Cooperative UWB-Based Localization for Outdoors Positioning and Navigation of UAVs aided by Ground Robots
University of Turku（图尔库大学）
随着对航空数据的需求不断增加，无人机（UAV）变得越来越普遍。在许多工业应用中，精确的数据汇集所需的精确导航和定位通常依赖于RTK GNSS。这些系统能够达到厘米级精度，需要设置和校准过程，并且相对昂贵。研究了无人机协同定位的精确定位与导航问题。安装在无人机和支持地面机器人上的廉价超宽带（UWB）收发器可以实现厘米级的相对定位。该系统具有快速部署和广泛的设置灵活性，能够适应不同的环境，也可以在拒绝GNSS的环境中使用。通过广泛的模拟和测试场，我们评估了系统的准确性，并将其与多路径传输降低准确性的城市环境中的GNSS进行比较。为了完整性，我们在实验中包括视觉惯性测距和比较的性能与UWB为基础的合作定位。
2021-04-01 cs.RO
Mobile Robot Localization via Indoor Positioning System and Odometry Fusion
Telkom University（泰尔康大学）；National Research and Innovation Agency（国家研究与创新署）
针对室内移动机器人定位问题，本文利用EKF融合超声波IPS与轮式里程计数据，实验证明其可抑制打滑和噪声误差并显著提升定位与轨迹跟踪精度。
2025-09-20 cs.RO
Robust Legged Robot State Estimation Using Factor Graph Optimization
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
足式机器人，特别是四足机器人，对于工业应用，如检查，正变得越来越有吸引力。然而，离开实验室并对最终用户有用需要在恶劣条件下的可靠性。从状态估计的角度来看，尽管存在诸如不平坦或光滑的地形、无纹理和反射场景以及动态相机遮挡等挑战，但能够准确地估计机器人的状态是至关重要的。我们的动机是减少对脚接触分类的依赖，这在滑动时会失败，并减少动态运动（如小跑）期间的位置漂移。为此，我们提出了一种用于状态估计的因子图优化方法，该方法将惯性导航、腿部里程计和视觉里程计紧密地融合在一起并使之平滑。使用ANYmal四足机器人导航在一个现实的室外工业环境中的方法的有效性得到了证明。这个实验包括小跑，步行，穿越障碍物和爬楼梯。该方法降低了高达55%的相对位置误差和76%的绝对位置误差相比，运动惯性里程计。
2019-08-12 cs.RO
Enhancing Graph-Based SLAM in GNSS-Denied environments by leveraging leg odometry
LinxAI Tech（LinxAI科技）
本文提出了一种基于因子图的架构，通过结合本体感觉腿部里程计和激光雷达-惯性里程计，有效减少了GNSS受限环境中视觉漂移，提高了SLAM的鲁棒性。
2026-05-19 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
UWB-based system for UAV Localization in GNSS-Denied Environments: Characterization and Dataset
University of Turku（图尔库大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
在过去的几年里，小型无人机（UAV）已经渗透到多个领域。在GNSS拒绝或室内环境中，空中机器人需要一个强大而稳定的定位系统，通常具有外部反馈，以便安全飞行。当需要精确定位时，运动捕捉系统通常在室内使用。然而，这些系统是昂贵的，并且大多数需要固定的设置。最近，视觉惯性里程计和类似的方法已经发展到自主无人机可以依靠它们进行定位的程度。在这种情况下，主要的限制来自环境，以及在长期自治由于积累的错误，如果循环关闭不能有效地执行。例如，在灾后情况下，由于灰尘或烟雾造成的低能见度的影响可能使里程计方法不适用。在本文中，我们研究和表征超宽带（UWB）系统的导航和定位的空中机器人室内Decawave的DWM1001 UWB节点的基础上。该系统是便携式的，便宜的，并可以在其整体电池供电。我们展示了该系统用于无人机自主飞行的可行性，并提供了开源方法和数据，使其即使在可移动锚系统中也能广泛应用。我们根据无人机相对于锚点的位置、其高度和速度以及锚点在空间中的分布来表征精度。最后，我们分析了锚点位置自校准的精度。
2020-08-02 cs.RO cs.SY eess.SY
FAST-LIVGO: A Degeneracy-Robust LiDAR-Inertial-Visual-GNSS Fusion Odometry
College of Mechatronics and Control Engineering, Shenzhen University（深圳大学机电与控制工程学院）；Department of Mechanical Engineering, The University of Hong Kong（香港大学机械工程系）；College of Automation, Harbin Engineering University（哈尔滨工程大学自动化学院）
