Observability, Identifiability and Sensitivity of Vision-Aided Navigation
UCLA（加州大学洛杉矶分校）
我们分析了视觉和惯性传感器融合的运动估计的可观测性。由于模型包含未知参数，如传感器偏差，问题通常是铸造作为一个混合的识别/过滤，并由此产生的可观性分析提供了一个必要条件，任何算法收敛到一个唯一的点估计。不幸的是，大多数模型将传感器偏置率视为噪声，独立于包括偏置本身在内的其他状态，这一假设在实践中显然是违反的。当这个假设被取消时，所得到的模型是不可观测的，因此过去的分析不能用来得出结论，即与测量无法区分的状态集是单例。换句话说，所得到的模型是不可观察的。因此，我们将分析重新转换为灵敏度分析：而不是试图证明不可区分的集合是一个单元素，这不是事实，我们推导出其体积的界限，作为输入特性及其充分激发的函数。这提供了可用于分析和验证目的的不可区分集合的明确表征。
2015-04-26 cs.RO
MAINS: A Magnetic Field Aided Inertial Navigation System for Indoor Positioning
Linköping University（林雪平大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔理工学院）；University Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Uppsala University（乌普萨拉大学）；Swedish Defence Research Agency (FOI)（瑞典国防研究局）
本文提出MAINS，利用磁力计阵列测量磁场空间变化以辅助惯性导航系统，实现定位误差数量级降低，并支持灵活配置以解决现有磁场SLAM探索长度受限的挑战。
2024-04-23 cs.RO eess.SP
ZUPT Aided GNSS Factor Graph with Inertial Navigation Integration for Wheeled Robots
West Virginia University（西弗吉尼亚大学）；The Johns Hopkins University Applied Physics Laboratory（约翰斯·霍普金斯大学应用物理实验室）
在这项工作中，我们证明了零速度信息的全球导航卫星系统（GNSS）为基础的导航的重要性。利用零速度信息和零速度修正（ZUPT）进行惯性导航的有效性已在文献中得到证明。在这里，我们利用这些信息并将其作为GNSS因子图中的位置约束添加。我们还比较其性能的GNSS/惯性导航系统（INS）耦合因子图。我们在三个数据集上测试了我们的ZUPT辅助因子图方法，并将其与仅有GNSS的因子图进行了比较。
2021-12-14 cs.RO
LION: Lidar-Inertial Observability-Aware Navigator for Vision-Denied Environments
Massachusetts Institute of Technology（麻省理工学院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
在GPS拒绝和感知退化的环境中导航的机器人的状态估计，例如地下隧道、矿井和行星地下空隙，在机器人技术中仍然具有挑战性。为了实现这一目标，我们提出了LION（激光雷达惯性观测感知导航仪），这是CoSTAR团队为DARPA地下挑战赛开发的状态估计框架的一部分，该团队分别于2019年8月和2020年2月在隧道和城市电路中获得第二名和第一名。LION通过融合来自IMU的高频惯性数据和来自激光雷达的低速率相对姿态估计，通过固定滞后滑动窗口平滑器提供高速率里程估计。LION不需要知道激光雷达和IMU之间的相对定位，因为外部校准是在线估计的。此外，LION能够使用可观测性度量来自我评估其性能，该度量评估姿态估计是否几何病态约束。HeRO使用里程计和置信度估计，这是一种监督算法，通过在不同里程计源之间切换来提供稳健的估计。在本文中，我们基准性能的狮子在感知退化的地下环境中，展示了其高技术准备水平，在现场部署。
2021-02-05 cs.RO
Range-Aided LiDAR-Inertial Multi-Vehicle Mapping in Degenerate Environment
Beijing Institute of Technology（北京理工大学）
提出了一种测距辅助的激光雷达-惯性多车测绘系统（RaLI-Multi）。首先，我们设计了一个多度量权重的激光雷达-惯性测距融合的观察从惯性测量单元（IMU）和光探测和测距传感器（LiDAR）。退化水平和方向通过分析特征点云的法向量的分布来评估，并且用于激活退化校正模块，其中距离测量从退化方向校正姿态估计。然后，我们设计了一个多车辆映射系统，其中一个集中的车辆接收每个车辆的本地地图和车辆之间的距离测量，以优化全局姿态图。全球地图被广播到其他车辆用于定位和地图更新，并且集中式车辆是动态可替换的。最后，我们提供了三个实验来验证所提出的RaLI-Multi的有效性。结果表明，该算法在退化环境中具有较好的性能
