Online IMU-odometer Calibration using GNSS Measurements for Autonomous Ground Vehicle Localization
The Department of Aeronautical and Aviation Engineering, Hong Kong Polytechnic University(航空与航空工程系,香港理工大学)
针对自主地面车辆定位,提出一种紧耦合因子图优化在线标定IMU与里程计内外参数的方法,融合原始GNSS测量并解算模糊度,可观测性分析明确参数可观测性,实验显示定位误差较松耦合降低71.14%,并发布首个相关开源数据集。
2025-10-10 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
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
Pose Graph Optimization for a MAV Indoor Localization Fusing 5GNR TOA with an IMU
Interdisciplinary Center for Security Reliability and Trust (SnT)(安全可靠性与信任跨学科中心(SnT));University of Luxembourg(卢森堡大学);Faculty of Science, Technology, and Medicine (FSTM)(科学、技术与医学学院(FSTM))
本研究针对室内无人机定位问题,提出融合5G NR TOA与IMU数据的位姿图优化方法,通过仿真生成12组测试序列验证,在充足基站与高带宽配置下轨迹平均误差小于15厘米,且算法可实现机载实时跟踪。
2023-06-16 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
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
ReNiL: Event-Driven Pedestrian Bayesian Localization Using IMU for Real-World Applications
ReNiL提出基于惯性定位需求点和任意尺度拉普拉斯估计器的贝叶斯深度学习框架,实现高效、不确定性感知的行人惯性定位,并在多个数据集上取得最优精度与不确定性一致性。
2025-11-07 cs.RO
HelmetPoser: A Helmet-Mounted IMU Dataset for Data-Driven Estimation of Human Head Motion in Diverse Conditions
Tongji University(同济大学)
针对头盔式LIO/VIO系统在恶劣环境下的定位挑战,提出带真实值的HelmetPoser头盔式IMU数据集,探索LSTM和Transformer网络在IMU位姿估计中的应用,发布数据集并建立基线。
2025-02-14 cs.RO
Motion-Acceleration Calibration and Compensation in IMUs without External Equipment for Attitude Estimation Filters
研究基于惯性传感的姿态估计中IMU受额外加速度影响的问题,利用陀螺仪测量补偿额外加速度,引入无需外部设备的校准方法估计IMU参数,改进了依赖重力方向的姿态滤波器,在多种系统中证明了方法有效性。
2026-07-29 cs.RO
Wheel-GINS: A GNSS/INS Integrated Navigation System with a Wheel-mounted IMU
University of Bonn(波恩大学);Institute of Geodesy and Geoinformation(大地测量与地理信息研究所);Center for Robotics(机器人中心);University of Oxford(牛津大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);GNSS Research Center(全球导航卫星系统研究中心);Wuhan University(武汉大学)
本文提出Wheel-GINS,利用扩展卡尔曼滤波器融合GNSS与轮载IMU,并在线估计安装参数,以在GNSS中断时抑制漂移并提升定位精度。
2025-01-06 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 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
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
Robust Indoor Localization with Ranging-IMU Fusion
Meta Reality Labs Research(Meta现实实验室);Georgia Institute of Technology(佐治亚理工学院)
针对室内无线测距中非视距多径干扰导致的定位不稳定问题,提出一种融合低成本IMU与测距信息的鲁棒定位方法,通过非对称噪声模型和LM信赖域自适应iSAM2算法,在真实办公环境中实现约0.3米平均绝对精度,且在1Hz低频测距下仍保持相当精度。