提出一种基于误差状态迭代卡尔曼滤波的紧耦合LiDAR-惯性-视觉-GNSS融合框架，通过动态时间规整的时空对齐模块、多普勒和时差载波相位观测模型以及退化感知的双模式异常值拒绝策略，在长期大尺度动态环境中实现高精度鲁棒的状态估计。
2026-06-25 cs.RO
Observability Analysis and Online Calibration of Visual-Inertial-Wheel Odometry for 4WIS4WID Mobile Robots
Croatian Academy of Sciences and Arts（克罗地亚科学与艺术学院）
本文提出一种带在线标定的视觉-惯性-轮式里程计框架，通过冗余模型恢复转向偏移可观测性，并分析退化运动与激励条件，在仿真和实车实验中验证了性能。
2026-10-01 cs.RO
AUSLUN: A Fixed-Hover UAV--USV System for GNSS-Denied Maritime Search and Navigation
School of Aerospace Engineering, Beijing Institute of Technology（北京理工大学航空航天工程学院）；Khalifa University Center for Autonomous Robotic Systems (KUCARS), Khalifa University（哈利法大学自主机器人系统中心（KUCARS））
提出AUSLUN系统，利用固定悬停无人机通过视觉惯性里程计和变焦吊舱扫描，结合门控递归估计器实现非合作目标定位与无人艇导航，在GNSS拒止环境下验证了搜索-导航完整流程。
2026-06-29 cs.RO
InGVIO: A Consistent Invariant Filter for Fast and High-Accuracy GNSS-Visual-Inertial Odometry
Tsinghua University（清华大学）
将全球导航卫星系统（GNSS）与视觉和惯性传感器相结合可以提供平滑的无漂移的位姿估计。随着卫星数量的减少，融合系统逐渐退化为视觉惯性测距（VIO），这保证了在GNSS不友好环境中的鲁棒全球导航。在这封信中，我们提出了一个开源的基于不变滤波器的平台，InGVIO，以紧密融合单目/立体视觉惯性测量，以及来自GNSS的原始数据。InGVIO在计算负载方面与当前基于图的算法相比具有高度竞争力，同时具有相同甚至更好的准确性。由于我们提出的边缘化策略，三角测量的基线是大的，虽然只有少数克隆的姿势被保留。此外，我们定义了系统的无穷小对称性，并利用其对称群的各种结构，不同于VIO情况下的总对称性，它优雅地给出了退化运动的模式和不可观测子空间的结构的结果。我们证明了适当选择的不变误差仍然是兼容的所有可能的对称群结构的InGVIO，并具有内在的一致性。此外，InGVIO具有严格的线性误差传播，没有线性化误差。InGVIO在开放数据集和我们提出的固定翼数据集上进行了测试，这些数据集具有不同的难度和不同数量的卫星。据我们所知，后者的数据集是第一批在带有原始GNSS的固定翼飞机上向社区开放的数据集。
2023-02-10 cs.RO
Learning Contact Representation for Leg Odometry
Department of Aerospace Engineering, Embry Riddle Aeronautical University（航空航天工程系，埃姆布里-瑞德航空大学）
提出一种自监督表示学习框架，仅利用关节编码器标准传感器集进行接触检测，无需力传感器，在足式机器人里程计中优于监督方法和基线概率方法。
2026-10-14 cs.RO
WhONet: Wheel Odometry Neural Network for Vehicular Localisation in GNSS-Deprived Environments
Coventry University（考文垂大学）；York St John University（约克圣约翰大学）
在本文中，提出了一种深度学习方法，以准确定位轮式车辆在全球导航卫星系统（GNSS）的剥夺环境。在没有GNSS信号的情况下，从车轮编码器记录的关于车辆（或其他类似机器人）的车轮的速度的信息可以用于通过将车辆的线速度与位移进行积分来为车辆提供连续的定位信息。然而，根据轮速测量值进行的位移估计的特征在于不确定性，这可能表现为车轮打滑或/和轮胎尺寸或压力的变化，来自潮湿和泥泞的道路行驶或轮胎磨损。因此，我们利用深度学习的最新进展，提出了车轮里程计神经网络（WhONet）来学习校正和准确定位所需的车轮速度测量的不确定性。建议WhONet的性能首先评估几个具有挑战性的驾驶场景，如在圆，急转弯，急刹车和潮湿的道路（漂移）。WhONet的性能，然后进一步和广泛的长期GNSS中断的情况下，30秒，60秒，120秒和180秒的持续时间，分别超过493公里的总距离进行评估。实验结果表明，该方法是能够准确地定位车辆的定位误差减少高达93%，其原来的同行后，任何180秒的行程。WhONet的实现可以在https://github.com/onyekpeu/WhONet上找到。
2021-12-11 cs.RO
Online Learning of Wheel Odometry Correction for Mobile Robots with Attention-based Neural Network
Politecnico di Torino（都灵理工大学）
