Smartphone-based Intellectual Pedestrian Navigation
本文介绍了大型和多样化的数据集开发基于智能手机的行人导航算法。该数据集由来自多个智能手机传感器的约1200组惯性测量值组成。测量值是在步行通过长达10分钟的不同轨迹时收集的。数据伴随着高精度地面实况收集两个脚安装的惯性测量单元和后处理所提出的算法。该数据集既适合基于学习技术的智能行人导航算法的训练，也适合基于经典方法的行人导航算法的开发。该数据集可在http://gartseev.ru/projects/ipin2019上访问。
2019-08-09 cs.LG cs.SY eess.SY
Optimization-Based Outlier Accommodation for Tightly Coupled RTK-Aided Inertial Navigation Systems in Urban Environments
College of Engineering Center for Environmental Research and Technology（工程学院环境研究与技术中心）
针对城市 GNSS 载波相位异常与整数模糊度问题，提出紧耦合 RTK/INS 的 RAPS 优化测量选择框架，并在深度城市数据上验证其精度优于 SAE 要求且较传统方法提升 10%。
2024-09-20 cs.RO cs.SY eess.SY
Equivariant Filter Transformations for Consistent and Efficient Visual--Inertial Navigation
School of Astronautics, Harbin Institute of Technology（哈尔滨工程大学航天学院）
本文提出了一种等价滤波变换方法，通过建立不同对称性的等价滤波器之间的分析联系，实现系统一致性设计和高效实现。
2026-09-03 cs.RO cs.SY eess.SY
Unscented Kalman Filtering on Manifolds for AUV Navigation -- Experimental Results
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在这项工作中，我们提出了一个辅助惯性导航系统的自主水下航行器（AUV）使用流形上的无迹卡尔曼滤波器（UKF-M）。惯性导航估计由多普勒速度记录仪（DVL）、深度传感器、声波测距仪以及在地面上的GPS辅助。明确描述了AUV上每个导航传感器的传感器模型，包括IMU和每个传感器之间的杠杆臂偏移的补偿。此外，提出了一个离群值拒绝步骤，以拒绝测量离群值，会降低导航性能。UKF-M的AUV导航的实时导航弗吉尼亚理工大学690 AUV和验证现场实施。最后，通过对导航传感器数据的后处理，我们通过实验证明了UKF-M能够在任意大的初始航向误差的存在下收敛到正确的航向。
2022-10-12 cs.RO cs.SY eess.SY
MSCEqF: A Multi State Constraint Equivariant Filter for Vision-aided Inertial Navigation
University of Klagenfurt（克拉根福大学）；Australian National University（澳大利亚国立大学）
针对VINS问题提出多状态约束等变滤波器MSCEqF，通过定义包含IMU偏置和相机标定的对称群结构，解决了现有IEKF方法状态附加问题，在显著误差下保持内在一致性，显著提升了估计性能。
2023-11-20 cs.RO cs.SY eess.SY
SeA-RVINS: Semantic-Aware Tightly Coupled RTK-Visual-Inertial System with Correlation-Preserving Robust Estimation for Urban Navigation
UC Riverside（加州大学河滨分校）
SeA-RVINS提出语义感知紧耦合RTK-视觉-惯性系统，结合鲁棒估计与混合模糊度策略，在20公里城市路线实现100%可用性和1.6米最大误差。
2026-09-28 cs.RO cs.SY eess.SY
f2IMU-R: Pedestrian Navigation by Low-cost Foot-Mounted Dual IMUs and Inter-foot Ranging
安装在脚上的惯性传感器在许多室内或GPS拒绝应用中变得流行，包括但不限于医疗监测、步态分析、士兵和第一响应者定位。然而，脚载惯性导航在很大程度上依赖于零速度更新（ZUPT）的帮助，并遇到了固有的问题，如航向漂移。本文实现了一种基于双足式低成本惯性测量单元（IMU）和脚间超声波测距的行人导航系统。对系统的可观测性进行了分析，研究了ZUPT测量和脚到脚测距测量在提高系统状态可估计性方面的作用。在地球坐标系下，而不是在普通的局域坐标系下，一个基于卡尔曼滤波的估计算法被机械化，这被发现是有效的抑制卡尔曼滤波的线性化误差。在地球坐标系中引入椭球约束，进一步限制了高度漂移。仿真和现场实验表明，该方法具有更好的鲁棒性和定位精度（约0.1-0.2%的行程）比传统的行人导航方案做。
2020-12-08 cs.HC cs.SY eess.SY
Nonlinear State Estimation for Inertial Navigation Systems With Intermittent Measurements
Western University（韦仕敦大学）；Lakehead University（湖首大学）
