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）
最近引入的矩阵组SE 2（3）提供了一个5 × 5的矩阵表示的方向，速度和位置的对象在3-D空间，一个三元组，我们称之为“扩展姿态”。在本文中，我们建立在这个组，发展一个理论，将不确定性与5x 5矩阵表示的扩展姿势。我们的方法是特别适合于描述不确定性如何传播时，扩展的姿态表示的状态的惯性测量单元（IMU）。特别是它允许重新审视流形上的IMU预积分理论，并达到该领域的进一步理论水平。精确的预积分公式，占旋转地球，即，离心力和科里奥利力，推导出作为副产品，和因子被证明是更准确的。该方法通过广泛的仿真验证，并应用于传感器融合，其中松耦合的固定滞后平滑器使用我们的实验车在一个小时的实验中融合IMU和LiDAR。它显示了如何处理旋转的地球可能有利于增量平滑算法内的长期导航。
2021-01-08 cs.RO
Accurate IMU Preintegration Using Switched Linear Systems For Autonomous Systems
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）
采用惯性测量单元（IMU）作为附加传感器可以显著提高视觉/激光雷达测距（VO/LO）的可靠性和准确性。不同的IMU集成模型使用不同的假设从IMU的线性加速度。本文利用切换线性系统提出了一种新的惯性测量单元集成模型。所提出的方法假设在两个连续的IMU测量之间的线加速度和角速度都是恒定的。与现有方法相比，这在现实世界的情况下更现实，现有方法假设在两个连续的IMU测量之间，线加速度在世界坐标系中是恒定的，而角速度在身体坐标系中是恒定的。实验结果表明，该方法优于最先进的IMU集成模型。因此，该模型是重要的定位高速自主车辆在GPS拒绝环境。
2019-07-19 cs.RO
Closed-form Preintegration Methods for Graph-based Visual-Inertial Navigation
University of Delaware（特拉华大学）
本文提出了一种新的基于图的惯性测量单元（IMU）和摄像机传感器融合的解析预积分理论不同于在当前方法中使用测量动态的离散采样，我们推导出预积分方程的封闭形式解，从而在状态估计中产生改进的精度。我们提倡用于预积分的两种新的不同惯性模型：（i）假设分段恒定测量的模型，和（ii）假设分段恒定局部真实加速度的模型。我们通过大量的Monte-Carlo模拟显示了预积分模型的选择对估计性能的影响。为了验证所提出的预积分理论，我们开发了利用我们的预积分的直接和间接视觉惯性导航系统（VINS）。在第一个模型中，在紧密耦合的滑动窗口优化框架内，我们联合估计窗口中的特征和IMU状态，同时执行边缘化以限制计算成本。在第二种情况下，我们将IMU预积分与直接图像对准松散耦合，该直接图像对准通过最小化光度误差来估计相对相机运动（即，图像强度差），允许有效和信息性的环路闭合。这两个系统都在现实世界的实验中得到了广泛的验证，并显示出与最先进的方法相比具有竞争力的性能。
2019-03-20 cs.RO
\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
Robust human position estimation in cooperative robotic cells
INESC TEC；University of Porto（波尔图大学）；University of Coimbra（科英布拉大学）
本文提出融合3D视觉传感器与惯性测量单元的人体位置估计方法，通过在线偏移计算补偿遮挡和漂移，在协作机器人场景中实现毫米级精度和鲁棒跟踪。
2023-04-17 cs.RO
Dual Preintegration for Relative State Estimation
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）
本文提出双预积分方法，通过整合两个平台的IMU预积分，提升相对状态估计的精度和鲁棒性，适用于VR控制器跟踪应用。
2025-11-26 cs.RO
Extended Preintegration for Relative State Estimation of Leader-Follower Platform
针对领从平台相对状态估计中的视场受限与误检测问题，提出融合双平台 IMU 预积分的扩展约束，并集成于图优化与完整平滑器，仿真和 VR 6DoF 控制器跟踪验证了性能。
2023-08-15 cs.MA 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
CREPES: Cooperative RElative Pose Estimation System
Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Zhejiang University（浙江大学）
相互定位在多机器人协作中起着至关重要的作用。CREPES是一种针对多机器人系统的六个自由度相对位姿估计的新系统。CREPES具有紧凑的硬件设计，使用有源红外（IR）LED，IR鱼眼相机，超宽带（UWB）模块和惯性测量单元（IMU）。通过利用IR光通信，该系统解决了视觉检测和UWB测距之间的数据关联。来自UWB的测距测量和来自相机的方向信息提供相对3-DOF位置估计。结合与邻居的相互相对位置和由IMU提供的重力约束，我们可以从传感器测量的单个帧估计6-DOF相对位姿。此外，我们设计了一个基于误差状态卡尔曼滤波器（ESKF）的估计器，以提高系统的精度和鲁棒性。当多个邻居可用时，应用位姿图优化（PGO）算法以进一步提高系统精度。我们进行了大量的实验，以证明CREPES的机器人对和一组机器人之间的准确性，以及在具有挑战性的条件下的性能。