本文提出一种基于注意力神经网络的轮式里程计在线校正方法，以应对车轮打滑和运动突变，实现实时推理，性能优于标准神经网络和滤波校正算法，并支持在通用机器人平台上即时部署。
2023-03-21 cs.AI cs.RO
Odyssey: An Automotive Lidar-Inertial Odometry Dataset with GNSS-denied situations
University of Göttingen（哥廷根大学）；iMAR Navigation（iMAR导航）
提出Odyssey数据集，采用导航级环形激光陀螺仪RTK/INS提供高精度真值，包含36个序列和长时间GNSS拒止环境（隧道、室内停车场），用于评估LIO/SLAM系统。
2026-06-18 cs.RO
FoundLoc: Vision-based Onboard Aerial Localization in the Wild
Carnegie Mellon University（卡内基梅隆大学）
本文提出FoundLoc，一种基于视觉的无人机机载定位流水线，结合VIO与基础模型驱动的VPR，仅依赖下视相机、IMU和卫星图像，在无GNSS且不假设初始位姿的野外环境中实现鲁棒定位，平均误差20米内，最小误差低于1米。
2023-10-25 cs.RO
Radar-Inertial Odometry For Computationally Constrained Aerial Navigation
University of Klagenfurt（克拉根福大学）
本研究提出雷达-惯性里程计算法，结合雷达和惯性测量单元数据，用于在资源受限条件下实现无人机的实时导航状态估计。
2026-02-04 cs.RO
Robust GNSS Denied Localization for UAV Using Particle Filter and Visual Odometry
Vilnius University（维尔纽斯大学）
常规自主式无人机（简称无人机）无人机（UAV）自动驾驶系统使用全球导航卫星系统（缩写为GPS）。GNSS）信号用于导航。然而，自动驾驶仪系统由于丢失或干扰GNSS信号而无法导航。为了解决这个问题，使用来自其他传感器（例如光学传感器）的信息。单目同时定位与地图构建算法在过去几年中得到了发展，并达到了最先进的精度。此外，地图匹配定位方法用于UAV相对于来自静态地图（例如Google地图）的图像的定位。不幸的是，这些算法的准确性和鲁棒性非常依赖于最新的地图。本研究的目的是使用安装在自主飞行器上的面向下的光学相机来提高基于地图相对粒子滤波的定位的准确性和鲁棒性。研究了图像相似性对似然转换函数的影响，并对粒子滤波定位算法进行了仿真。提出了两种参数化图像相似性到似然转换函数（logistic和校正）。模拟航空影像的数据集用于实验。实验结果表明，使用逻辑函数的粒子滤波定位算法能够超过最先进的ORB-SLAM 2算法的精度的2.6倍。该算法被证明是能够使用最新的地图导航更准确，平均精度下降30%，使用过时的地图。
2019-10-26 cs.RO
A robust baro-radar-inertial odometry m-estimator for multicopter navigation in cities and forests
针对现有雷达惯性估计器异常值滤波器适应性不足、测试场景有限的问题，提出适用于无GNSS四旋翼的鲁棒气压-雷达-惯性里程计m估计器，经真实场景与公开数据集验证具备强鲁棒性与泛化性。
2024-08-11 cs.RO eess.SP
Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization
South China Normal University（华南师范大学）；Charles III University of Madrid（马德里卡洛斯三世大学）
针对高速和累积漂移导致定位失效的问题，提出一种结合全局信息与LIDAR里程计的多传感器定位框架，利用离线点云先验和新配准方法提升收敛速度，实现了高精度鲁棒的陆地车辆定位。
2025-03-29 cs.AI cs.RO
Optimizing Indoor Farm Monitoring Efficiency Using UAV: Yield Estimation in a GNSS-Denied Cherry Tomato Greenhouse
Department of Mechanical Engineering, Ulsan National Institute of Science and Technology (UNIST)（机械工程系，乌山国立科学技术研究院）；Agricultural Robotics and Artificial Intelligence, Metafarmers（农业机器人与人工智能，Metafarmers）
针对温室监测中UGV的局限性，本文开发了一种配备RGB-D相机、3D LiDAR和IMU的轻量级UAV，利用LiDAR-惯性里程计和3D多目标跟踪算法，在无GNSS环境中实现樱桃番茄数量与重量估计，实验验证了其高效性与潜力。
2025-05-02 cs.CV cs.RO
A 2D Georeferenced Map Aided Visual-Inertial System for Precise UAV Localization
National University of Defense Technology（国防科技大学）