2023-03-15 cs.RO
Observability-aware Self-Calibration of Visual and Inertial Sensors for Ego-Motion Estimation
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）；Alibaba Group（阿里巴巴集团）
冲击和温度变化等外部效应会影响视觉惯性传感器系统的校准，因此它们不能完全依赖于工厂校准。在短的用户收集的数据集上执行的重新校准可能会产生较差的性能，因为某些参数的可观测性高度依赖于运动。此外，在资源受限的系统（例如移动电话）上，长时间会话的全批处理方法很快变得昂贵得令人望而却步。在本文中，我们通过引入信息理论度量来评估轨迹段的信息内容，从而允许从数据集中选择最具信息量的部分用于校准目的，从而接近自校准问题。通过这种方法，我们能够构建紧凑的校准数据集：（a）通过从具有有限激励运动的长会话中选择片段，或者（b）从单个会话不一定充分激励所有模式的多个短会话中选择片段。在四个不同的环境中的真实世界的实验表明，所提出的方法实现了相当的性能，批量校准方法，然而，在一个恒定的计算复杂性，这是独立的会话的持续时间。
2019-01-22 cs.RO
RaD-VIO: Rangefinder-aided Downward Visual-Inertial Odometry
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
最先进的前向单目视觉惯性里程计算法在实践中通常是脆弱的，特别是在处理初始化和运动的方向，使状态不可观察。在这种情况下，具有可靠的互补里程算法能够实现鲁棒和弹性飞行。使用共同的局部平面性假设，我们提出了一个快速，密集，直接的帧到帧的视觉惯性测距算法，面向下的相机，最小化的联合成本函数，涉及基于单应性的光度成本和IMU正则化项。通过广泛的评估，在各种情况下，我们表现出优越的性能比现有的国家的最先进的面向下的里程计算法的微型飞行器（MAVs）。
2019-05-14 cs.RO
The Unified Mathematical Framework for IMU Preintegration in Inertial-Aided Navigation System
Wuhan University（武汉大学）
针对惯性辅助导航系统中惯性测量单元（IMU）在不同运动条件下的不同坐标系下的预积分问题，提出了一种统一的数学框架。导航状态被精确地离散为三个部分：局部增量、全局状态和全局增量。全球增量可以在不同的坐标系下计算，如局部导航坐标系和地心地固坐标系。根据智能体的运动和惯性测量单元的梯度，在不同的假设条件下计算出局部增量，称为惯性测量单元预积分。从而为惯性组合导航系统在不同环境下的在线状态估计提供了更准确、更方便的方法。首次提出了基于左扰动的协方差传播方法，该方法不依赖于陀螺仪和加速度计的输入。最后，我们证明了行列式最优性准则和Rényi熵最优性准则的不确定性的单调性。
2022-08-14 cs.RO
Modeling, Observability, and Inertial Parameter Estimation of a Planar Multi-Link System with Thrusters
Department of Aeronautics and Astronautics, University of Washington（航空航天工程系，华盛顿大学）
本研究为带推进器的自由漂浮多连杆系统建立模型，证明其姿态与惯性参数在特定条件下局部可观测，并通过三连杆仿真验证了理论结果。
2025-09-05 cs.RO cs.SY eess.SY
Observability and Consistency Analysis for Visual-Inertial Navigation with Anchored Feature Parameterizations
Department of Mechanical Engineering, McGill University（麦吉尔大学机械工程系）
分析基于滤波的视觉惯性导航系统（VINS）使用锚定特征表示时的可观性与一致性，证明其不可观子空间独立于估计的地标状态，从而改善一致性，但仍依赖导航状态，需额外一致性增强技术。
2026-06-18 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