2023-03-28 cs.RO
Decentralized State Estimation: An Approach using Pseudomeasurements and Preintegration
McGill University（麦吉尔大学）
本文提出基于伪测量与输入预积分的去中心化协作状态估计框架，并利用深度自编码器重建协方差信息以降低通信需求，适用于向量空间和李群状态。
2024-01-22 cs.RO
Hybrid Contact Preintegration for Visual-Inertial-Contact State Estimation Using Factor Graphs
College of Engineering, University of Michigan（密歇根大学工程学院）
因子图框架是用于机器人状态估计的方便的建模技术，其中状态被表示为节点，并且测量被建模为因子。在设计足式机器人的传感器融合框架时，通常可以访问视觉、惯性、关节编码器和接触传感器。虽然视觉惯性测距法已被广泛研究，在这个框架中，除了一个预集成的接触因子的足式机器人最近才被提出。这允许将编码器和接触测量集成到现有的因子图中，但是，每次接触或断开时都必须向图中添加新节点。在这项工作中，为了应对切换接触框架的问题，我们提出了一个混合接触预集成理论，允许通过任意数量的接触开关的接触信息进行集成。所提出的混合建模方法通过仅需要在相机或选定的关键帧旁边添加新的状态来减少非线性优化问题中所需的变量的数量。该方法使用从Cassie系列机器人收集的真实实验数据进行评估，其中由运动捕获系统产生的机器人的轨迹用作地面实况的代理。评估结果表明，列入拟议的预集成混合接触因子旁边的视觉惯性导航系统，提高了估计精度，以及视觉故障的鲁棒性，而它的泛化使它更容易为腿平台。
2018-10-02 cs.RO
D$^2$-LIO: Enhanced Optimization for LiDAR-IMU Odometry Considering Directional Degeneracy
School of Electronic and Information Engineering, Beihang University（北京航空航天大学电子与信息工程学院）
针对激光雷达特征退化导致LIO状态估计不可靠的问题，提出集成自适应抗外点匹配与扫描到子图配准的增强框架，通过动态阈值、IMU辅助配准及融合协方差与退化度量的加权矩阵，在稀疏/退化环境中鲁棒性与精度优于现有方法。
2025-08-20 cs.RO
Wheel-INS2: Multiple MEMS IMU-based Dead Reckoning System for Wheeled Robots with Evaluation of Different IMU Configurations
Wuhan University（武汉大学）
可靠的自主导航系统对自动驾驶汽车至关重要。本文在对轮式惯性导航系统（Wheel-INS）\cite{niu2019}--一种基于轮式惯性测量单元（Wheel-IMU）的航位推算（DR）系统研究的基础上，提出了一种基于多个IMU的轮式机器人DR解决方案。IMU安装在轮式车辆的不同位置，以获取各种动态信息。特别地，必须在车轮处安装至少一个IMU以测量车轮速度并利用旋转调制。该系统通过分布式扩展卡尔曼滤波器结构实现，其中每个子系统（对应于每个IMU）分别保留和更新其自身的状态。利用多个IMU之间的相对位置约束，进一步限制误差漂移，提高系统的鲁棒性。特别是，我们提出了DR系统使用双车轮IMU，一个车轮IMU加一个车载车身IMU（车身IMU），双车轮IMU加一个车身IMU作为例子进行分析和比较。外场试验表明，多惯性测量单元DR系统的定位和航向精度优于单轮惯导系统。通过与集中式滤波器相比，所提出的分布式滤波器显示不重要的精度下降，同时保持显着的计算效率。此外，在三种多IMU配置中，一个车身IMU加一个车轮IMU的设计获得了最小的漂移率。三种配置的位置漂移率分别为0.82%（双轮式IMU）、0.69%（一体加一轮IMU）和0.73%（双轮式IMU加一体IMU）。
2022-11-08 cs.RO
Smart Fusion for Adaptive Visual-IMU Weighting in cuVSLAM Sparse Bundle Adjustment
Analog Devices Inc.（亚德诺半导体公司）；NVIDIA（英伟达公司）
该研究针对cuVSLAM的SBA模块，提出通过训练VQE实现α的二元选择，自适应调整视觉与IMU权重，在两个数据集上分别降低27.7%和14.9%的平均RMSE APE。
2026-10-15 cs.RO
DogLegs: Robust Proprioceptive State Estimation for Legged Robots Using Multiple Leg-Mounted IMUs
Center for Robotics（机器人研究中心）；Institute of Geodesy and Geoinformation（大地测量与地理信息研究所）；Humanoid Robots Lab（人形机器人实验室）；GNSS Research Center（全球导航卫星系统研究中心）