精确的地理定位对于无人机（UAV）至关重要。然而，目前部署的大多数无人机依赖于全球导航卫星系统（GNSS）或高精度惯性导航系统（INS）进行地理定位。在本文中，我们建议使用一个轻量级的视觉惯性系统与二维地理参考地图，以获得准确和连续的无人机的大地测量位置。该系统首先集成了微惯性测量单元（MIMU）和单目摄像机作为里程计，连续估计导航状态，并在局部世界框架中重建所观察到的视觉特征的3D位置。为了获得地理位置，由里程计跟踪的视觉特征被进一步配准到2D地理参考地图。虽然大多数传统的方法进行图像级的航空图像配准，我们建议在大地坐标系中的地图点对齐重建点，这有助于过滤掉大部分的离群值和消除来自水平角度的负面影响。然后使用所配准的点在大地坐标系中重新定位车辆。最后，姿态图被部署来融合来自航空图像配准的地理定位和来自视觉惯性测距（VIO）的本地导航结果，以实现连续和无漂移的地理定位性能。我们已经验证了所提出的方法，通过安装传感器的无人机机构刚性，并进行了两次飞行，在不同的环境与未知的初始化。仿真结果表明，该方法在100 m高度时定位误差小于4 m，在300 m高度时定位误差小于9 m。
2022-12-29 cs.RO
M-LIO: Multi-lidar, multi-IMU odometry with sensor dropout tolerance
Scania（斯堪尼亚）
提出M-LIO系统，通过因子图融合多激光雷达、多IMU与GNSS数据，并引入新颖同步融合机制应对信号丢失，实验证明其相比单传感器估计器显著降低了平移与旋转误差。
2022-10-09 cs.RO
VILENS: Visual, Inertial, Lidar, and Leg Odometry for All-Terrain Legged Robots
Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
针对足式机器人单传感器里程计估计易退化的问题，提出基于因子图的多模态紧融合里程计系统VILENS，扩展可观测线速度偏差项，实验验证其精度和鲁棒性均显著优于现有松耦合方法。
2024-10-07 cs.CV cs.RO
SASGeo: Stability-Aware Semantic Map Localization for GNSS-Denied UAVs -- A Framework and Synthetic Proof of Concept
Embedded Intelligence Lab（嵌入式智能实验室）
研究针对全球导航卫星系统受限无人机的定位问题，提出SASGeo语义地图定位框架，结合多种技术，指定具体模型并进行合成概念验证。在随机检索试验中，全局语义描述符召回率58.6%，空间语义匹配变体为94.5%-95.5%。该框架能在扰动下区分位置，为后续研究提供方向。
2026-07-10 cs.CV cs.LG cs.RO
Multi-layer VI-GNSS Global Positioning Framework with Numerical Solution aided MAP Initialization
Alibaba Group（阿里巴巴集团）
出于在复杂场景中实现长期无漂移相机姿态估计的目标，我们提出了一个全球定位框架，在多个层中融合视觉，惯性和全球导航卫星系统（GNSS）测量。与以往的松耦合和紧耦合方法不同，本文提出的多层融合方法能够在GNSS性能下降的情况下，精确校正视觉里程计的漂移，保持可靠的定位。特别是在内层进行局部运动估计，通过将GNSS的速度、惯性测量单元（IMU）的预积分和摄像机测量紧密耦合的方式进行融合，解决了视觉里程计中尺度漂移和偏差估计不准确的问题。在外层实现全局定位，并将局部运动与GNSS位置和航向以松耦合的方式进行长期融合。此外，提出了一种专用的初始化方法，以保证快速和准确的估计所有的状态变量和参数。我们对室内和室外公共数据集的拟议框架进行了详尽的测试。与现有算法相比，平均定位误差降低了63%，初始化精度提高了69%。我们已经将该算法应用于增强现实（AR）导航、众包高精度地图更新等大规模应用。
2022-01-05 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
TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））
本研究提出TRACE模型，通过引入足部感知交叉注意力模块等技术，结合策略随机化与部分现实微调，提升四足机器人在不可靠接触条件下的本体里程计性能，降低位置漂移并改善仿真到现实的迁移效果。
2026-08-07 cs.AI 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
Attitude Estimation Using Inertial and Barometric Measurements
University of Quebec in Outaouais（魁北克大学奥塔瓦分校）；Lakehead University（湖首大学）；I3S-UniCA-CNRS, University Cote d’Azur（蔚蓝海岸大学I3S - 法国国家科学研究中心联合实验室）
针对自动驾驶车辆姿态估计难题，介绍气压辅助姿态估计架构，设计确定性黎卡提观测器与非线性观测器，利用气压测量增强姿态估计，经模拟和实际飞行数据验证，为姿态估计提供实用补充传感方式。
2026-07-16 cs.RO
