On Observability and Identifiability of Tightly-coupled Ultrawideband-aided Inertial Localization
Institute for Aerospace Studies(航空航天研究所);University of Toronto(多伦多大学)
超宽带(UWB)无线电和惯性测量单元(IMU)的组合可以提供精确的定位。为了确保可靠的通信,无线电通常安装在移动系统的末端,而IMU位于更靠近重心的位置以用于控制,从而导致IMU和UWB无线电之间存在空间偏移。此外,来自异构传感器的数据可以在不同的时刻到达。多源数据的系统融合需要知道传感器之间的时间偏移和空间偏移。标定的一个重要方面是系统状态的可观测性和系统参数的可辨识性。估计系统的状态或参数,否则是不可观察或不可识别的,可能会导致差的估计。本文研究了紧耦合超宽带辅助惯性定位系统的状态局部弱能观性和时间偏移量的可辨识性。
2021-07-29 cs.RO
Optimization-Based Visual-Inertial SLAM Tightly Coupled with Raw GNSS Measurements
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
与文献中的松耦合方法和基于EKF的方法不同,我们提出了一种基于优化的视觉惯性SLAM与原始全球导航卫星系统(GNSS)测量值紧密耦合,这是文献中的第一次尝试。更具体地,在滑动窗口内联合地最小化重投影误差、IMU预积分误差和原始GNSS测量误差,其中考虑了图像和原始GNSS测量之间的非线性。此外,还讨论了边缘化、噪声测量去除以及处理脆弱情况等问题。在复杂城市场景中的公共数据集上的实验结果表明,我们提出的方法优于最先进的视觉惯性SLAM,GNSS单点定位,以及松耦合方法,包括主要包含低层建筑物的场景和包含城市峡谷的场景。
2021-10-24 cs.RO
LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking
ETH Zürich(苏黎世联邦理工学院);Zhejiang University(浙江大学);University of Delaware(特拉华大学);Microsoft Mixed Reality and Artificial Intelligence Lab(微软混合现实与人工智能实验室)
来自商用惯性、视觉和激光雷达传感器的多模态测量的多传感器融合,以提供鲁棒和准确的6DOF姿态估计,在机器人技术及其他领域具有巨大的潜力。在本文中,基于我们先前的工作(即,LIC-Fusion),我们开发了一种基于滑动窗口滤波器的LiDAR惯性相机里程计,具有在线时空校准(即,LIC-Fusion 2.0),它引入了一种新的滑动窗口平面特征跟踪,用于有效地处理3D LiDAR点云。特别地,在通过利用IMU数据对LiDAR点进行运动补偿之后,跨滑动窗口提取和跟踪低曲率平面点。提出了一种新的离群点剔除准则,用于高质量数据关联的平面特征跟踪。只有属于同一平面的跟踪平面点将用于平面初始化,这使得平面提取高效且鲁棒。此外,我们进行了可观测性分析的LiDAR-IMU子系统,并报告退化的情况下使用平面特征的时空校准。虽然估计的一致性和识别的退化运动在蒙特卡洛模拟中进行了验证,但也进行了不同的真实世界的实验,以表明所提出的LIC-Fusion 2.0优于其前身和其他最先进的方法。
2020-08-17 cs.RO
FAST-LIO: A Fast, Robust LiDAR-inertial Odometry Package by Tightly-Coupled Iterated Kalman Filter
University of Hong Kong(香港大学)
本文提出了一种计算高效和鲁棒的激光雷达惯性测距框架。我们融合LiDAR特征点与IMU数据使用紧耦合迭代扩展卡尔曼滤波器,以允许在发生退化的快速运动,噪声或混乱的环境中进行鲁棒导航。为了降低大量测量时的计算量,我们提出了一个新的公式来计算卡尔曼增益。新公式的计算量取决于状态维而不是测量维。所提出的方法及其实施进行了测试,在各种室内和室外环境。在所有测试中,我们的方法实时产生可靠的导航结果:在四旋翼机载计算机上运行,它在扫描中融合了1,200多个有效特征点,并在25 ms内完成iEKF步骤的所有迭代。
2021-04-14 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
RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments
Xi’an Jiaotong University(西安交通大学)