本文提出DogLegs系统，通过扩展卡尔曼滤波融合多传感器测量，提升四足机器人在极端环境下的状态估计精度，相关代码与数据集将公开供研究使用。
2026-09-04 cs.RO
A2I-Calib: An Anti-noise Active Multi-IMU Spatial-temporal Calibration Framework for Legged Robots
Shanghai Jiao Tong University（上海交通大学）
本文提出A²I-Calib框架，通过抗噪声轨迹生成器和强化学习控制器实现足式机器人多IMU的自主时空标定，显著降低噪声敏感性与标定误差，从而提升多IMU里程计性能。
2025-03-10 cs.RO
Calibration of the internal and external parameters of wheeled robot mobile chasses and inertial measurement units based on nonlinear optimization
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）；School of Automation, SouthEast University（东南大学自动化学院）
移动机器人定位、地图绘制和导航系统通常采用惯性测量单元（IMU）来获得机器人的加速度和角速度。然而，在内部和外部参数的IMU所产生的有缺陷的校准误差直接影响机器人定位和位姿估计的精度。虽然这个问题已经解决了成熟的内部参考校准方法可用于IMU，外部参考校准方法之间的IMU和底盘的移动机器人是缺乏的。针对这一问题，提出了一种基于非线性优化的底盘-IMU内外参数标定算法，该算法适用于配备摄像头、IMU和轮速里程表的机器人，在准确标定IMU内部参数和摄像头内外参数的前提下发挥作用。所有的内部和外部参考校准都是使用机器人的现有设备进行的，而不需要额外的校准辅助工具。以麦克纳姆轮全方位移动平台为例验证了该方法的可行性，也适用于其他类型的移动机器人底盘。所提出的标定方法，从而证明，以保证机器人位姿估计的准确性。
2020-05-17 cs.RO
An Enhanced Proprioceptive Method for Soft Robots Integrating Bend Sensors and IMUs
Mechanical Engineering Department at the University of Michigan（密歇根大学机械工程系）
本研究提出一种集成IMU与弯曲传感器的软机器人增强型本体感知方法，利用卡尔曼滤波融合数据并采用分段常曲率模型重建形变，有效减轻IMU漂移，在45分钟连续实验中实现高精度、鲁棒的长时形状估计。
2025-11-03 cs.RO
LAG-IO: Multi-IMU State Estimation for Legged Robots Using Factor Graphs
本文提出基于因子图的多IMU状态估计框架LAG-IO，通过融合多IMU与关节编码器测量值、引入KDE接触检测模块，提升四足机器人在非结构化地形下的状态估计精度与稳定性。
2026-10-14 cs.RO
Multi-IMU Proprioceptive State Estimator for Humanoid Robots
Wandercraft（Wandercraft公司）；Mines Paris, PSL University（巴黎矿业学院，巴黎文理研究大学）；ENSTA Paris, Institut Polytechnique de Paris（巴黎高等技术学院，巴黎理工学院）
提出一种基于扩展卡尔曼滤波的多IMU状态估计器，通过跟踪多个刚体并估计结构变形来处理任意接触配置，在人形机器人上实现了低漂移和高精度的轨迹估计。
2023-07-26 cs.RO
TeLeMan: Teleoperation for Legged Robot Loco-Manipulation using Wearable IMU-based Motion Capture
University of Leeds（利兹大学）；University College London（伦敦大学学院）
人命无价当需要完成危险或危及生命的任务时，机器人平台可能是替代人类操作员的理想选择。我们在这项工作中所关注的这样一项任务就是爆炸物的处置。机器人远程呈现有可能提供安全解决方案，因为移动机器人在多种环境中运行时显示出强大的能力。然而，与人类操作相比，在这个阶段，自主性可能具有挑战性和风险。远程操作可能是机器人完全自主和人类存在之间的妥协。在本文中，我们提出了一个相对便宜的解决方案，用于远程呈现和机器人远程操作，以协助爆炸物处理，使用腿式机械手（即，嵌入有操纵器和RGB-D传感器的有腿四足机器人）。针对四足机器人全身控制的非平凡问题，提出了一种新的系统集成方法。我们的系统是基于一个可穿戴的基于IMU的运动捕捉系统，用于遥操作和VR头显的视觉临场感。我们实验验证我们的方法在现实世界中，为本地操作任务，需要全身机器人控制和视觉临场感。
2022-09-21 cs.RO
Few-shot Domain Adaptation for IMU Denoising
Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）；Columbia University（哥伦比亚大学）