GNSS/Multi-Sensor Fusion Using Continuous-Time Factor Graph Optimization for Robust Localization
Institute of Automatic Control, Faculty of Mechanical Engineering, RWTH Aachen University（自动控制研究所，机械工程学院，亚琛RWTH大学）；Department of BioMechanical Engineering, Delft University of Technology（生物机械工程系，代尔夫特技术大学）；University of Toronto Robotics Institute（多伦多大学机器人研究所）
本文提出GNSS-FGO，一种基于连续时间因子图优化的多传感器融合方法，通过高斯过程回归实现异步传感器融合，在密集城区实现鲁棒定位，实验表明在17公里路线上平均定位误差仅0.48米。
2024-08-01 cs.RO
LiDAR-based Registration against Georeferenced Models for Globally Consistent Allocentric Maps
University of Bonn（波恩大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）；Fraunhofer IAIS（弗劳恩霍夫智能分析与信息系统研究所）
针对建筑物附近GNSS定位退化问题，本文提出将LiDAR地图与CityGML和DEM配准以精修位姿，并融入连续时间样条位姿图优化，实现全局一致的地理参考轨迹与地图。
2024-12-03 cs.CV cs.RO
Degradation-Aware Cooperative Multi-Modal GNSS-Denied Localization Leveraging LiDAR-Based Robot Detections
Multi-robot Systems Group, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程学院控制学系多机器人系统组）；Turku Intelligent Embedded and Robotic Systems (TIERS) Lab, University of Turku（图尔库大学智能嵌入式与机器人系统实验室）
提出一种因子图框架下的自适应多模态多机器人协同定位方法，融合异步VIO、LIO和3D机器人间检测，通过插值因子和Wasserstein距离加权处理传感器退化，显著提升定位精度。
2026-05-27 cs.RO
CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR
Faculty of Information Technology, Brno University of Technology（布尔诺理工大学信息技术学院）
我们介绍了一种新的方法，里程估计使用卷积神经网络从三维激光雷达扫描。原始稀疏数据被编码成2D矩阵，用于训练拟议的网络和预测。我们的网络在平移运动参数的估计方面显示出比最先进的方法LOAM更好的精度，同时实现了实时性能。与IMU支持一起，实现了高质量的里程估计和LiDAR数据配准。此外，我们提出了替代的CNN训练的旋转运动参数的预测，同时实现的结果也与最先进的国家。所提出的方法可以取代车轮编码器里程估计或补充丢失的GPS数据，当GNSS信号缺席（例如，在室内测绘）。我们的解决方案带来了实时性能和精度，这对于提供映射结果的在线预览和实时的完整性的验证是有用的。
2017-12-18 cs.RO
Semi-Aerodynamic Model Aided Invariant Kalman Filtering for UAV Full-State Estimation
Sun Yat-sen University（中山大学）
本研究首次将ES-RIEKF应用于固定翼无人机全源导航，结合半气动模型与LSTM网络实现无漂移气流角预测，提升了GNSS拒止下的状态估计精度与鲁棒性。
2023-10-03 cs.RO
GVINS: Tightly Coupled GNSS-Visual-Inertial Fusion for Smooth and Consistent State Estimation
Hong Kong University of Science and Technology（香港科技大学）
视觉惯性里程计（VIO）是众所周知的漂移，特别是在长期运行。在本文中，我们提出了GVINS，一个非线性优化为基础的系统，紧密融合GNSS原始测量与视觉和惯性信息的实时和无漂移的状态估计。我们的系统旨在提供准确的全球6自由度估计在复杂的室内外环境下，GNSS信号可能是间歇性的，甚至完全不可用。为了将全局测量值与局部状态连接起来，提出了一种由粗到细的初始化过程，以有效地在线校准变换并仅从短窗口的测量值初始化GNSS状态。GNSS码伪距和多普勒频移测量，以及视觉和惯性信息，然后建模，并用于约束系统状态的因素图框架。对于复杂和GNSS不友好的区域，退化的情况进行了讨论，并仔细处理，以确保鲁棒性。由于采用了紧密耦合的多传感器方法和系统设计，我们的系统充分利用了三种类型传感器的优点，能够无缝地应对室内和室外环境之间的过渡，卫星丢失和重新获取。我们广泛评估所提出的系统通过仿真和真实世界的实验，结果表明，我们的系统基本上消除了漂移的VIO和保持本地精度，尽管嘈杂的GNSS测量。具有挑战性的室内-室外和城市驾驶实验验证了GVINS在复杂环境中的可用性和鲁棒性。此外，实验还表明，我们的系统甚至可以从一颗卫星上获得收益，而传统的GNSS算法至少需要四颗卫星。