2023-09-15 cs.RO eess.SP
Train Localization During GNSS Outages: A Minimalist Approach Using Track Geometry And IMU Sensor Data
KTH Royal Institute of Technology(瑞典皇家理工学院);Information Science and Engineering(信息科学与工程学院)
针对GNSS中断期间的列车定位挑战,提出一种利用IMU传感器和离散轨道地图(LUT)的极简粒子滤波方法,在30秒中断内实现低于10米的定位误差,可作为既有方案的冗余补充提升鲁棒性。
2024-06-04 cs.RO eess.SP
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
Fast Extrinsic Calibration for Multiple Inertial Measurement Units in Visual-Inertial System
Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
本文提出一种快速标定多个惯性测量单元外参的方法,通过构建非线性最小二乘问题估计相对位姿并结合虚拟IMU在流形上的传播,显著提升了视觉惯性里程计的定位精度、速度与鲁棒性。
2024-09-24 cs.RO
Nonlinear Filter for Simultaneous Localization and Mapping on a Matrix Lie Group using IMU and Feature Measurements
Thompson Rivers University(汤普森河大学);The Hong Kong Polytechnic University(香港理工大学)
同时定位与地图构建(SLAM)是一种同时估计车辆相对于参考系的姿态和特征位置的过程。本文提出了一种计算成本低的几何非线性SLAM滤波器算法,构造成模仿真正的SLAM问题的非线性运动动力学上的矩阵李群的$\mathbb{SLAM}_{n}\left(3\right)$。流形上的非线性滤波器是以连续形式提出的,它利用了从群速度矢量,特征测量和惯性测量单元(IMU)获得的可用测量。所提出的估计器成功地处理了速度测量的未知偏差。仿真结果表明,所提出的滤波器的鲁棒性在离散形式证明其效用的六度的自由度(6 DoF)的姿态估计以及在三维(3D)空间中的特征估计。此外,四元数表示的非线性滤波器的SLAM。保留字:同时定位与地图构建,SLAM的非线性观测器算法,惯性测量组合,惯性视觉系统,位姿,位置,姿态,地标,估计,IMU,SE(3),SO(3),无人机,刚体,噪声,SLAM的非线性观测器,高斯滤波,卡尔曼滤波,导航。
2022-03-16 cs.RO cs.SY eess.SY
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
MetroLoc: Metro Vehicle Mapping and Localization with LiDAR-Camera-Inertial Integration
Wuhan University(武汉大学)
我们提出了一个准确和强大的多模态传感器融合框架,MetroLoc,对最极端的情况之一,大规模的地铁车辆定位和地图。MetroLoc构建在以IMU为中心的状态估计器之上,该状态估计器将光探测和测距(LiDAR),视觉和惯性信息紧密耦合,并具有松耦合方法的便利性。该框架由三个子模块组成:IMU里程计、LiDAR惯性里程计(LIO)和视觉惯性里程计(VIO)。惯性测量单元作为主传感器,利用LIO和VIO的观测值约束加速度计和陀螺仪的偏差。与以前的点LIO方法相比,我们的方法通过将线和平面特征引入运动估计来利用更多的几何信息。VIO还通过采用线和点来利用环境结构信息。我们提出的方法已被广泛测试,在长期的地铁环境与维护车辆。实验结果表明,该系统具有更高的准确性和鲁棒性比国家的最先进的方法与实时性能。此外,我们还开发了一系列虚拟现实(VR)应用程序,以实现高效、经济和交互式的轨道车辆状态和轨道旁基础设施监控,并已部署到室外测试铁路。
2021-11-01 cs.RO
PEOPLEx: PEdestrian Opportunistic Positioning LEveraging IMU, UWB, BLE and WiFi
Samsung Electronics, Canada(三星电子加拿大分公司)
本文提出PEOPLEx框架,以IMU惯性导航为主干,机会性融合UWB、BLE和WiFi信号,通过非线性因子图优化及自适应缩放和回环闭合因子,实现无需环境先验知识的实时室内行人定位。
2023-11-30 cs.RO
EKF-Based Fusion of Wi-Fi/LiDAR/IMU for Indoor Localization and Navigation
School of Advanced Technology, Xi'an Jiaotong-Liverpool University(西安交通大学利物浦大学先进技术学院);Department of Electrical Engineering and Electronics, University of Liverpool(利物浦大学电子工程系);Zhejiang University of Technology(浙江工业大学);School of Artificial Intelligence, Suzhou Vocational Institute of Industrial Technology(苏州工业职业技术学院人工智能学院)