同时定位与地图构建(SLAM)被认为是智能车辆和移动机器人的基本能力。然而,目前大多数激光雷达SLAM方法是基于静态环境的假设。因此,在具有多个移动对象的动态环境中的定位实际上是不可靠的。本文提出了一种动态SLAM框架RF-LIO,建立在LIO-SAM的基础上,增加了自适应多分辨率距离图像,并使用紧耦合激光雷达惯性里程计首先去除移动物体,然后将激光雷达扫描与子地图匹配。因此,即使在高动态环境中也可以获得精确的姿态。建议的RF-LIO进行了评估,自我收集的数据集和开放的Urbanloco数据集。高动态环境下的实验结果表明,与LOAM和LIO-SAM相比,所提出的RF-LIO的绝对弹道精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。
2022-06-19 cs.RO
LPVIMO-SAM: Tightly-coupled LiDAR/Polarization Vision/Inertial/Magnetometer/Optical Flow Odometry via Smoothing and Mapping
Faculty of Information, North China University of Technology(信息学院,中国北方工业大学);Hangzhou Innovation Institute, Beihang University(杭州创新研究院,北京航空航天大学)
LPVIMO-SAM通过融合激光雷达、偏振视觉、惯性、磁力计和光学流,实现高鲁棒性的实时里程计与地图构建。
2025-04-29 cs.RO
Visual-Inertial SLAM with Tightly-Coupled Dropout-Tolerant GPS Fusion
Technical University of Munich(慕尼黑工业大学);Imperial College London(伦敦帝国学院)
机器人应用正在不断努力实现更高水平的自主性。为了实现这一目标,高度鲁棒和精确的状态估计是必不可少的。结合视觉和惯性传感器模式已被证明在短期应用中产生准确和局部一致的结果。不幸的是,视觉惯性状态估计遭受长期轨迹漂移的积累。为了消除这种漂移,可以将全局测量融合到状态估计流水线中。最为人所知和最广泛使用的全球测量源是全球定位系统。在本文中,我们提出了一种新的方法,充分结合立体视觉惯性同步定位和映射(SLAM),包括视觉循环关闭,与融合的全球传感器模态在一个紧密耦合和优化的框架。在消除测量不确定性的基础上,提出了一种鲁棒的全局坐标系初始化方法。此外,我们提出了一个类似闭环的优化方案,以补偿接收GPS信号中断期间积累的漂移。数据集和现实实验中的实验验证表明,与现有的最先进方法相比,我们的GPS丢失方法具有鲁棒性,并且能够估计高度准确且全球一致的轨迹。
2022-08-01 cs.RO
Online Spatio-temporal Calibration of Tightly-coupled Ultrawideband-aided Inertial Localization
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(向量人工智能研究所)
超宽带(UWB)无线电和惯性测量单元(IMU)的组合可以在全球定位系统(GPS)服务不可用或性能不令人满意的环境中提供精确定位。IMU和UWB无线电这两个传感器通常不在移动系统上共同定位。UWB无线电通常位于系统的末端以确保可靠的通信,而IMU位于更靠近其重心的位置。此外,在没有硬件或软件同步的情况下,来自异构传感器的数据可能在不同的时刻到达,从而导致时间偏移。如果未校准,这些空间和时间偏移会降低定位性能。在本文中,使用可观测性和可识别性准则,我们推导出成功校准空间和时间偏移参数的紧耦合UWB-IMU系统所需的条件。我们还提出了一个在线的方法,共同校准这些偏移。结果表明,我们的校准方法提高了定位精度,同时估计(i)毫米精度的空间偏移参数和(ii)毫秒精度的时间偏移参数。
2021-07-31 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
Tightly-Coupled Radar-Visual-Inertial Odometry
本文提出一种紧密耦合的雷达-视觉-惯性里程计,结合图像特征、雷达多普勒测量和IMU测量,以提升在暗环境和低纹理环境下的鲁棒性。
2026-03-24 cs.RO
LIO-GVM: an Accurate, Tightly-Coupled Lidar-Inertial Odometry with Gaussian Voxel Map
Centre for Advanced Robotics Technology Innovation (CARTIN)(先进机器人技术创新中心);School of Electrical and Electronic Engineering(电气与电子工程学院);Nanyang Technological University(南洋理工大学)
本文提出LIO-GVM,一种基于高斯体素地图的紧耦合激光雷达-惯性里程计,通过高斯分布残差度量实现鲁棒匹配与精确建图,并在多数据集上验证了其鲁棒性与准确性。
2024-05-07 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