不同的应用场景会导致IMU表现出不同的误差特性，这会给机器人应用带来麻烦。然而，大多数数据处理方法需要针对特定场景进行设计。为了解决这个问题，我们提出了一种Few-Shot领域自适应方法。在这项工作中，一个领域自适应框架被认为是去噪的惯性测量单元，重建损失的设计，以提高领域的适应性。此外，为了进一步提高在数据有限情况下的适应性，采用了Few-Shot训练策略。在实验中，我们在两个数据集（EuRoC和TUM-VI）和两个具有三种不同精度IMU的真实机器人（汽车和四足机器人）上量化了我们的方法。根据实验结果，我们的框架的适应性进行了验证t-SNE。在定位结果中，我们提出的方法显示出很好的去噪性能。
2022-11-03 cs.RO
How IMU Drift Influences Multi-Radar Inertial Odometry for Ground Robots in Subterranean Terrains
Swedish Department of Energy（瑞典能源部）；LKAB；Sustainable Underground Mining (SUM) Academy Programme（可持续地下采矿（SUM）学院计划）
本文提出一种两阶段MRIO框架，通过IMU偏移估计和雷达数据融合，提升地下环境中机器人定位和映射的鲁棒性。
2026-02-27 cs.RO
GRIL-Calib: Targetless Ground Robot IMU-LiDAR Extrinsic Calibration Method using Ground Plane Motion Constraints
Yonsei University（延世大学）
针对地面机器人平面运动导致现有IMU-激光雷达标定性能下降的问题，提出GRIL-Calib方法，利用地面平面残差和GPM约束，通过单一优化求解完整6自由度外参，提升精度与鲁棒性。
2024-05-24 cs.RO
Real-Time Whole-Body Teleoperation of a Humanoid Robot Using IMU-Based Motion Capture with Sim2Sim and Sim2Real Validation
WeGo Robotics（WeGo机器人）
本文提出一个实时全身体操系统，通过Virdyn IMU捕捉人类动作并映射到Unitree G1机器人，实现sim2sim和sim2real验证，展示稳定同步的多样化动作表现。
2026-05-12 cs.RO
DeepVIO: Self-supervised Deep Learning of Monocular Visual Inertial Odometry using 3D Geometric Constraints
CloudMinds Technologies Inc.（达闼科技有限公司）
本文提出了一种用于单目视觉惯性测距的自监督深度学习网络（DeepVIO）。DeepVIO通过直接合并2D光流特征（OFF）和惯性测量单元（IMU）数据来提供绝对轨迹估计。该方法首先利用立体序列估计场景的深度和密集三维点云，然后获取三维光流和6自由度位姿等三维几何约束作为监控信号。注意，这样的3D光流示出了对动态对象和无纹理环境的鲁棒性和准确性。在DeepVIO训练中，2D光流网络受到其对应的3D光流投影的约束，并且通过最小化来自自我运动约束的损失函数来学习LSTM风格的IMU预积分网络和融合网络。此外，我们采用了一种IMU状态更新方案，通过更新额外的陀螺仪和加速度计的偏差，以改善IMU的姿态估计。在KITTI和EuRoC数据集上的实验结果表明，DeepVIO在准确性和数据适应性方面优于最先进的基于学习的方法。与传统方法相比，DeepVIO减少了不准确的相机-IMU校准，不同步和丢失数据的影响。
2019-06-28 cs.CV cs.RO
Feasibility of Embedded Photoplethysmography Sensing in Short-Duration Tactile Interactions With Pocket-Sized Robots Using IMU- and Confidence-Based Filtering
The IT-University of Copenhagen（哥本哈根信息技术大学）
本文验证了将PPG传感器集成到口袋型陪伴机器人AffectaPocket中，通过IMU与置信度滤波减少运动伪影以实现心率监测的可行性，其性能与腕戴式传感器相当。
2026-08-06 cs.RO
GPS-DRIFT: Marine Surface Robot Localization using IMU-GPS Fusion and Invariant Filtering
Department of Naval Architecture and Marine Engineering at the University of Michigan（密歇根大学海军建筑与海洋工程系）
本文扩展DRIFT框架，提出GPS-DRIFT方法，通过不变扩展卡尔曼滤波融合GPS与IMU数据，并利用对地航向信息实现偏航角校正，在BlueBoat平台上验证了无漂移定位与可靠航向估计，并开源了解决方案。
2025-07-02 cs.RO
Four Simple Proprioceptive Estimators for Legged Robots
针对腿式机器人IMU漂移问题，提出四种基于足地接触的状态估计器，从接触辅助EKF到固定滞后平滑器，并在GTSAM和ROS2中实现。