Bidirectional Trajectory Computation for Odometer-Aided Visual-Inertial SLAM
National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所模式识别国家重点实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
里程计辅助的视觉惯性SLAM系统通常具有良好的轮式平台导航性能，但它们通常在第一次转弯之前遭受退化情况。在本文中，我们首先进行可观测性分析w.r.t.第一次转向前的外参数，这是对现有可观测性分析结果的补充。其次，受上述可观测性分析的启发，我们提出了一种双向轨迹计算方法，通过该方法，在向后计算线程中细化第一次转弯之前的位姿，并相应地调整实时轨迹。实验结果表明，该方法不仅解决了加速度计偏差和外参数在第一次转弯前的不可观测性问题，而且与现有方法相比，可以得到更精确的轨迹。
2021-02-20 cs.RO
On the Identifiability of Aided Inertial Navigation Under Measurement Delays: A Geometric Approach
针对辅助惯性导航中未知恒定时间延迟问题，采用几何分析揭示了退化轨迹导致延迟与状态不可辨识的连续对称性。
2026-08-06 cs.RO
Observability of the relative motion from inertial data in kinematic chains
Delft University of Technology（代尔夫特理工大学）；Technische Universität Berlin（柏林工业大学）；KU Leuven（鲁汶大学）
运动链的实时运动跟踪是控制的关键先决条件，机器人致动器和自主车辆，并且还具有许多生物力学应用。近年来，已经表明，通过将惯性传感器放置在由旋转关节连接的节段上，可以精确地跟踪该运动链的运动。这些方法特别避免使用磁力计测量，已知磁力计测量是不可靠的，因为不同传感器位置处的磁场通常不同。它们依赖于这样的假设，即运动链的运动足够丰富，以确保相对姿态的可观测性。然而，这一关键要求的正式调查尚未提出，并没有具体的可观测性条件迄今为止。在这项工作中，我们提出了一个可观测性分析，并表明，身体部分的相对姿态确实是可观测的运动在一个非常温和的条件下。我们支持我们的结果，通过模拟研究，其中我们采用的状态估计器，既不使用磁力计测量，也不使用额外的传感器，并不施加假设的加速度计测量重力的方向，也不对关节的运动范围或自由度。我们调查的数量的激励和平稳期的数据上的估计的准确性的效果。然后，我们使用实验数据从两个机械关节，以及从人体步态实验，以验证在实践中的可观测性标准，并表明，小的激励水平是足够的，即使在存在的时间段内，在此期间的运动是不可观测的，以获得准确的估计。
2022-06-06 cs.RO cs.SY eess.SP
Range-Visual-Inertial Odometry: Scale Observability Without Excitation
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
对于大多数机器人应用来说，以恒定速度行进是最有效的轨迹。不幸的是，没有加速度计激励，单目视觉惯性里程计（VIO）不能观察规模和遭受严重的误差漂移。这是将一维激光测距仪纳入美国宇航局的Inconvenity火星直升机导航系统的主要动机。然而，Incidity的简化方法仅限于平坦地形。提出了一种基于面约束的距离测量更新模型。由此产生的范围VIO方法不再限于平面场景，而是扩展到任何通用机器人应用程序的任意结构。一个重要的理论结果表明，尺度不再是零或常加速度运动的可观性矩阵的右零空间。实际上，这意味着在匀速运动下，尺度变得可观察，这使得在任意地形上进行简单而强大的自主操作成为可能。由于测距仪占用空间小，因此range-VIO保留了VIO的最小尺寸、重量和功率属性，并具有类似的运行时间。的好处进行评估的真实飞行数据代表常见的空中机器人方案。使用室内应力数据和全状态地面实况证明了鲁棒性。我们发布了我们的软件框架，称为xVIO，作为开源。
2021-03-28 cs.RO
Long-Term Inertial Navigation Aided by Dynamics of Flow Field Features
University of Florida（佛罗里达大学）