TCB-VIO: Tightly-Coupled Focal-Plane Binary-Enhanced Visual Inertial Odometry
University of Toronto(多伦多大学);Delft University of Technology(代尔夫特理工大学);Toronto Metropolitan University(多伦多 Metropolitan 大学);University College London(伦敦大学学院)
针对视觉惯性里程计的漂移问题,提出基于多状态约束卡尔曼滤波器的紧耦合6自由度TCB-VIO,依托焦平面传感器处理器阵列实现250FPS高帧率运行,性能超越现有主流方法。
2025-10-04 cs.RO
LVI-GS: Tightly-coupled LiDAR-Visual-Inertial SLAM using 3D Gaussian Splatting
The University of Hong Kong(香港大学);HKU-TCL Joint Research Center for Artificial Intelligence(香港大学-TCL人工智能联合研究中心)
提出LVI-GS,一种紧耦合激光雷达-视觉-惯性SLAM框架,利用3D高斯泼溅实现实时高保真建图,通过金字塔训练和深度损失增强几何感知,性能优于现有3D重建系统。
2024-11-05 cs.RO
Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping
Technical University of Munich(慕尼黑工业大学);Imperial College London(伦敦帝国理工学院)
提出紧耦合 LiDAR-视觉-惯性 SLAM 与三维占据建图框架,利用基于占据场梯度的无对应概率残差和局部子图因子图优化,实现高精度位姿估计与全局一致的大规模建图。
2024-03-04 cs.RO
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
VIPS-Odom: Visual-Inertial Odometry Tightly-coupled with Parking Slots for Autonomous Parking
Advanced Micro Devices (AMD), Inc.(超威半导体公司(AMD));Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
针对地下泊车中光照、纹理与 GPS 信号挑战,提出 VIPS-Odom 语义视觉-惯性里程计,融合 BEV 停车位、特征点、IMU 与轮速信息进行紧耦合优化。
2024-07-06 cs.RO
Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping
National Institute of Advanced Industrial Science and Technology(国立先进工业科学技术研究所)
提出了一种基于全局匹配代价最小化和LiDAR-IMU紧耦合的实时三维映射框架。该框架包括一个预处理模块和三个估计模块:里程估计,局部映射和全局映射,这都是基于GPU加速的体素化GICP匹配成本因子和IMU预积分因子的紧耦合。里程估计模块采用基于关键帧的固定滞后平滑方法进行高效和低漂移的轨迹估计,具有有限的计算成本。全局映射模块构建因子图,该因子图在IMU约束的支持下最小化整个地图上的全局配准误差,从而确保在无特征环境中的鲁棒优化。在Newer College数据集和KAIST城市数据集上的评估结果表明,所提出的框架能够在具有挑战性的环境中实现准确和鲁棒的定位和映射。
2022-02-02 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
Coco-LIC: Continuous-Time Tightly-Coupled LiDAR-Inertial-Camera Odometry using Non-Uniform B-spline
Zhejiang University(浙江大学);Technical University of Munich(慕尼黑工业大学)
本文提出Coco-LIC,一种基于非均匀B样条的连续时间紧耦合LiDAR-惯性-相机里程计,通过自适应控制点放置和帧到地图重投影因子实现高效实时高精度状态估计,在挑战性及大规模场景中达到或超越现有方法。
2023-09-18 cs.RO
A Sliding Window Filter on the Galilean Group for Consistent Aided Inertial Navigation with Unknown Measurement Delays
Vector Institute(向量研究所);University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所)
针对辅助惯性导航中辅助测量的未知恒定延迟问题,提出基于伽利略群的滑动窗口滤波器,联合估计延迟与导航状态,仿真表明该滤波器可显著提升估计一致性。