2021-08-31 cs.RO
R-WhONet: Recalibrated Wheel Odometry Neural Network for Vehicular Positioning using Transfer Learning
York St John University（约克圣约翰大学）；Coventry University（考文垂大学）；University of Birmingham（伯明翰大学）
本文提出了一种迁移学习方法来重新校准我们以前开发的车轮里程计神经网络（WhONet）的车辆定位在全球导航卫星系统（GNSS）不可用的环境中。WhONet已被证明具有学习车轮速度测量中的不确定性的能力，这些不确定性是车辆校正和精确定位所需的。这些不确定性可能表现为在泥泞和不平坦的地形上行驶时轮胎压力的变化或车轮打滑。然而，数据驱动方法（如WhONet模型）的一个常见问题是，通常无法将模型推广到新车。在机器学习模型在特定域中训练但部署在另一个域中的场景中，模型的性能会降低。在现实生活中，有几个因素会影响这种退化，从车辆动力学的变化到传感器噪声的新模式分布，并且偏差会使测试传感器数据与训练数据不同。因此，挑战在于探索技术，使经过训练的机器学习模型能够自发地适应新的车辆领域。因此，我们提出了重新校准车轮里程计神经网络（R-WhONet），它将WhONet模型从其源域（模型最初训练的车辆和环境）调整到目标域（训练模型将部署的新车辆）。通过对几种全球导航卫星系统中断情况进行性能评估-短期复杂驾驶情况和长期全球导航卫星系统中断情况。我们证明了在源域中训练的模型不能很好地推广到目标域中的新车。然而，我们表明，我们提出的新框架提高了WhONet模型的推广到目标领域的新车高达32%。
2022-09-13 cs.RO eess.SP
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
Onboard UAV State Estimation for Fast Flights Without External Localization Systems: A2RL Drone Racing Finalist Approach
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（控制系，电气工程系，布拉格捷克技术大学）
本文提出了一种基于视觉和IMU的无人机快速飞行状态估计方法，通过修正VIO漂移实现高精度状态估计，并在A2RL无人机赛车挑战中取得优异成绩。
2026-10-22 cs.RO
GNSS-Denied Semi Direct Visual Navigation for Autonomous UAVs Aided by PI-Inspired Inertial Priors
Centre for Automation and Robotics, Polytechnic University of Madrid（马德里理工大学自动化与机器人中心）
提出了一种基于半直接视觉里程计（SVO）的无人机（UAV）视觉导航系统的位姿（位置加姿态）漂移抑制方法，该方法基于GNSS（Global Navigation Satellite System）拒绝惯性导航系统的输出，利用先验知识对系统的位姿估计进行非线性优化。该方法的灵感在PI（比例积分）控制系统中，其中的姿态，高度，和速率的爬升惯性输出作为目标，以确保视觉估计不会偏离他们的惯性对应。由此产生的IA-VNS（惯性辅助视觉导航系统）实现了自主固定翼低SWaP（尺寸、重量和功率）无人机的GNSS拒绝导航所固有的水平位置漂移的大幅减少。另外，IA-VNS可以被认为是能够向惯性滤波器提供观测的虚拟增量位置（地面速度）传感器。随机高保真蒙特卡罗模拟的两个代表性的情况下，涉及GNSS信号的损失进行评估的结果，并分析其灵敏度的飞机飞越的地形类型，以及机载传感器的质量上的先验的基础。作者将导航算法和高保真仿真的C++实现作为开源软件发布。
2022-12-22 cs.RO
Long Distance GNSS-Denied Visual Inertial Navigation for Autonomous Fixed Wing Unmanned Air Vehicles: SO(3) Manifold Filter based on Virtual Vision Sensor
针对固定翼无人机在GNSS拒止环境下的长距离导航漂移问题，提出融合VO/VVS相对位移与IMU、磁力计并在SO(3)流形上实现的视觉惯性滤波方法，经高保真仿真验证并开源。
2023-03-07 cs.RO
Robust, High-Precision GNSS Carrier-Phase Positioning with Visual-Inertial Fusion
McGill University（麦吉尔大学）；Meta
鲁棒、高精度的全局定位是广泛的户外机器人应用的基础。传统的融合方法使用基于低精度伪距的GNSS测量值（$>>5m$误差），并且只能产生与全球地心地球固定（ECEF）框架的粗配准。在本文中，我们利用高精度GNSS载波相位定位，并使用扩展的卡尔曼滤波器（EKF）框架，更好地解决与GNSS载波相位有关的整周模糊度，帮助它与本地视觉惯性里程计（VIO）跟踪。%，以实现ECEF帧中的厘米级精度。我们还提出了一种算法，用于精确的GNSS天线到IMU extrinsics校准，以准确地对准VIO的ECEF帧。总之，我们的系统实现了强大的全球定位在严重闭塞的城市峡谷的真实世界的硬件实验证明，并优于国家的最先进的RTKLIB的一个显着的利润率在整周模糊度解决方案的固定率和定位RMSE精度。