提出了一种水流辅助惯性导航框架，用于小型自主水下航行器在长时间作业（> 1小时）时，既不能频繁浮出水面，也不能持续跟踪底部。我们通过中等深度的水下航行来实例化这个概念。该策略通过将本地环境流速的估计值与预先加载的海流图进行比较，减轻了传统惯性导航系统的航位推算不确定性。建议的导航系统是通过一个边缘化的粒子滤波器，车辆的状态顺序跟踪传感器的偏见和当地的湍流，一般的流量预测没有解决。所提出的方法的性能首先分析通过Monte Carlo模拟在两个人工背景流场，类似于现实世界的海洋环流模式，叠加小尺度，湍流分量与Kolmogorov能谱。电流辅助导航方案显着提高了航位推算性能的车辆，即使在未解决的，小规模的流扰动存在。对于一个6小时的导航与汽车级惯性导航系统，目前的辅助导航方案的结果在定位估计与3%以下的不确定性，每行驶距离（UDT）在湍流，双环流流场，并在7.3%UDT在湍流，蜿蜒的射流流场。进一步的评估与现场测试数据和实际的海洋模拟分析表明，一致的性能为6小时的任务，定位结果与25%的UDT为24小时的导航时，提供直接航向测量，和终端定位估计与16%的UDT的成本增加的不确定性在早期阶段的导航。
2017-10-13 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
Wheel-Mounted/GNSS Fusion with AI-Aided Position Updates
Autonomous Navigation and Sensor Fusion Lab（自主导航与传感器融合实验室）；Hatter Department of Marine Technologies（海洋技术系）；Charney School of Marine Sciences（海洋科学学院）；University of Haifa（海法大学）
提出一种混合神经惯性导航框架，结合轮式惯性传感器、强制周期轨迹和神经网络，通过误差状态扩展卡尔曼滤波融合GNSS位置更新，实现定位精度提升约46%。
2026-06-02 cs.RO
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
Robust 4D Radar-aided Inertial Navigation for Aerial Vehicles
Meituan UAV（美团无人机）；University of Delaware（特拉华大学）
针对无人机常用传感器在复杂环境失效的问题，提出基于ESKF的4D雷达-惯性紧耦合导航方法，结合点到分布扫描匹配与关键帧先验地图匹配，经实验验证精度和鲁棒性优于现有方法。
2025-02-21 cs.RO
Laser map aided visual inertial localization in changing environment
Zhejiang University（浙江大学）
户外环境下的长时间视觉定位是一个具有挑战性的问题，尤其是面临跨季节、双向的任务和不断变化的环境。在本文中，我们提出了一种新的视觉惯性定位框架，定位对激光雷达构建的地图。基于激光地图的几何信息，提出了一种混合光束法平差框架，该框架估计相机相对于先验激光地图的位姿，同时优化在线视觉惯性测距系统的状态变量。为了更准确的跨模态数据关联，使用多会话激光和视觉数据来优化激光地图，以提取用于定位的显著且稳定的子集。为了验证所提出的方法的效率，我们收集了数据在我们的校园南部在不同的季节，沿同向和反方向的路线。在所有的定位数据中，我们提出的方法都给出了令人满意的结果，显示了混合光束法平差和地图优化的优越性。
2018-03-03 cs.RO
AirIO: Learning Inertial Odometry with Enhanced IMU Feature Observability
Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学）
针对现有基于学习的惯性里程计难以泛化到无人机高动态飞行场景的问题，提出AirIO方法，通过保留IMU机体坐标系表示、显式编码姿态信息，结合AirIMU校正模型与不确定性感知EKF，显著提升了无人机状态估计精度与泛化性。
2025-06-16 cs.CV cs.LG cs.RO
Doppler-SLAM: Doppler-Aided Radar-Inertial and LiDAR-Inertial Simultaneous Localization and Mapping
Julius-Maximilians-Universität Würzburg（乌尔姆-马克斯-普朗克大学）；Zentrum für Telematik e.V.（电信研究中心）；Nuremberg Institute of Technology Georg Simon Ohm（纽伦堡技术学院 Georg Simon Ohm）；CARIAD SE（CARIAD SE公司）；University of Bonn（波恩大学）；Center for Robotics（机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（Lamarr机器学习与人工智能研究所）
Doppler-SLAM通过融合多普勒雷达、激光雷达和惯性传感器，提升在复杂环境下的定位与建图精度和鲁棒性。