研究了三维空间中航行器的姿态、位置和线速度的同时估计问题。我们提出了两种类型的混合非线性观测器，使用连续的角速度和线加速度测量以及间歇性地标位置测量。第一种类型依赖于基于无限维优化的固定增益设计方法，而第二种类型依赖于基于连续-离散Riccati方程的可变增益设计方法。对于每一种情况下，我们提供了两个不同的观察者和没有估计的重力矢量。所提出的观察员被证明是指数稳定的一个大的吸引区域。仿真和实验结果表明，所提出的观测器的性能。
2020-07-20 cs.RO cs.SY eess.SY
Robust Online Calibration for UWB-Aided Visual-Inertial Navigation with Bias Correction
Department of Electrical and Computer Engineering, George Mason University（乔治·马歇尔大学电气与计算机工程系）；Department of Electrical and Computer Engineering, University of California, Riverside（加州大学河滨分校电气与计算机工程系）；Department of Electrical Engineering and Computer Science, University of Tennessee, Knoxville（田纳西大学克林顿分校电气工程与计算机科学系）
针对UWB辅助VINS中锚点校准存在的初始化定位误差敏感和鲁棒性不足问题，提出一种纳入定位不确定性的鲁棒在线校准框架及基于SKF的紧耦合优化方法，提升了校准的准确性与实用性。
2025-08-14 cs.RO cs.SY eess.SY
A Visual-inertial Navigation Method for High-Speed Unmanned Aerial Vehicles
Beijing University of Posts and Telecommunications（北京邮电大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
研究了高速高空无人机的单目摄像定位问题。提出了一种利用视觉和惯性器件互补的导航方法，以克服无人机水平飞行时的奇异性。通过分离线性部分和非线性部分，改进了定位问题的数学模型，用线性等式约束优化问题代替了非线性最小二乘问题。为了避免序列无约束极小化方法（罚方法）在最优点附近的病态性，基于微分代数动力系统构造了一种半隐式连续信赖域方法来求解线性等式约束优化问题.除了传统的常微分方程数值方法在有限积分区间上的收敛性分析外，还分析了半隐式连续方法在无穷积分区间上的全局收敛性。最后给出了数值结果。
2020-02-12 cs.CV cs.NA cs.SY
Modular Meshed Ultra-Wideband Aided Inertial Navigation with Robust Anchor Calibration
University of Klagenfurt（克拉根福大学）；University of Trento（特伦托大学）
提出支持状态解耦的通用滤波状态估计框架，通过自主标定与异常值剔除实现鲁棒的新锚点标定及紧耦合测距融合，降低计算复杂度并支持模块化。
2024-08-26 cs.RO cs.SY eess.SY
Support Vector Machine for Determining Euler Angles in an Inertial Navigation System
Institute of Natural and Technical Systems（自然与技术系统研究所）；Sevastopol State University（塞瓦斯托波尔国立大学）
本文讨论了使用机器学习（ML）方法提高基于MEMS传感器的惯性导航系统的精度。作为分类器的输入数据，我们使用了从开发的实验室设置中获得的信息，该实验室设置在密封平台上具有调整其倾斜角度的能力的MEMS传感器。为了评估模型的有效性，在线性、多项式径向基函数的情况下，针对每个岩心，用这些模型的参数的不同值构造测试曲线。逆正则化参数被用作参数。该算法的基础上MO已被证明是正确的分类在MEMS传感器的典型噪声的存在下，在选择的超参数的最佳值时，获得了良好的分类结果的能力。
2022-12-07 cs.AI cs.RO cs.SY
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
BeamsNet: A data-driven Approach Enhancing Doppler Velocity Log Measurements for Autonomous Underwater Vehicle Navigation
University of Haifa（海法大学）
自主水下航行器（AUV）执行各种应用，如海底测绘和水下结构健康监测。通常，由多普勒测速仪（DVL）辅助的惯性导航系统用于提供车辆的导航解决方案。在融合过程中，DVL提供了AUV的速度矢量，它决定了导航解的精度，并帮助估计导航状态。本文提出了BeamsNet，这是一个端到端的深度学习框架，用于回归估计的DVL速度矢量，提高了速度矢量估计的准确性，并可以取代基于模型的方法。两个版本的BeamsNet，不同的输入到网络中，建议。第一个使用当前DVL波束测量和惯性传感器数据，而另一个仅利用DVL数据，将当前和过去的DVL测量用于回归过程。仿真和海上实验验证了所提出的学习方法相对于基于模型的方法。在地中海用Snapir自主式潜水器进行了海上试验，收集了大约4小时的DVL和惯性传感器数据。我们的研究结果表明，该方法在估计DVL速度矢量方面取得了超过60%的改进。
2022-06-27 cs.LG cs.RO cs.SY