2023-03-02 cs.RO eess.SP
D-GVIO: A Buffer-Driven and Efficient Decentralized GNSS-Visual-Inertial State Estimator for Multi-Agent Systems
School of Robotics, Wuhan University（机器人学院，武汉大学）；School of Electronic Information of Wuhan University, Hubei Luojia Laboratory（武汉大学电子信息学院，湖北珞珈实验室）
D-GVIO通过基于缓冲的分布式框架和L-IEKF实现高效鲁棒的GNSS-视觉-惯性状态估计，适用于多智能体系统的协同定位任务。
2026-03-03 cs.RO
Planar Velocity Estimation for Fast-Moving Mobile Robots Using Event-Based Optical Flow
Center for Project-Based Learning, D-ITET, ETH Zurich（项目导向学习中心，D-ITET，苏黎世联邦理工学院）
针对传统速度估计方法依赖轮-面接触假设、环境适应性差的问题，提出结合平面运动学与事件相机光流的速度估计方法，在1:10赛车平台上性能媲美Event-VIO且横向误差降38.3%，高速场景下仍有效。
2025-05-16 cs.CV 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
An Improved Multi-State Constraint Kalman Filter for Visual-Inertial Odometry
Sharif University of Technology（谢里夫理工大学）
针对资源受限平台上MSCKF实时图像处理计算成本高的问题，本文通过特征边缘化与状态剪枝提出FMSCKF，并在数据集和真实实验中验证其速度提升约6倍、位置精度至少提高20%。
2024-10-25 cs.CV cs.RO eess.IV
WinTA-GIL: Windowed Trajectory Alignment for GNSS-IMU-LiDAR Heading Refinement in Intermittent Signal Environments
State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS), Wuhan University（武汉大学测绘遥感信息工程国家重点实验室）；School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）；College of Engineering and Computer Science, University of Michigan-Dearborn（美国密歇根大学迪尔伯恩分校工程与计算机科学学院）
针对多源融合定位系统中航向估计难题，提出WinTA-GIL框架，通过基于时间窗口的优化策略融合GNSS、IMU和LiDAR信息，将航向估计转化为轨迹一致性优化问题，实验证明其性能优越。
2026-07-07 cs.RO
P3-LOAM: PPP/LiDAR Loosely Coupled SLAM with Accurate Covariance Estimation and Robust RAIM in Urban Canyon Environment
Shanghai Jiao Tong University（上海交通大学）
基于激光雷达（LiDAR）的同时定位与地图构建（SLAM）技术在自动驾驶领域引起了越来越多的关注。然而，LiDAR-SLAM遭受累积误差，这可以通过全球导航卫星系统（GNSS）显著减轻。精密单点定位（PPP）是一种不依赖于基站的高精度GNSS工作模式，在无人系统中越来越受欢迎。针对LiDAR-SLAM和PPP这两种技术的特点，提出了一种将LiDAR-SLAM和PPP相结合的SLAM系统P3-LOAM（PPP based LiDAR Odometry and Mapping）。为了更好地集成，我们通过使用奇异值分解（SVD）雅可比模型推导LiDAR-SLAM定位协方差，因为SVD提供了迭代最近点（ICP）的显式解析解，这是LiDAR-SLAM中的关键问题。然后提出了一种新的方法来评估估计的LiDAR-SLAM协方差。此外，为了提高GNSS在城市峡谷环境中的可靠性，我们开发了一种LiDAR-SLAM辅助GNSS接收机自主完整性监测（RAIM）算法。最后，我们验证P $^3$ -LOAM与UrbanNav，一个具有挑战性的公共数据集在城市峡谷环境。综合测试结果表明，P3-LOAM在精度和可用性方面优于单点定位（SPP）、PPP、LeGO-LOAM、SPP-LOAM以及UrbanNav出版商提出的松耦合导航系统等基准。
2020-12-04 cs.RO