2026-02-04 cs.RO
Observability Analysis and Keyframe-Based Filtering for Visual Inertial Odometry with Full Self-Calibration
Wuhan University（武汉大学）；Wuhan Institute of Quantum Technology（武汉量子技术研究院）；ETH Zürich（苏黎世联邦理工学院）；The Ohio State University（俄亥俄州立大学）
摄像机-惯性测量单元（IMU）传感器融合是近几十年来研究的热点。许多可观性分析和融合方案的运动估计与自校准已经提出。然而，它一直是不确定的相机和惯性测量单元的内部参数是否是可观察的一般运动。为了回答这个问题，通过使用李导数，我们首先证明，对于卷帘快门（RS）相机IMU系统，所有的内在和外在参数，相机的时间偏移，和RS相机的读出时间，是可观察的一个未知的地标。据我们所知，我们是第一个提出这种证明的。接下来，为了验证这种分析并解决静止期间无结构滤波器的漂移问题，我们开发了一种基于关键帧的滑动窗口滤波器（Kestra）用于里程计和自校准，它与单目RS相机或立体RS相机一起工作。虽然关键帧的概念在基于视觉的传感器融合中被广泛使用，但据我们所知，KARDEN是第一个支持自校准的同类产品。我们的模拟和真实数据测试已经验证了，它是可以完全校准的摄像头IMU系统使用不同的运动下的机会地标的观察。实际数据测试证实了先前的典故，即在状态向量中保留地标可以弥补静止时的漂移，并表明基于关键帧的方案是一种替代解决方案。
2022-05-02 cs.RO
IMU Data Processing For Inertial Aided Navigation: A Recurrent Neural Network Based Approach
Alibaba Group（阿里巴巴集团）
在这项工作中，我们提出了一种新的方法来执行惯性辅助导航，通过使用深度神经网络（DNN）。到目前为止，大多数DNN惯性导航方法通过将陀螺仪和加速度计读数作为输入并回归集成IMU姿态（即，位置和方向）。虽然这种设计已经成功地应用在许多应用中，但除非涉及图案化运动，否则它不能保证理论性能。这不可避免地导致在某些用例中的准确性和鲁棒性显著降低。为了解决这个问题，我们设计了一个框架，使用DNN计算可观测的IMU积分项，然后进行数值姿态积分和传感器融合，以实现性能增益。具体而言，我们进行了详细的分析，在IMU运动学方程的运动项，提出了一个专门的网络设计，损失函数，和训练策略的IMU数据处理，并进行了广泛的实验。结果表明，我们的方法是普遍适用的，并优于传统和DNN方法的大幅度。
2021-03-26 cs.CV cs.RO
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
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
EMV-LIO: An Efficient Multiple Vision aided LiDAR-Inertial Odometry
Zhejiang University（浙江大学）；Hangzhou Iplus Technology Co., Ltd（杭州爱加科技有限公司）
本文提出EMV-LIO系统，通过多相机扩展视觉观测并结合距离图像去噪、最近邻搜索条件设置及ikd-Tree替换kd-Tree等优化，在公开与自建数据集上验证了其相比LVI-SAM在精度、鲁棒性和效率上的提升。
2023-08-07 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
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
Ground Plane-Aided Extrinsic Calibration of Inertial and RGB-D Sensors for Uncrewed Aerial Vehicles
University of Calgary（卡尔加里大学）
提出一种无需标定板的方法，利用深度学习地面分割提取深度图像中的地面点，结合法向量与重力向量鲁棒估计IMU与RGB-D相机的外参，性能优于MATLAB工具箱且与Kalibr相当。
2026-07-01 cs.RO
Robust Inertial-aided Underwater Localization based on Imaging Sonar Keyframes
Zhejiang University（浙江大学）；Xi’an Jiaotong University（西安交通大学）