提出一种基于EKF融合Wi-Fi RSSI指纹、LiDAR SLAM与IMU的室内定位导航框架,实验证明其可抑制噪声与漂移,显著提升多路径场景下的定位精度与稳定性。
2025-09-27 cs.LG cs.NI 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
An Inertial Sequence Learning Framework for Vehicle Speed Estimation via Smartphone IMU
本文提出一种基于智能手机IMU的惯性序列学习框架,利用噪声补偿与姿态估计网络,结合数据增强和新型损失函数,实现高精度车辆速度估计。
2025-05-24 cs.RO
Equivariant IMU Preintegration with Biases: a Galilean Group Approach
Control of Networked Systems Group, University of Klagenfurt(克雷根福尔特大学网络化系统控制组);System Theory and Robotics Lab, Australian National University(澳大利亚国立大学系统理论与机器人实验室)
本文提出一种基于伽利略群切群左平凡化的等变IMU预积分方法,通过几何耦合导航状态与偏置来降低线性化误差并提升一致性,并在仿真和真实数据中验证了其优于现有方法。
2025-08-21 cs.RO
Multi-Mobile Robot Localization and Navigation based on Visible Light Positioning
South China University of Technology(华南理工大学)
我们展示了基于可见光定位(VLP)定位的多移动机器人导航。实验结果表明,该方法能够准确地定位机器人的位置。
2022-11-01 cs.RO
RINS-W: Robust Inertial Navigation System on Wheels
MINES ParisTech(巴黎高等矿业学院);PSL Research University(巴黎文理研究大学);Safran Tech(赛峰科技)
提出了一种基于惯性测量单元(IMU)的轮式机器人自定位长期惯性导航的实时方法。该方法建立在两个组件上:1)鲁棒检测器,其使用递归深度神经网络来动态地检测各种感兴趣的情况,诸如零速度或无横向滑动;以及2)最先进的卡尔曼滤波器,其将该知识合并为用于定位的伪测量。对一个公开的汽车数据集的评估表明,所提出的方案可以实现20米的最终精度为21公里长的轨迹的车辆驾驶超过一个小时,配备了一个中等精度的惯性测量单元(陀螺仪漂移率为10度/小时)。据我们所知,这是第一篇将复杂的深度学习技术与轮式车辆纯惯性导航的最新滤波方法相结合的论文,因此开辟了新的数据驱动惯性导航技术。此外,虽然泰勒仅基于IMU的定位,我们的方法可以被用来作为一个组件的轮式机器人配备了一个更完整的传感器套件的自定位。
2020-02-28 cs.RO
Continuous Planning for Inertial-Aided Systems
University of Technology Sydney(悉尼科技大学);UTS Robotics Institute(悉尼科技大学机器人研究所)
惯性辅助系统需要连续的运动激励以及其他原因来表征测量偏差,这将实现定位框架所需的精确积分。本文提出了使用信息的路径规划,以找到最佳的轨迹,最大限度地减少不确定性的IMU偏差和自适应轨迹的方法,以指导规划者对轨迹,帮助收敛。关键的贡献是一种新的回归方法,高斯过程(GP)的基础上,从RRT * 规划算法的一个变种,以加强连续性和可区分的航点之间。我们采用线性算子应用到GP核函数来推断不仅连续的位置轨迹,而且速度和加速度。线性泛函的使用使得能够将由IMU测量给出的速度和加速度约束施加在位置GP模型上。仿真和实际实验结果表明,在状态估计框架中,规划IMU偏差收敛有助于最小化定位误差。
2022-09-12 cs.RO
AoI-FusionNet: Age-Aware Tightly Coupled Fusion of UWB-IMU under Sparse Ranging Conditions
本文提出AoI-FusionNet,通过直接融合UWB测距与IMU数据实现三维轨迹估计,采用年龄信息衰减模块和自适应注意力机制提升定位精度,通过数据增强策略提升模型鲁棒性。
2026-03-13 cs.RO eess.SP
UMLoc: Uncertainty-Aware Map-Constrained Inertial Localization with Quantified Bounds
Electrical and Computer Engineering Department, King Abdullah University of Science and Technology (KAUST)(电气与计算机工程系,卡斯特大学(KAUST))
UMLoc 通过联合建模 IMU 不确定性和地图约束,实现抗漂移的惯性定位,提升室内定位精度与可靠性。
2026-01-10 cs.LG cs.RO
Reliable Monte Carlo Localization for Mobile Robots