2026-09-01 cs.RO
A LiDAR-Inertial SLAM Tightly-Coupled with Dropout-Tolerant GNSS Fusion for Autonomous Mine Service Vehicles
GNSS Research Center, Wuhan University(武汉大学GNSS研究中心);CHC NAVIGATION(华测导航);Beijing Lishedachuan Co., Ltd(北京立世达川科技有限公司)
针对矿山场景卫星信号失锁、观测退化等导航难题,提出一种结合卡尔曼滤波与图优化的紧耦合多模态激光雷达-惯性SLAM系统,通过多激光雷达协同、面元配准与回环重初始化,在GNSS长期失锁下仍能保持米级导航精度。
2023-08-22 cs.RO
AS-LIO: Spatial Overlap Guided Adaptive Sliding Window LiDAR-Inertial Odometry for Aggressive FOV Variation
State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing (LIESMARS)(测绘遥感信息工程国家重点实验室);Wuhan University(武汉大学);UCLA Samueli School of Engineering(加州大学洛杉矶分校塞缪利工程学院)
针对剧烈运动下FOV变化导致的非线性误差和约束退化问题,提出由空间重叠度引导的自适应滑动窗口LIO框架(AS-LIO),动态调整更新频率以精确表征轨迹,显著提升了定位精度与鲁棒性。
2024-08-21 cs.RO
FAST-LIVO: Fast and Tightly-coupled Sparse-Direct LiDAR-Inertial-Visual Odometry
The University of Hong Kong(香港大学)
为了在同时定位与地图构建(SLAM)任务中实现精确和鲁棒的位姿估计,多传感器融合被证明是一种有效的解决方案,因此在机器人应用中具有巨大的潜力。本文提出了一种快速激光雷达-惯性-视觉里程计系统FAST-LIVO,它建立在两个紧密耦合的直接里程计子系统上:一个VIO子系统和一个LIO子系统。LIO子系统注册原始点(而不是例如,边缘或平面)到增量构建的点云图。地图点还附加有图像块,然后在VIO子系统中使用图像块,通过最小化直接光度误差来对准新图像,而不提取任何视觉特征(例如,ORB或FAST拐角特征)。为了进一步提高VIO的鲁棒性和准确性,提出了一种新的离群点剔除方法,以剔除位于边缘或在图像视图中被遮挡的不稳定地图点。开放的数据序列和我们定制的设备数据进行实验。结果表明,我们提出的系统优于其他同行,可以处理具有挑战性的环境,降低计算成本。该系统支持多线旋转LiDAR和具有完全不同扫描模式的新兴固态LiDAR,并且可以在英特尔和ARM处理器上实时运行。我们在Github上开源了我们的代码和数据集,以使机器人社区受益。
2022-03-02 cs.RO
Low-Cost Inertial Aiding for Deep-Urban Tightly-Coupled Multi-Antenna Precise GNSS
Radionavigation Laboratory, The University of Texas at Austin(德克萨斯大学奥斯汀分校无线电导航实验室)
提出了一种将多天线载波相位差分GNSS(CDGNSS)与低成本MEMS惯性传感器和车辆动力学约束紧密耦合的车辆姿态估计技术。这项工作是第一次探索使用消费级惯性传感器进行紧密耦合的城市CDGNSS,并首次探索多天线CDGNSS和惯性传感(任何质量)的紧密耦合组合用于城市导航。无迹线性化允许使用传统的整数最小二乘法的模糊度解决方案,同时隐式地执行已知的基线长度约束和利用多基线问题的基线间相关性。一种新的错误定位检测和恢复技术的发展,以减轻不正确的整数上的条件过滤器状态的影响。在公开的TEX-CUP城市定位数据集上进行评估时,所提出的技术分别使用消费级和工业级惯性传感器实现了96.6%和97.5%的整数固定可用性,以及12.0 cm和10.1 cm的整体(固定和浮动)第95百分位水平定位误差。
2022-01-27 cs.RO cs.SY eess.SP
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
FR-LIO: Fast and Robust Lidar-Inertial Odometry by Tightly-Coupled Iterated Kalman Smoother and Robocentric Voxels
Northeastern University(东北大学);College of Information Science and Engineering, Northeastern University(东北大学信息科学与工程学院)
针对剧烈运动下激光惯性里程计易失效的问题,提出基于自适应子帧、紧耦合迭代ESKS及RC-Vox的FR-LIO,在高动态场景稳定跟踪且速度优于现有高效LIO系统。