2026-05-21 cs.RO
Wheel-SLAM: Simultaneous Localization and Terrain Mapping Using One Wheel-mounted IMU
Wuhan University（武汉大学）；University of Bonn（波恩大学）
一个可靠的姿态估计器鲁棒性的环境干扰是移动机器人所期望的。为此，惯性测量单元（IMU）发挥了重要作用，因为它们可以独立感知车辆的完整运动状态。然而，由于固有的噪声和偏置不稳定性，它遭受累积误差，特别是对于低成本传感器。在我们以前对轮式惯性导航系统\cite{niu2021, wu2021}的研究中，我们提出了通过在机器人的轮子上安装一个IMU来利用旋转调制来限制纯惯性导航系统（INS）的误差漂移。然而，由于缺乏外部校正信号，Wheel-INS在很长一段时间内仍然漂移。在这封信中，我们提出利用轮式惯导系统的环境感知能力，实现同时定位与地图构建（SLAM），只有一个IMU。具体来说，我们使用道路银行的角度（反映了由车轮惯性导航系统估计的机器人滚转角）作为地形特征，使循环关闭与Rao-Blackwellized粒子滤波器。根据机器人在由粒子维护的网格地图中的位置，对道路倾斜角进行采样和存储。根据当前估计的滚动序列和地形图之间的差异来更新粒子的权重。外场实验表明，利用机器人滚动角估计值在轮式惯导系统中进行SLAM的想法是可行的。此外，定位精度比Wheel-INS显著提高（超过30%）。我们实现的源代码是公开的（https：//github.com/i2Nav-WHU/Wheel-SLAM）。
2022-11-29 cs.RO
Spiking Neural-Invariant Kalman Fusion for Accurate Localization Using Low-Cost IMUs
Guangdong Institute of Intelligence Science and Technology（广东智能科学与技术研究院）；East China Normal University（东华大学）；Innovation and Research and Development Department, BoardWare Information System Co.Ltd（BoardWare信息系统有限公司创新与研发部）
本文提出一种结合脉冲神经网络和不变扩展卡尔曼滤波器的框架，通过融合IMU数据提升移动机器人定位的准确性和鲁棒性。
2026-02-03 cs.RO
Unsupervised Anomaly Detection for Autonomous Robots via Mahalanobis SVDD with Audio-IMU Fusion
School of Electrical and Electronic Engineering, Nanyang Technological University（电子工程学院，南洋理工大学）
针对自主机器人在恶劣条件下视觉/LiDAR检测失效及异常标签稀缺问题，提出基于马氏距离SVDD与音频-IMU融合的无监督异常检测框架，并引入重构辅助分支防止表示坍缩，在多个数据集上验证了有效性。
2025-05-09 cs.RO
Towards Cooperative Transport of a Suspended Payload via Two Aerial Robots with Inertial Sensing
City University of Hong Kong（香港城市大学）
研究了由两个空中机器人吊运点质量的协同运输问题。将机器人视为领导者和跟随者，跟随者仅使用来自其惯性测量单元（IMU）的反馈来相对于领导者稳定系统。这是通过忽略领导者的加速度，通过广义坐标或电缆的角度分析系统，并采用基于IMU测量的观测模型来实现的。基于扩展卡尔曼滤波器（EKF）和控制器的轻量级估计器推导出稳定的机器人负载机器人系统。所提出的方法进行了验证，广泛的飞行实验，首先与一个机器人，然后与两个机器人。仿真结果表明，该跟踪器仅利用惯性测量单元的测量值就能实现期望的准静态轨迹。研究结果表明，通过小型飞行机器人以最小的传感和计算要求实现自主合作运输悬浮有效载荷的目标取得了可喜的进展。
2020-07-29 cs.RO
High-Precision Climbing Robot Localization Using Planar Array UWB/GPS/IMU/Barometer Integration
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Department of Data Science and AI, Monash University（数据科学与人工智能系，墨尔本大学）；Department of Data Science and Artificial Intelligence, Faculty of Infomation Technology, Monash University（数据科学与人工智能系，信息科技学院，墨尔本大学）
本文提出一种融合平面阵列UWB、GPS、IMU和气压计的多传感器系统，采用注意力机制与UKF，实现爬壁机器人高精度定位，实验精度达0.48米，优于基线算法。
2025-10-24 cs.RO
Probabilistic Contact State Estimation for Legged Robots using Inertial Information