本文重点关注使用2D成像声纳测量的自主水下航行器（AUV）基于特征的水下定位和导航。水下声学特征的稀疏性和声纳图像中仰角的损失可能会引入错误的特征匹配或基于优化的水下定位的特征不足（即欠约束/退化情况）。这促使我们提出了一种新的惯性辅助滑动窗口优化框架，以提高估计精度和鲁棒性的前端离群值。具体地说，我们首先歧视下约束/约束良好的声纳帧和定义声纳关键帧（SKFs）的基础上的雅可比矩阵来自测距和声纳测量。为了最大限度地利用已有的具有良好约束的SKF，我们设计了一种基于奇异值的可调窗口后端优化方案。我们还证明了在2D场景中可以解决声纳运动引起的地标三角测量失败（导航问题）。在公开数据集上的对比仿真和评估表明，该方法在不闭合环路的情况下，在姿态估计和鲁棒性方面优于现有方法，同时也保证了在线应用的实时性。
2022-03-05 cs.RO
Toward Consistent and Efficient Map-based Visual-inertial Localization: Theory Framework and Filter Design
Zhejiang University（浙江大学）；University of Technology Sydney（悉尼科技大学）
针对基于地图的视觉-惯性定位问题，设计了一种一致的、高效的滤波器。首先，我们提出了一个新的李群及其代数，在此基础上设计了一种新的不变扩展卡尔曼滤波器（不变EKF）。我们从理论上证明，当我们不考虑地图信息的不确定性，建议不变EKF可以自然地保持正确的可观性的系统的属性。为了考虑地图信息的不确定性，我们引入了施密特滤波器。利用施密特滤波器，可以考虑地图信息的不确定性以避免过度自信的估计，而计算成本仅随地图关键帧的大小线性增加。此外，我们引入了一个易于实现的可观性约束技术，因为直接结合不变的EKF与施密特滤波器不能保持正确的可观性属性的系统，考虑地图信息的不确定性。最后，我们通过大量的模拟和真实世界的实验验证了我们提出的系统的高一致性，准确性和效率。
2022-04-26 cs.RO
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
Vision-Aided Absolute Trajectory Estimation Using an Unsupervised Deep Network with Online Error Correction
GTS；US Army Research Laboratory（美国陆军研究实验室）
我们提出了一种无监督的深度神经网络方法来融合RGB-D图像与惯性测量，以进行绝对轨迹估计。我们的网络被称为视觉惯性测距学习器（VIOLearner），学习在没有惯性测量单元（IMU）内部参数（对应于陀螺仪和加速度计偏差或白噪声）或IMU和相机之间的外部校准的情况下执行视觉惯性测距（VIO）。该网络学习整合IMU测量值并生成假设轨迹，然后根据缩放图像投影误差相对于像素坐标空间网格的雅可比矩阵在线校正这些假设轨迹。我们评估了我们的网络对国家的最先进的（SOA）视觉惯性里程计，视觉里程计，视觉同时定位与地图构建（VSLAM）的KITTI里程计数据集的方法，并展示了竞争力的里程计性能。
2018-03-08 cs.CV cs.RO
Iterated Invariant EKF for 3D Landmark-Aided Inertial Navigation
Pontifical Catholic University of Rio de Janeiro, Rio de Janeiro, Brazil（里约热内卢天主教大学）；Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia, Genova, Italy（动态腿部系统实验室，意大利理工学院）
针对经典SO(3)-EKF的虚假可观测性问题，提出迭代不变扩展卡尔曼滤波(IterIEKF)用于地标辅助惯性3D定位，通过数值仿真证明其在估计精度和一致性上优于现有方法。
2026-07-13 cs.RO
Local Observability of VINS and LINS
Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）；School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences（中国科学院大学电子电气与通信工程学院）
本文分析VINS和LINS非线性模型的不可观测方向，明确二者不可观测方向一致（全局平移与绕重力矢量的全局旋转），仅所需观测特征点数量不同，并证明了OC-VINS中的一项约束。
2024-04-11 cs.RO cs.SY eess.SY
RAGNAROK: Radar-Aided Gravity-Normalized Alignment for Robust Open Keyframe-based Radar-Visual-Kinematic-Inertial SLAM