2023-07-20 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
PO-GVINS: Tightly Coupled GNSS-Visual-Inertial Integration with Pose-Only Representation
Hubei Luojia Laboratory(湖北珞珈实验室)
针对现有VINS多视图成像存在线性化误差与维度爆炸的问题,提出采用纯位姿表示的紧耦合GNSS-视觉-惯性定位框架PO-GVINS,实验证明其性能优于MSCKF,可实现精准无漂移的定位。
2025-01-16 cs.RO
AQUA-SLAM: Tightly-Coupled Underwater Acoustic-Visual-Inertial SLAM with Sensor Calibration
Imperial College London(帝国理工学院);Heriot-Watt University(赫瑞瓦特大学)
针对水下视觉SLAM受能见度与特征丢失影响的问题,提出紧耦合AQUA-SLAM融合DVL、立体相机和IMU,并实现在线多传感器外参与DVL对准标定,水池与北海实验证明其精度和鲁棒性优于现有方法。
2025-03-14 cs.CV cs.RO
LiDAR-Inertial 3D SLAM with Plane Constraint for Multi-story Building
Zhejiang University(浙江大学)
与室外环境相比,室内多层建筑最明显的特征是平面的普遍存在和结构的一致性。在本文中,我们提出了一个紧密耦合的激光雷达惯性三维SLAM框架与平面特征的多层建筑。我们提出的框架主要由三个部分组成:紧耦合激光雷达-惯性里程计,提取的代表性平面的结构,因子图优化。通过建立局部地图和惯性测量单元(IMU)的预积分,我们得到激光雷达扫描到局部地图的匹配和IMU测量,分别。最小化联合成本函数以获得LiDAR-惯性测距信息。一旦一个新的关键帧被添加到图中,这个关键帧的所有平面,可以代表结构特征提取,以找到不同的姿势和故事之间的约束。提出了一种基于关键帧的因子图,并利用LiDAR-惯性测距法进行关键帧位姿细化。实验结果表明,与现有的算法相比,该算法在准确率上有着突出的表现。
2022-02-17 cs.RO
Tightly Coupled 3D Lidar Inertial Odometry and Mapping
RAM-LAB(机器人与自动化实验室);Hong Kong University of Science and Technology(香港科技大学)
自我运动估计是大多数移动机器人应用的基本要求。通过传感器融合,我们可以弥补独立传感器的不足,并提供更可靠的估计。本文介绍了一种紧耦合的激光雷达-惯性测量组合融合方法。通过联合最大限度地减少来自激光雷达和IMU测量的成本,激光雷达-IMU测距法(LIO)可以在长期实验后以可接受的漂移表现良好,即使在激光雷达测量可能降级的挑战性情况下。此外,为了获得更可靠的激光雷达位姿估计,提出了一种旋转约束的细化算法(LIO映射),以进一步对准激光雷达位姿与全球地图。实验结果表明,该方法可以估计的姿态传感器对的IMU更新率与高精度,即使在快速运动条件下或不足的功能。
2019-04-15 cs.CV cs.RO
Tightly-Coupled, Speed-aided Monocular Visual-Inertial Localization in Topological Map
提出一种基于拓扑地图的紧耦合速度辅助单目视觉惯性定位算法,利用IESKF融合图像对应与车速,在隧道等场景中优于现有方法。
2024-11-08 cs.CV cs.RO
BodySLAM++: Fast and Tightly-Coupled Visual-Inertial Camera and Human Motion Tracking
Imperial College London(帝国理工学院);Technical University of Munich(慕尼黑工业大学)
BodySLAM++扩展OKVIS2,利用视觉-惯性数据同时估计人体与相机状态,分别提升26%和12%精度,实现实时性能。
2023-09-03 cs.CV cs.RO
GLIO2: A GPU-Parallelized Tightly-Coupled LiDAR-Inertial-GNSS System for Robust and Real-Time Global Localization and Mapping
The Hong Kong Polytechnic University(香港理工大学)
本文提出GLIO2,一种GPU并行紧耦合激光雷达-惯性-GNSS系统,通过滑动窗口因子图联合优化多传感器数据,在多基准测试中实现最优全局定位精度,边缘硬件上可实时运行,桥梁场景下对比基线发散时仍保持1.6米水平精度。
2026-10-09 cs.RO