Institute of Computer Science, Foundation for Research and Technology - Hellas (FORTH)（希腊基础研究与技术基金会计算机科学研究所）；Ownage Dynamics L.P.（Ownage Dynamics有限合伙企业）
足式机器人在非结构化和光滑地形中的导航在很大程度上取决于准确识别机器人的脚与地面之间的接触质量的能力。接触状态估计被认为是一个具有挑战性的问题，通常通过利用力测量，关节编码器和/或机器人运动学和动力学来解决。与大多数现有技术的方法相比，目前的工作引入了一种新的概率方法，用于仅基于本体感受感测来估计接触状态，因为它很容易通过安装在机器人的末端执行器上的惯性测量单元（IMU）获得。利用IMU测量的不确定性，我们的方法估计稳定接触的概率。这是通过用核密度估计在IMU的每个轴的一批数据点上近似多模态概率密度函数来实现的。所提出的方法已被广泛评估对真实和模拟的情况下，两足和四足机器人平台，如ATLAS，TALOS和Unitree的GO 1。
2023-03-04 cs.RO
Relative Position Estimation Between Two UWB Devices with IMUs
McGill University（麦吉尔大学）；Polytechnique Montréal（蒙特利尔理工学院）
对于一个机器人团队来说，协作工作至关重要，每个机器人都有能力确定其邻居相对于自己的位置，以便自主执行任务。这封信提出了一种算法，用于确定两个移动机器人之间的三维相对位置，每个只使用一个超宽带收发器，加速度计，速率陀螺仪和磁力计。滑动窗口滤波器通过将距离测量与加速度估计相结合来估计在所选关键点处的相对位置，每个代理使用机载姿态估计器来计算加速度估计。该算法适合于实时实现，并已在仿真和实验中进行了测试，它舒适地优于标准估计。利用廉价的传感器实现了小于1米的定位精度。
2021-04-21 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
Tightly-Coupled LiDAR-IMU-Wheel Odometry with an Online Neural Kinematic Model Learning via Factor Graph Optimization
The Space Robotics Lab. in the Department of Aerospace Engineering, Graduate School of Engineering, Tohoku University（东京大学工学研究生院航空航天工程系空间机器人实验室）；National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院）
针对点云退化与运动学模型非线性误差，提出基于因子图在线训练神经网络的LiDAR-IMU-轮式紧耦合里程计，提升复杂环境下的估计鲁棒性。
2025-04-23 cs.RO
Real-Time Safety Evaluation of Human Arm Operations Using a Wrist-Mounted IMU with PSM System
Geometric Mechanics and Mechatronics in Robotics (gm 2 R) Lab, School of Engineering, Cardiff University（几何力学与机电一体化机器人实验室，工程学院，卡迪夫大学）
提出一种集成腕戴式惯性测量单元(IMU)与预测安全模型(PSM)的实时安全监测方法，通过弹簧-阻尼-质量模型优化手腕运动，采用基于阻抗的概率安全评估，在三种制造任务中验证了有效性。
2026-06-26 cs.RO
Factor Graph Fusion of Raw GNSS Sensing with IMU and Lidar for Precise Robot Localization without a Base Station
Univ. of Oxford（牛津大学）；Oxford Robotics Inst.（牛津机器人研究所）；Dept. of Eng. Science（工程科学系）；Free Univ. of Bozen-Bolzano（博尔扎诺自由大学）
该研究提出一种基于因子图的多传感器紧融合方法，融合原始GNSS、IMU及可选激光雷达数据，无需基站即可实现机器人在不同环境下的高精度平滑全局定位。
2023-02-28 cs.RO
Target-free Extrinsic Calibration of a 3D-Lidar and an IMU
Texas A&M University（得克萨斯农工大学）；Ford Motor Company（福特汽车公司）
本文提出了一种新的无目标外部标定算法，用于三维激光雷达和IMU对，使用扩展卡尔曼滤波器（EKF），利用\textit{motion based calibration constraint}进行状态更新。这些步骤包括，通过激光雷达惯性传感器套件沿所有自由度的运动激励来数据汇集，通过在最小二乘优化框架中使用上述\textit{motion based calibration constraint}的旋转分量来确定传感器间旋转，以及最后，使用\textit{motion based calibration constraint}来确定传感器间平移在扩展的卡尔曼滤波器（EKF）框架中进行状态更新。我们使用实验室收集的数据和开源（https：//github.com/unmannedlab/imu_lidar_calibration）我们对机器人研究社区的贡献来实验验证我们的方法。