Technical University of Munich (TUM)（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）；ETH Zurich（苏黎世联邦理工学院）
针对腿式机器人在非结构化环境中状态估计漂移问题，提出RAGNAROK雷达-视觉-运动学-惯性SLAM，整合多感知模块与校准技术，实验显示其性能优于现有方法。
2026-10-09 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
DVIO: Depth aided visual inertial odometry for RGBD sensors
SOC R&D, Samsung Semiconductor, Inc.（三星半导体公司 SOC 研发部）
在过去的几年中，我们已经观察到RGBD传感器在移动设备中的使用有所增加。这些传感器提供了对相机帧的深度图的良好估计，其可以用于许多增强现实应用中。本文提出了一种新的视觉惯性里程计（VIO）系统，它使用从RGBD传感器和惯性测量单元（IMU）传感器的测量估计的移动终端的运动状态。由此产生的系统被称为深度辅助VIO（DVIO）系统。在这个系统中，我们添加了深度测量作为非线性优化过程的一部分。具体而言，我们提出了使用一维（1D）特征参数化以及三维（3D）特征参数化的深度测量方法。此外，我们建议利用深度测量来估计非同步IMU和RGBD传感器之间的时间偏移。最后，我们提出了一种新的基于块的边缘化方法，以加快边缘化过程，并保持整个系统的实时性能。实验结果验证了所提出的DVIO系统优于其他国家的最先进的VIO系统的轨迹精度以及处理时间。
2021-10-20 cs.CV cs.RO
Fast, On-board, Model-aided Visual-Inertial Odometry System for Quadrotor Micro Aerial Vehicles
University of Technology, Sydney（悉尼科技大学）
本文的主要贡献是一个高频率，低复杂度，四旋翼微型飞行器的机载视觉惯性里程计系统。该系统包括一个扩展卡尔曼滤波器（EKF）的状态估计算法，融合信息从一个低成本的MEMS惯性测量单元获得在200 Hz和VGA分辨率的图像从一个单目相机在50 Hz。在估计算法中采用描述四旋翼运动的动态模型作为第三信息源。通过对图像对之间跟踪的特征实施对极约束，将视觉信息并入EKF中，从而避免了显式估计跟踪的环境特征的位置的需要。结合使用的动态模型和核线约束，使得它有可能获得无漂移的速度和姿态估计的加速度计和陀螺仪的偏差存在。还提供了一种处理四旋翼悬停时出现的不可观测性的策略。从一个50克的嵌入式计算机上的系统的实时实现的实验数据，除了模拟演示所提出的系统的有效性。
2016-07-06 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
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
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
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
TinyCVIO: A Constellation-Aided Visual-Inertial Odometry System for Nanodrones
Cornell University（康奈尔大学）
TinyCVIO通过LED星座辅助和刚性板测量模型，在纳米无人机上实现低延迟高精度视觉惯性里程计，显著降低轨迹误差。
2026-09-28 cs.RO
PGD-VIO: An Accurate Plane-Aided Visual-Inertial Odometry with Graph-Based Drift Suppression
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所多模态人工智能系统国家重点实验室）；Sinopec Shengli Oilfield（中石化胜利油田）
针对视觉惯性里程计漂移问题，提出融合点与平面特征的EKF框架VIO系统，结合基于图的漂移检测策略抑制累积误差，在公开数据集上精度优于现有方法且无需全局优化。
2024-07-25 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
Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer
Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente（特温特大学地理信息科学与地球观测学院（ITC））