Ctrl-VIO: Continuous-Time Visual-Inertial Odometry for Rolling Shutter Cameras
Zhejiang University(浙江大学);Technical University of Munich(慕尼黑工业大学)
在本文中,我们提出了一个概率连续时间视觉惯性里程计(VIO)的卷帘快门相机。连续时间的轨迹制定自然有利于融合的高频IMU数据和运动失真的卷帘快门图像。为了防止棘手的计算负载,建议的VIO是滑动窗口和关键帧为基础的。我们建议概率边缘化的控制点,以保持恒定数量的关键帧在滑动窗口。此外,滚动快门相机的线曝光时间差(线延迟)可以在线校准在我们的连续时间VIO。为了广泛地研究我们的连续时间VIO的性能,在公开的WHU-RSVI,TUM-RSVI和SenseTime-RSVI卷帘快门数据集上进行了实验。结果表明,所提出的连续时间VIO显着优于现有的国家的最先进的VIO方法。本文的代码库也将在\url{https://github.com/APRIL-ZJU/Ctrl-VIO}上开源。
2022-08-25 cs.RO
VINS-Mono: A Robust and Versatile Monocular Visual-Inertial State Estimator
Hong Kong University of Science and Technology(香港科技大学)
单目视觉惯性系统(VINS)由一个摄像机和一个低成本的惯性测量单元(IMU)组成,构成了用于度量六自由度(DOF)状态估计的最小传感器套件。然而,缺乏直接距离测量在IMU处理、估计器初始化、外部校准和非线性优化方面带来了重大挑战。在这项工作中,我们提出了VINS-Mono:一个强大的和多功能的单目视觉惯性状态估计器。我们的方法开始于一个强大的估计器初始化和故障恢复过程。采用一种紧耦合的非线性优化方法,通过融合预积分IMU测量值和特征观测值,获得高精度的视觉-惯性里程计。一个循环检测模块,结合我们的紧耦合公式,使重新定位与最小的计算开销。我们还执行四个自由度的姿态图优化,以执行全局一致性。我们在公共数据集和真实世界的实验上验证了我们的系统的性能,并与其他最先进的算法进行了比较。我们还在MAV平台上执行机载闭环自主飞行,并将算法移植到基于iOS的演示中。我们强调,拟议的工作是一个可靠的,完整的,通用的系统,适用于不同的应用程序,需要高精度定位。我们为PC和iOS移动设备开源了我们的实现。
2017-08-13 cs.RO
R3LIVE: A Robust, Real-time, RGB-colored, LiDAR-Inertial-Visual tightly-coupled state Estimation and mapping package
The University of Hong Kong(香港大学)
在这封信中,我们提出了一种新的激光雷达-惯性-视觉传感器融合框架,称为R3 LIVE,它利用激光雷达,惯性和视觉传感器的测量,以实现鲁棒性和准确的状态估计。R3 LIVE由两个子系统组成:激光雷达惯性测距(LIO)和视觉惯性测距(VIO)。LIO子系统(FAST-LIO)利用激光雷达和惯性传感器的测量结果,构建全球地图的几何结构(即3D点的位置)。VIO子系统利用视觉惯性传感器的数据并渲染地图的纹理(即3D点的颜色)。更具体地说,VIO子系统通过最大限度地减少帧到地图的光度误差来直接有效地融合视觉数据。该系统R3 LIVE是在我们前期工作R2 LIVE的基础上开发的,经过精心的架构设计和实现。实验结果表明,该系统比现有系统具有更强的鲁棒性和更高的状态估计精度(见视频)。R3 LIVE是一个多功能和精心设计的系统,面向各种可能的应用,它不仅可以作为实时的【形】机器人应用的SLAM系统,而且还可以重建密集,精确,RGB彩色的3D地图,用于测绘等应用。此外,为了使R3 LIVE更具可扩展性,我们开发了一系列用于重建和纹理网格的离线实用程序,这进一步缩小了R3 LIVE与各种3D应用程序(如模拟器,视频游戏等)之间的差距(请参阅我们的演示视频)。为了分享我们的发现并为社区做出贡献,我们在Github上开源了R3 LIVE,包括我们所有的代码,软件实用程序和我们设备的机械设计。
2021-09-10 cs.CV cs.RO
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
GeoFlow-SLAM: A Robust Tightly-Coupled RGBD-Inertial and Legged Odometry Fusion SLAM for Dynamic Legged Robotics
Horizon Robotics(地平线机器人);D-Robotics(达闼机器人)
GeoFlow-SLAM 提出紧耦合 RGBD-惯性与足式里程计融合框架,利用双流光流增强快速运动下的特征匹配,并通过新型几何约束优化提升无纹理环境中的鲁棒性与精度,在足式机器人数据集上达到 SOTA。
2025-07-22 cs.AI cs.RO
Tightly-coupled Visual-DVL-Inertial Odometry for Robot-based Ice-water Boundary Exploration