2021-09-28 cs.RO
A Radio-Inertial Localization and Tracking System with BLE Beacons Prior Maps
University of Michigan（密歇根大学）；University of Technology Sydney（悉尼科技大学）；FX Palo Alto Laboratory Inc.（FX帕洛阿尔托实验室公司）
在本文中，我们开发了一个低成本的室内定位和跟踪问题，使用无线电信号强度指示器，惯性测量单元（IMU）和磁力计传感器的系统。我们开发了一种新的和简化的概率IMU运动模型的建议分布的顺序蒙特卡洛技术跟踪机器人轨迹。我们的算法可以全局定位和跟踪机器人与先验未知的位置，给出了一个信息丰富的蓝牙低功耗（BLE）信标的先验地图。此外，我们将问题公式化为优化问题，作为上述算法的后端（前端）。因此，通过同时求解机器人轨迹和BLE信标的地图，我们恢复了机器人的连续且平滑的轨迹、BLE信标的校正位置以及随时间变化的IMU偏差。使用硬件实现的评估表明，通过所提出的闭环系统的定位性能可以得到改善;此外，通过将优化的地图反馈到前端，系统对信标地图中的错误具有鲁棒性。
2018-07-26 cs.RO
AIMS: An Adaptive Integration of Multi-Sensor Measurements for Quadrupedal Robot Localization
College of Automation Chongqing University of Posts
AIMS通过自适应融合LiDAR、IMU和腿里程计，提升四足机器人在退化环境中的定位精度和鲁棒性。
2026-01-04 cs.RO
Invariant Kalman filtering for extended pose estimation in multi-IMU articulated rigid-body systems
University of Liège（列日大学）；Mines Paris – PSL（巴黎高科矿业学院 – 巴黎文理研究大学）
针对多IMU铰接刚体系统的扩展位姿估计，提出相对L-扩展位姿的李群表示，将关节约束以不变形式融入迭代不变扩展卡尔曼滤波，实现快速收敛和低误差。
2026-07-30 cs.RO
HiSync: Spatio-Temporally Aligning Hand Motion from Wearable IMU and On-Robot Camera for Command Source Identification in Long-Range HRI
Department of Computer Science；Technology, BNRist Tsinghua University Beijing China；Technology, BNRist, College of AI Tsinghua University Beijing China；Technology Tsinghua University Beijing China；Beijing University of Posts；Academy of Arts \& Design Tsinghua University Beijing China；Qinghai University Xining China；Tsinghua University；Technology, BNRist, College of AI；Technology Tsinghua University；Academy of Arts \& Design Tsinghua University；Qinghai University
HiSync通过同步机器人摄像头光流与手环IMU信号，提取频域手部运动特征并融合多模态数据，实现远距离多用户HRI中的高准确率命令源识别。
2026-03-25 cs.HC cs.RO
Deep IMU Bias Inference for Robust Visual-Inertial Odometry with Factor Graphs
University of Oxford（牛津大学）；Georgia Institute of Technology（佐治亚理工学院）
针对视觉失效下VIO易发散的问题，提出用LSTM和Transformer学习IMU偏置演化的方法，可泛化到未见过的运动模式，平均降低15%漂移率，且跨运动模式无需重训练。
2022-11-08 cs.RO
Bipedal Walking with Corrective Actions in the Tilt Phase Space
University of Bonn（波恩大学）
对于双足机器人，有许多方法可以在行走时保持平衡。除了步长和定时之外，其他策略也是可能的，这些策略影响机器人的稳定性而不干扰目标方向和运动速度。本文介绍了一个多方面的反馈控制器，使用许多不同的反馈机制，统称为纠正措施，稳定的核心关键点为基础的步态。反馈控制器是实验有效的，但没有任何物理模型的机器人，非常计算便宜，只需要一个单一的6轴IMU传感器。由于这些低要求，该方法被认为在机器人之间高度便携，并且还专门设计用于具有次优感测、致动和计算资源的低成本机器人。IMU数据用于估计机器人的与偏航无关的倾斜方向，表示在所谓的倾斜相空间中，并且是由控制器提供的所有反馈的来源。实验验证进行模拟，以及在真实的机器人硬件。