本文提出基于RGB和LiDAR的增量语义辅助网格生成方法，通过直接标签转移提升几何重建精度，优于ImMesh和Voxblox，为XR和数字建模提供新路径。
2026-04-10 cs.CV cs.RO
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
Contact-Aided Invariant Extended Kalman Filtering for Legged Robot State Estimation
College of Engineering, University of Michigan（密歇根大学工程学院）
本文利用不变观测器设计理论，推导了一种用于3D双足机器人的接触辅助惯性导航观测器。辅助惯性导航基本上是一个非线性观测器设计问题，因此，目前的解决方案是基于近似的系统动态，如扩展的卡尔曼滤波器（EKF），它使用系统的雅可比线性沿其轨迹的当前最佳估计。Barrau和Bonnabel的不变观测器设计理论的基础上，特别是，不变EKF（InEKF），我们表明，点接触惯性系统的误差动力学遵循对数线性自治微分方程，因此，可观测的状态变量可以呈现收敛域的吸引力是独立的系统的轨迹。由于误差动态的对数线性形式，没有必要执行非线性可观测性分析来表明，当使用惯性测量单元（IMU）和接触传感器时，机器人的绝对位置和绕重力矢量（偏航）的旋转是不可观测的。我们进一步增加了IMU偏差的InEKF的状态，因为这些参数的在线估计对系统性能有着至关重要的影响。我们评估了所提出的系统与常用的四元数为基础的EKF观测器使用蒙特卡洛模拟的收敛性。此外，我们的实验评估使用Cassie系列双足机器人表明，接触辅助InEKF提供了更好的性能相比，基于四元数的EKF作为利用对称性存在于系统动力学的结果。
2018-05-26 cs.RO
Uniform Complete Observability of Mass and Rotational Inertial Parameters in Adaptive Identification of Rigid-Body Plant Dynamics
Johns Hopkins University（约翰斯·霍普金斯大学）
针对受外力和力矩作用的六自由度刚体动力系统二阶非线性模型自适应辨识中质量和惯性参数的可观测性问题，提出了一种新的自适应辨识方法。虽然这类系统的植物参数的AID稳定的方法，以及许多方法来稳定的基于模型的直接自适应跟踪控制的这种系统，已经报道，这些研究一直无法证明分析，自适应参数估计收敛到真实的植物参数值。本文给出了这类系统的稳定自适应辨识器的6自由度对象惯性参数一致完全可观的充分必要条件。当UCO条件满足时，自适应参数估计收敛到真实的植物参数值。据我们所知，这是第一次报告证明这类系统的UCO的植物参数和自适应参数估计的收敛到真正的参数值。我们还报告了这种AID方法的数值模拟研究表明，（a）UCO条件可以满足全驱动植物以及欠驱动植物与控制输入的适当选择和（b）收敛的自适应参数估计的真实参数值。我们推测，这种方法可以扩展到包括其他参数，出现刚体植物模型，包括阻力，浮力，附加质量，偏置和致动器的参数。
2021-12-09 cs.RO cs.SY eess.SY
Online Self-Calibration for Visual-Inertial Navigation Systems: Models, Analysis and Degeneracy
University of Delaware（特拉华大学）；Technical University of Munich（慕尼黑工业大学）
本文深入研究了视觉惯性状态估计的在线自标定问题。特别是，我们首先执行一个完整的可观测性分析的视觉惯性导航系统（VINS）的传感参数，包括IMU和相机的内在和IMU相机的时空外部校准，以及读出时间的滚动快门（RS）相机（如果使用）的完整校准。我们调查不同的惯性模型的变种包含IMU的内在参数，包括最常用的低成本惯性传感器的模型。可观测性分析结果表明，传感器全标定的VINS有4个不可观测方向，分别对应于系统的全局偏航和平移，而在6轴全激励运动下，所有传感器标定参数都是可观测的。此外，我们，第一次，确定原始退化运动的惯性测量单元和相机的内在校准。每个退化运动轮廓将导致一组校准参数不可观察，并且这些退化运动的任何组合仍然是退化的。大量的Monte-Carlo模拟和真实世界的实验进行验证的可观测性分析和识别退化运动，表明在线自校准提高系统的精度和鲁棒性校准不准确。我们将常用IMU的在线自校准与最先进的离线校准工具箱Kalibr进行了比较，并表明所提出的系统实现了更好的一致性和可重复性。基于我们的分析和实验评估，我们还提供了如何执行在线IMU相机传感器自校准的实用指南。
2022-01-29 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