University of Rhode Island(罗德岛大学);Michigan Technological University(密歇根理工大学)
本文提出一种紧耦合视觉-DVL-惯性多传感器融合里程计框架,结合关键帧状态克隆与DVL辅助特征增强,在冰下约200米路径上实现均方根误差小于2米的鲁棒定位。
2023-08-09 cs.CV cs.RO
GS-GVINS: A Tightly-integrated GNSS-Visual-Inertial Navigation System Augmented by 3D Gaussian Splatting
Department of Geomatics Engineering, Shulich School of Engineering, University of Calgary(测绘工程系、谢里尔工程学院、卡尔加里大学)
GS-GVINS是一种结合3D高斯点分布的GNSS-视觉-惯性导航系统,通过提升导航精度实现大规模户外导航。
2025-02-16 cs.CV cs.RO eess.IV
SVIn2: An Underwater SLAM System using Sonar, Visual, Inertial, and Depth Sensor
University of South Carolina(南卡罗来纳大学);Dartmouth College(达特茅斯学院)
提出了一种基于紧耦合关键帧的同时定位与地图构建(SLAM)系统,该系统具有闭环和重定位功能,适用于水下环境。我们以前的工作,SVIn,增强了国家的最先进的视觉惯性状态估计包OKVIS,以适应声学数据从声纳在一个非线性优化为基础的框架。本文解决了漂移和本地化的损失-影响其他软件包在水下域的主要问题之一-通过提供以下主要贡献:一个强大的初始化方法,以完善规模使用深度测量,快速预处理步骤,以提高图像质量,和一个实时的闭环和重新定位方法,使用袋的话。一个额外的贡献是引入深度测量从压力传感器的紧耦合优化配方。对定制的水下传感器套件和自主水下航行器从能见度差的挑战性水下环境中收集的数据集进行的实验结果表明,在准确性和鲁棒性方面,性能从未达到过。
2020-12-20 cs.RO
MR-ULINS: A Tightly-Coupled UWB-LiDAR-Inertial Estimator with Multi-Epoch Outlier Rejection
Wuhan University(武汉大学);Hubei Luojia Laboratory(湖北珞珈实验室)
本文提出紧耦合UWB-LiDAR-惯性估计器MR-ULINS,通过在线补偿系统性测距误差并利用LIO相对轨迹进行多历元离群点剔除,在复杂室内环境及退化场景下实现了约0.1m的高精度鲁棒定位。
2025-05-28 cs.RO eess.SP
Equivariant Filter for Tightly Coupled LiDAR-Inertial Odometry
School of Geodesy and Geomatics, Wuhan University(武汉大学测绘学院);GNSS Research Center, Wuhan University(武汉大学卫星导航定位技术研究中心)
针对传统EKF在处理IMU和LiDAR模型非线性时的不足,提出基于等变滤波器的紧耦合LIO状态估计器Eq-LIO,利用半直积群对称性耦合系统状态以抑制线性化误差,提升了估计的一致性与鲁棒性。
2025-03-04 cs.RO cs.SY eess.SY
Robust Tightly-Coupled Filter-Based Monocular Visual-Inertial State Estimation and Graph-Based Evaluation for Autonomous Drone Racing
Unmanned Systems Research Group (USRG), School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)(无人系统研究组(USRG)、电气工程学院、韩国科学技术院(KAIST))
提出ADR-VINS,一种基于误差状态卡尔曼滤波器的单目视觉惯性框架,通过直接像素重投影误差实现鲁棒状态估计,仅需两个可见角点;并引入ADR-FGO离线图优化生成高保真参考轨迹,用于无GNSS环境下的性能评估。
2026-06-23 cs.RO
R$^3$LIVE++: A Robust, Real-time, Radiance reconstruction package with a tightly-coupled LiDAR-Inertial-Visual state Estimator
The University of Hong Kong(香港大学)