Nagoya University(名古屋大学);LOCT Co., Ltd.(LOCT株式会社)
可靠性是实现全自主机器人系统安全保障的关键因素。在本文中,我们专注于移动机器人定位的可靠性。蒙特卡罗定位(MCL)被广泛应用于移动机器人定位。然而,由于没有确定MCL估计的可靠性的方法,因此仍然难以保证其安全性。本文提出了一种新的定位框架,使鲁棒定位,可靠性估计,快速重新定位,同时。所提出的方法可以使用与MCL类似的估计方式来实现。该方法可以增加定位鲁棒性的环境变化,估计已知和未知的障碍物,同时进行定位,但是,定位失败的过程中发生的意外错误。该方法还包括一个可靠性估计功能,使我们能够知道定位是否失败。此外,该方法可以通过重要性采样无缝地集成全局定位方法。因此,可以实现故障的快速重新定位,同时减轻全局定位的噪声影响。通过三种类型的实验,我们表明,可靠的MCL,执行强大的定位,自我故障检测,并快速故障恢复可以实现。
2022-12-16 cs.RO
Wave-Robust Passive AUV Localization Using FP-MUSIC
IT University of Copenhagen(哥本哈根信息技术大学)
针对无预部署应答器的被动AUV定位,提出基于IMU去扭曲的FP-MUSIC算法,在波浪扰动下显著降低定位误差,并将中等海况下2米信标分离精度从45%提升至75%。
2026-09-24 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
A Biologically Inspired Global Localization System for Mobile Robots Using LiDAR Sensor
Technical University of Munich(慕尼黑工业大学);Sun Yat-sen University(中山大学)
环境中的定位是动物和移动机器人的基本导航能力。在室内环境中,全局定位问题仍然具有挑战性,可以完美地解决概率方法。然而,动物能够本能地定位自己少得多的努力。因此,从动物身上寻找生物学的灵感是一件耐人寻味、大有可为的事情。在本文中,我们提出了一个生物启发的全球定位系统,使用激光雷达传感器,利用海马模型和基于地标的重新定位方法。实验结果表明,该方法与蒙特卡罗定位方法相比具有较强的竞争力,在不同的定位场景下,具有较高的准确性、适用性和可靠性。
2021-09-27 cs.RO
Set-theoretic Localization for Mobile Robots with Infrastructure-based Sensing
The University of Michigan - Ann Arbor(密歇根大学安娜堡分校)
在本文中,我们介绍了一种基于基础设施的传感移动机器人定位的集合论方法。所提出的方法在传感器和机器人运动模型的已知噪声界限的假设下,计算超出机器人身体和方向界限的集合。我们建立理论属性和计算方法,这套理论定位方法,并说明其应用程序的自动代客泊车的例子在模拟和全向机器人定位问题在现实世界中的实验。我们证明了集理论定位方法可以执行强大的不确定性集初始化和传感器噪声相比,FastSLAM。
2022-08-27 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
Robust Model-Aided Inertial Localization for Autonomous Underwater Vehicles
German Research Center for Artificial Intelligence(德国人工智能研究中心)
本文提出了一种基于流形的无迹卡尔曼滤波器,它采用了一种新的策略,惯性,模型辅助和声学多普勒海流剖面仪(ADCP)测量合并。该滤波器能够观测和利用地球自转进行战术级IMU的航向估计,并在DVL退出期间利用来自车辆模型的信息。阻力和推力模型辅助通过将它们作为滤波器中的状态应用于飞行器模型参数误差的相关性质。ADCP辅助在DVL底锁丢失的情况下为模型辅助提供进一步的信息。此外,这项工作是使用MTK和ROCK框架在C++中实现的,并且能够在FlatFish AUV上实时运行。在导航滤波器中,以完全耦合的方法估计IMU偏差。航向收敛显示在一个现实世界的数据集。进一步的实验表明,过滤器是能够一致的定位,和数据拒绝验证DVL辍学的方法,由于非常低或高海拔的情况。
2018-11-27 cs.RO
Magnetic-Assisted Initialization for Infrastructure-free Mobile Robot Localization
Nanyang Technological University(南洋理工大学)
大多数现有的移动机器人定位解决方案要么严重依赖于预先安装的基础设施,要么难以在高度重复的环境中工作,这些环境没有足够的独特功能。为了解决这个问题,我们提出了一种磁辅助初始化方法,提高了重复的无特征环境中的无基础设施的移动机器人定位的性能。该系统采用由粗到精的结构,主要由磁场匹配和激光扫描匹配两部分组成。首先,插值磁场地图建立和移动机器人的初始位姿的部分确定的k-近邻(k-NN)算法。其次,融合先验初始位姿信息,通过激光扫描匹配对机器人进行更精确、更高效的定位。在我们的实验中,移动机器人被成功地定位在一个没有特征的矩形走廊与88%的成功率和平均正确定位时间为6.6秒。
2019-11-21 cs.RO
MOTLEE: Distributed Mobile Multi-Object Tracking with Localization Error Elimination