Deep urban unaided precise Global Navigation Satellite System vehicle positioning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文介绍了最彻底的研究，到目前为止，车载载波相位差分GNSS（CDGNSS）定位性能在一个深城市设置辅助互补传感器。使用在德克萨斯州奥斯汀市密集的城市中心及其周围行驶约2小时期间捕获的数据，CDGNSS系统被证明可以实现17厘米精度的3D城市定位（95%的概率），解决方案可用性大于87%。这些结果是在没有惯性、电光或里程计传感器的任何帮助下实现的。基于GNSS的独立精确定位系统的开发和评估是实现将精确的GNSS、视觉、雷达和惯性传感相结合，为自动化和互联车辆提供全天候高完整性、高绝对精度定位的总体目标的关键里程碑。本文描述和评估的系统由密集间隔的参考网络、软件定义的GNSS接收器和实时动态（RTK）定位引擎组成。性能敏感性分析表明，导航数据wipeoff全调制GNSS信号和密集的参考网络是高性能的城市RTK定位的关键。与现有的城市全球导航卫星系统处理的无辅助系统的比较表明，拟议的系统具有显着更高的可用性或准确性。
2020-06-15 cs.RO eess.SP
Tag-based Visual Odometry Estimation for Indoor UAVs Localization
University of Padova（帕多瓦大学）
本文针对室内GNSS拒止环境下的无人机定位问题，提出一种基于密集异构标签地图的视觉里程计方法，通过分层标签选择、异常值剔除和多标签融合提升定位精度。
2023-09-23 cs.RO cs.SY eess.SY
Empowering a Single-Frequency GNSS Receiver to Achieve High-Precision Positioning with Relative Observations
提出一种紧耦合状态估计框架，通过单频GNSS接收机与相对运动传感器融合，利用滑动窗口因子图和虚拟锚点机制实现分米级定位，无需基站。
2026-06-28 cs.RO
GaRLILEO: Gravity-aligned Radar-Leg-Inertial Enhanced Odometry
本文提出GaRLILEO，一种基于重力对齐的雷达-腿-惯性增强里程计框架，通过连续时间 ego-velocity spline 和软 S2-constrained 重力因子提升垂直姿态估计精度，适用于复杂地形导航。
2026-06-27 cs.RO
DROID-ANCHOR: Odometry-Anchored Recurrent Metric Depth Estimation
UC Berkeley（加州大学伯克利分校）
研究针对单目系统尺度问题，提出Metric-DROID架构，通过集成里程计，利用LSTM更新算子、不确定性感知度量后端及选择性残差微调策略，实现视觉SLAM与物理现实锚定，有效解决尺度模糊等问题。
2026-07-21 cs.CV cs.RO
Barometer-Aided Attitude Estimation
Department of Computer Science and Engineering, University of Quebec in Outaouais（计算机科学与工程系，魁北克大学 Outaouais分校）；Department of Electrical Engineering, Lakehead University（电气工程系，拉克希德大学）；I3S-UniCA-CNRS, University Cote d’Azur and the Insitut Universitaire de France（I3S-UniCA-CNRS，大学海岸阿兹尔分校和法国国家科学院）
本文提出一种气压计辅助的姿态估计架构，利用气压高度测量在SO(3)非线性观测器中推断垂直速度与姿态，结合Riccati观测器和互补滤波器实现几乎全局渐近稳定，为GNSS拒止环境提供轻量级有效方案。
2025-09-17 cs.RO cs.SY eess.SY
VIO-UWB-Based Collaborative Localization and Dense Scene Reconstruction within Heterogeneous Multi-Robot Systems
University of Turku（图尔库大学）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
多机器人系统的有效协作需要精确和鲁棒的相对定位估计：从协作操作到协作感知，包括协作探索或协作运输。针对由地面机器人和微型飞行器（MAVs）组成的异构多机器人系统的稠密场景重建问题，提出了一种新的协作定位方法。我们解决了没有滑动时间窗口的完整相对姿态估计的问题，依靠基于UWB的测距和基于视觉惯性里程计（VIO）的自运动估计定位，同时利用激光雷达机载地面机器人在一个单一的参考系中的完整相对姿态估计。在操作期间，刚度特征值向系统提供反馈。为了解决在GNSS拒绝环境中的路径规划和避障的MAVs的挑战，我们保持地面机器人和MAVs之间的视线。由于能够进行密集重建的激光雷达具有有限的FoV，这给系统带来了新的约束。因此，我们提出了一种新的配方与Dubins多个旅行商问题的一个变种与邻域（DMTSPN），其中我们包括与地面机器人的有限FoV的约束。我们的方法进行了验证与模拟和实验与真实的机器人系统的不同部分。
2022-04-10 cs.RO