2018-10-12 cs.RO
A Mobile Robot Hand-Arm Teleoperation System by Vision and IMU
Universität Hamburg（汉堡大学）；RWTH Aachen University（亚琛工业大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Tsinghua University（清华大学）
在本文中，我们提出了一个多模式的移动遥操作系统，包括一个新的基于视觉的手姿态回归网络（Transteleop）和基于IMU的手臂跟踪方法。Transteleop通过低成本的深度相机观察人手，不仅生成关节角度，还通过图像到图像转换过程生成配对机器人手姿势的深度图像。一个基于关键点的重建损失探索人类和机器人之间的外观和解剖结构的相似性，并丰富了重建图像的局部特征。可穿戴摄像头支架可实现同时的手臂控制，并促进整个遥操作系统的移动性。测试数据集和各种复杂的操作任务，超越简单的取放操作的网络评估结果表明，我们的多模式遥操作系统的效率和稳定性。
2020-03-11 cs.CV cs.HC cs.RO
Visual-Inertial and Leg Odometry Fusion for Dynamic Locomotion
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
实现足式机器人的动态运动行为需要一个高质量的状态估计模块。特别是当运动包括飞行阶段时，现有技术的方法无法产生机器人姿态的可靠估计，特别是基座高度。在本文中，我们提出了一种新的方法相结合的视觉惯性里程（VIO）与腿部里程的扩展卡尔曼滤波器（EKF）为基础的状态估计。VIO模块使用立体相机和IMU来产生机器人基础连杆在惯性系中的低漂移3D位置和偏航方向以及无漂移俯仰和滚动方向。然而，由于图像处理和优化，这些值具有相当大的延迟量，同时更新速率非常低，这不适合于低级控制。为了减少延迟，我们以VIO传感器的IMU测量的速率来预测VIO状态估计。EKF模块使用VIO预测的基本姿态和线速度，将它们与第二个高速率IMU和腿部里程测量进一步融合，并产生适合控制的高频率和小延迟的机器人状态估计。我们集成了这个轻量级的估计框架与非线性模型预测控制器，并成功地实现了一组敏捷的运动行为，包括小跑和跳跃在不同的水平速度，在扭矩控制的四足机器人。
2022-10-10 cs.RO
Magnetic based In-situ Self 3D Pose Estimation for a Modular Soft Tendon-Driven Continuum Robot via IMU-Fusion
Carnegie Mellon University（卡内基梅隆大学）
提出一种融合IMU与主动磁场的嵌入式姿态传感框架，实现连续体机器人无外部相机的实时三维姿态估计（16.7 Hz），并通过闭环控制实验验证其有效性。
2026-10-01 cs.RO cs.SY eess.SP
Tightly-Coupled LiDAR-IMU-Wheel Odometry with Online Calibration of a Kinematic Model for Skid-Steering Robots
Tohoku University（东北大学）；National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究院）
针对隧道、长走廊等环境下激光雷达点云退化问题，提出带在线标定的紧耦合LiDAR-IMU-轮式里程计算法，通过全线性轮式里程计因子实现运动约束与模型标定，提升退化环境、地形变化下的定位鲁棒性与精度。
2024-09-12 cs.AI cs.RO
Haptic Communication in Human-Human and Human-Robot Co-Manipulation
Tufts University（塔夫茨大学）
本文通过低成本IMU比较人-人与人-机器人协同操纵物体的运动差异，发现人-人协作更流畅，并据此提出应让机器人具备拟人化触觉信号收发能力以改进物理任务辅助。
2025-09-22 cs.RO
Expanding Frozen Vision-Language Models without Retraining: Towards Improved Robot Perception
San Diego State University（圣地亚哥州立大学）
本文提出一种通过监督与对比训练将IMU嵌入空间对齐到视觉嵌入空间的方法，使冻结的视觉-语言模型无需重新训练即可理解多模态输入，实验证明该方法能提升机器人场景理解与任务性能。
2023-08-31 cs.AI cs.RO
Pedestrian Dead Reckoning using Invariant Extended Kalman Filter
School of Information Science and Technology, ShanghaiTech University（信息科学与技术学院，上海科技大学）
本文提出一种基于不变扩展卡尔曼滤波的惯性行人航位推算方法，利用支撑脚静止伪测量抑制漂移，并通过三类实验证明其在双足机器人GPS拒止环境中比标准EKF更易调参且可行。
2025-08-15 cs.RO