同时定位与地图构建(SLAM)对于自主机器人(例如,自动驾驶汽车、自动无人机)、3D地图系统和AR/VR应用。提出了一种新的激光雷达-惯性-视觉融合框架R $^3$ LIVE++,实现了鲁棒、准确的状态估计,同时实时重建辐射图。R $^3$ LIVE++由一个激光雷达惯性测距仪(LIO)和一个视觉惯性测距仪(VIO)组成,两者都是实时的【形】。LIO子系统利用来自LiDAR的测量来重建几何结构(即,3D点的位置),而VIO子系统同时从输入图像恢复几何结构的辐射信息。R $^3$ LIVE++是基于R $^3$ LIVE开发的,并且通过考虑相机光度校准(例如,非线性响应函数和镜头渐晕)以及相机曝光时间的在线估计。我们在公共和私人数据集上进行了更广泛的实验,以将我们提出的系统与其他最先进的SLAM系统进行比较。定量和定性的结果表明,我们提出的系统在准确性和鲁棒性方面都有显着的改善。此外,为了证明我们的工作的可扩展性,{我们基于我们重建的辐射图开发了几个应用程序,例如高动态范围(HDR)成像,虚拟环境探索和3D视频游戏。最后,为了分享我们的发现并为社区做出贡献,我们在Github上公开了我们的代码,硬件设计和数据集:github.com/hku-mars/r3live
2022-09-08 cs.CV cs.RO
Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry
University of Oxford(牛津大学);KTH Royal Institute of Technology(KTH皇家理工学院);Scania AB(斯堪尼亚公司)
我们提出了一个有效的多传感器里程计系统的移动平台,共同优化视觉,激光雷达和惯性信息在一个单一的综合因素图。这是使用固定滞后平滑以全帧速率实时运行的。为了实现这种紧密集成,提出了一种从激光雷达点云数据中提取三维线和平面基元的新方法。该方法克服了典型的帧到帧跟踪方法的次优性,通过将基元视为地标并在多个扫描上跟踪它们。通过激光雷达和相机帧的微妙被动同步,激光雷达功能与标准视觉功能和IMU的真正集成成为可能。3D功能的轻量级制定允许在单个CPU上实时执行。我们提出的系统已经过测试,在各种平台和场景,包括地下勘探与足式机器人和户外扫描与动态移动的手持设备,为96分钟和2.4公里的总持续时间旅行的距离。在这些测试序列中,仅使用一个外感受性传感器会导致失败,原因是几何结构约束不足(影响激光雷达)或照明变化引起的无纹理区域(影响视力)。在这些条件下,我们的因子图自然使用每个传感器模态提供的最佳信息,而无需任何硬开关。
2021-02-17 cs.CV cs.RO
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
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
Implementation of Tightly-Coupled SLAM Fusion of GPS, IMU, and LiDAR for Autonomous Vehicles
C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems(C-DRiVeS实验室:车辆系统认知驾驶研究实验室);German University in Cairo(开罗德国大学)
本文实现了一种紧耦合SLAM融合架构,集成GPS、IMU和LiDAR,利用IESKF和GTSAM后端消除传感器盲区与漂移,生成高清地图以支持自动驾驶规划。
2026-09-18 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
Continuous-Time Fixed-Lag Smoothing for LiDAR-Inertial-Camera SLAM
Zhejiang University(浙江大学);Technical University of Munich(慕尼黑工业大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
近年来,异构多传感器融合的定位和地图绘制已经非常流行。为了充分融合在不同时刻和不同频率接收到的多模态传感器测量,我们在因子图优化框架内通过固定滞后平滑来估计连续时间轨迹。利用连续时间公式,我们可以查询与传感器测量相对应的任何时刻的姿态。为了限制连续时间固定滞后平滑器的计算复杂度,我们保持时间和关键帧滑动窗口具有恒定的大小,并概率地边缘化轨迹和其他状态的控制点,这允许保留先验信息以用于未来的滑动窗口优化。基于连续时间固定滞后平滑,我们设计了具有各种传感器组合的紧密耦合多模态SLAM算法,如LiDAR惯性和LiDAR惯性相机SLAM系统,其中也自然支持在线时间偏移校准。更重要的是,受益于边缘化和我们推导出的分析雅可比优化,所提出的连续时间SLAM系统可以实现实时性能,而不管连续时间制定的高复杂性。所提出的多模态SLAM系统已经在三个公共数据集和自收集数据集上进行了广泛的评估。结果表明,所提出的连续时间SLAM系统可以实现高精度的姿态估计,并优于现有的最先进的方法。为了使研究社区受益,我们将在~ \url{https://github.com/APRIL-ZJU/clic}上开源我们的代码。
2023-02-15 cs.RO