Massachusetts Institute of Technology(麻省理工学院)
本文提出分布式移动多目标跟踪算法 MOTLEE,基于 Kalman-Consensus 滤波器并融合坐标系对齐不确定性,以消除定位误差影响;三机器人跟踪四人的硬件实验验证了其准确性与韧性。
2023-09-28 cs.RO
Autonomous Localization and Mapping Using a Single Mobile Device
本文考虑了同时进行2-D房间形状重建和自定位的问题,而不需要任何预先建立的基础设施。一个移动终端配备有协同定位的麦克风和扬声器以及内部运动传感器,用于发射声脉冲并收集由墙壁反射的回声。当使用运动传感器获得辅助信息时,仅使用一阶回波,房间形状恢复和自定位是可行的。特别地,确定了使用在三个测量位置处收集的回波和连续测量点之间的两个距离,只要三个测量点不共线,就可以实现唯一的定位和映射。提出了在噪声和高阶回波存在下的房间形状重建和自定位的实用算法,并结合实验结果证明了所提出方法的有效性。
2016-12-17 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
TRGS-SLAM: IMU-Aided Gaussian Splatting SLAM for Blurry, Rolling Shutter, and Noisy Thermal Images
University of Michigan(密歇根大学)
本文提出TRGS-SLAM,一种基于3DGS的热惯性SLAM系统,能处理热图像中的模糊、滚动快门和噪声问题,通过改进的3DGS渲染方法和创新技术实现高精度跟踪。
2026-03-20 cs.RO
Mobile Robot Localization: a Modular, Odometry-Improving Approach
Politecnico di Milano(米兰理工大学)
本文提出一种模块化机器人定位架构,通过融合滤波器估计模型不确定性来改进里程计,在绝对位姿测量丢失时将位置误差降低90%以上。
2024-03-20 cs.RO
Portable Multi-Hypothesis Monte Carlo Localization for Mobile Robots
Rey Juan Carlos University(胡安·卡洛斯国王大学);Universidad de León(莱昂大学)
自定位是移动机器人导航系统的一项基本功能,它可以利用地图从一个点移动到另一个点。因此,定位精度的任何增强对于执行精细的灵巧性任务至关重要。本文介绍了一种新的位置,保持几个种群的粒子使用蒙特卡罗定位(MCL)算法,总是选择最好的一个作为系统的输出。作为创新,我们的工作包括一个多尺度匹配匹配算法,以创建新的MCL人口和一个指标,以确定最可靠的。它也有助于国家的最先进的实现,提高恢复时间从错误的估计或未知的初始位置。该方法在与Nav2完全集成的模块中在ROS2中进行了评估,并与当前最先进的自适应ACML解决方案进行了比较,获得了良好的精度和恢复时间。
2022-09-15 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
Terrain Inclination Aided Three Dimensional Localization and Mapping for an Outdoor Mobile Robot
Harbin Institute of Technology Shenzhen Graduate School(哈尔滨工业大学深圳研究生院);University of Utah(犹他大学)
本文提出了一种新的三维定位和地图绘制技术与地形倾斜辅助允许机器人识别其位置,并建立一个全球地图在室外环境。将迭代最近点定位算法与基于地形倾角的定位算法相结合,实现了精确快速的定位和地图绘制。机器人导航的地形的倾斜度用于在两次激光扫描之间的间隔期间实现局部定位。使用上述定位的结果作为初始条件,然后应用ICP算法来对准重叠的激光扫描地图,以更新悬垂障碍物,用于构建周围区域的全局地图。进行了全面的实验验证所提出的三维定位和映射技术。实验结果表明,该方法可以减少时间消耗,提高性能的准确性。
2019-05-03 cs.RO
Development of an indoor localization and navigation system based on monocular SLAM for mobile robots
Bộ môn Kỹ thuật Robot, Khoa Điện tử - Viễn Thông Trường Đại học Công Nghệ - Đại học Quốc gia Hà Nội(河内国家大学科技大学电子与通信工程学院机器人技术系)
本文提出一种基于单目SLAM的差速驱动机器人室内定位与导航系统,利用ORB_SLAM3提取特征提供位姿,结合A*和DWA进行路径规划,并在Gazebo中验证了其有效性。
2024-11-08 cs.RO
MIMC-VINS: A Versatile and Resilient Multi-IMU Multi-Camera Visual-Inertial Navigation System
University of Delaware(特拉华大学)
随着相机和惯性传感器在移动设备和机器人中变得无处不在,设计用于高效通用3D运动跟踪的视觉惯性导航系统(VINS)具有很大的潜力,其利用任何(多个)可用相机和惯性测量单元(IMU)并且对传感器故障或测量耗尽具有弹性。为此,而不是标准的VINS范例使用一个最小的传感套件的一个摄像头和IMU,在本文中,我们设计了一个实时一致的多IMU多摄像头(MIMC)-VINS估计器,能够无缝融合多模态信息从任意数量的未校准的摄像头和IMU。在一个有效的多状态约束卡尔曼滤波器(MSCKF)的框架内,建议MIMC-VINS算法最佳融合所有传感器的异步测量,同时提供平滑,不间断,准确的三维运动跟踪,即使一些传感器失败。所提出的MIMC-VINS的关键思想是执行高阶流形上状态插值,以有效地处理所有可用的视觉测量,而不增加由于估计额外的传感器的姿态在异步成像时间的计算负担。为了融合来自多个IMU的信息,我们传播一个由所有IMU状态组成的联合系统,同时在滤波器更新阶段强制执行IMU之间的刚体约束。最后,我们在线估计时空的外在和视觉的内在参数,使我们的系统在以前的传感器校准的错误鲁棒性。所提出的系统在蒙特卡洛模拟和真实世界的实验中得到了广泛的验证。
2020-06-28 cs.CV cs.RO
Multi-Robot Relative Pose Estimation and IMU Preintegration Using Passive UWB Transceivers
McGill University(麦吉尔大学);Polytechnique Montreal(蒙特利尔理工学院)
本文提出一种无层级限制的无源UWB测距协议,使机器人可被动监听并广播预积分IMU测量,结合SE2(3)上的EKF实现多机器人同时时钟同步与相对位姿估计,实验显示定位精度最高提升48%。
2024-10-03 cs.RO eess.SP
Collaborative Localization of Aerial and Ground Mobile Robots through Orthomosaic Map
Zhejiang University(浙江大学)
随着对SLAM系统研究的不断深入,提出了多机器人协同SLAM的可能性。提出了一种基于空地协同SLAM的地图匹配与定位方法。所提出的方法旨在帮助精确匹配由两个独立系统构建的地图,这些系统具有相同路线的大规模视点差异,并最终使地面移动机器人能够在无人机给出的全球地图中定位自己。它包括使用Elevation Map和Metashape软件进行密集映射,使用建议的模板匹配算法进行地图匹配,加权归一化互相关(WNCC)和使用粒子滤波器进行定位。该方法使地图匹配的合作SLAM与多个场景传感器的可行性,从立体相机激光雷达,是不敏感的两个系统的同步。我们证明的准确性,鲁棒性和速度的方法下的实验的航空地面数据集。
2020-12-04 cs.RO
Redundant and Loosely Coupled LiDAR-Wi-Fi Integration for Robust Global Localization in Autonomous Mobile Robotics
Luleå University of Technology(吕勒奥理工大学);University of Parma(帕尔马大学)
本文提出一种冗余且松耦合的LiDAR与Wi-Fi融合框架,利用两种传感器独立预测并评估置信度,以提升自主移动机器人在复杂环境中的全局定位鲁棒性与准确性。
2023-10-10 cs.RO
Mobile Manipulator for Autonomous Localization, Grasping and Precise Placement of Construction Material in a Semi-structured Environment
Czech Technical University in Prague(布拉格捷克理工大学);New York University(纽约大学);University of Pennsylvania(宾夕法尼亚大学)
移动机械手有可能彻底改变现代农业,物流和制造业。在这项工作中,我们提出了一个基于地面的移动机械手的自动化结构装配的设计。该系统能够在半结构化环境中自主定位、抓取、运输和部署建筑材料。特别努力使系统对照明变化保持不变,并且不依赖于外部定位系统。因此,所提出的系统是独立的,并且能够在室外和室内条件下操作。最后,我们提出的方法来扩大感知半径的车辆使用它与一个自主的无人机,提供空中侦察合作。所提出的系统的性能进行了评估,在现实世界的条件下进行了一系列的实验。
2020-11-16 cs.RO
An algorithm for real-time restructuring of a ranging-based localization network
University of California, Berkeley(加州大学伯克利分校)
本文提出了一种方法,以提高定位精度的机器人工作在基于范围的定位网络。该方法是有利的,特别是当机器人在恶劣的环境中操作时,在恶劣的环境中,对鲁棒性和可靠的定位系统的访问是有限的。状态估计器用于使用惯性传感器以及超宽带(UWB)距离测量传感器的六个自由度的对象。该估计器被纳入到一个自适应算法,通过使用移动UWB测距传感器,其中移动锚移动,以提高定位质量的代理的定位质量。该算法实时的【形】重构定位网络,使协方差矩阵的行列式在最小二乘误差意义下最小。最后,在一个由一个移动和四个固定锚点组成的网络中对该算法进行了实验验证。
2018-04-25 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