Deep Learning-based Inertial Odometry for Pedestrian Tracking using Attention Mechanism and Res2Net Module
Tianjin University（天津大学）；Tianjin Institute of Surveying and Mapping Co. Ltd（天津市测绘院有限公司）
行人航位推算是一个具有挑战性的任务，由于低成本的惯性传感器的误差积累。最近的研究表明，深度学习方法可以在处理这个问题方面取得令人印象深刻的性能。在这封信中，我们提出了使用基于深度学习的速度估计方法的惯性里程计。利用基于Res 2Net模块和两个卷积块注意力模块的深度神经网络来恢复水平速度矢量与来自智能手机的原始惯性数据之间的潜在联系。我们的网络仅使用50%的公共惯性里程计数据集（RoNIN）数据进行训练。然后，在RoNIN测试数据集和另一个公共惯性里程数据集（OXIOD）上进行了验证。与传统的基于步长和航向系统的算法相比，该算法的绝对平移误差（ATE）降低了76%-86%。此外，与最先进的深度学习方法（RoNIN）相比，我们的方法将其ATE提高了6%-31.4%。
2022-06-08 cs.RO
Observability Analysis of Visual-Inertial Odometry with Online Calibration of Velocity-Control Based Kinematic Motion Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在本文中，我们分析了视觉惯性里程计（VIO）的可观测性使用立体相机与速度控制为基础的运动学运动模型。以往的工作表明，在一般情况下，全局位置和偏航是不可观测的VIO系统，此外，滚动和俯仰也变得不可观测，如果没有旋转。我们证明，通过整合一个平面的运动约束滚动和俯仰成为可观察的。我们还表明，运动模型的参数是可观察的。
2022-04-13 cs.RO
A Comparison of Robust Kalman Filters for Improving Wheel-Inertial Odometry in Planetary Rovers
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）
本文比较了自适应和鲁棒卡尔曼滤波器算法在低起伏地形上改进车轮惯性里程测量的性能。方法包括经典的自适应和强大的方法，以及变分方法，这是一个轮式漫游车在地形上的实验评估类似的行星探测会遇到什么。与经典自适应滤波器相比，变分滤波器显示出更高的解决方案精度，并且能够处理错误的车轮里程计测量，并在较长距离内保持良好的定位，而不会出现明显的漂移。我们还展示了如何改变参数影响本地化性能。
2021-12-15 cs.RO
xVIO: A Range-Visual-Inertial Odometry Framework
Jet Propulsion Laboratory, California Institute of Technology（喷气推进实验室，加州理工学院）
xVIO是JPL实现的距离-视觉-惯性里程计算法。它已被证明与闭环控制机载无人旋翼机配备了现成的嵌入式计算机和传感器。它可以在白天使用可见光谱相机，或者在夜间使用热红外相机。本报告是xVIO的完整技术说明。它包括系统架构的概述，导航滤波器的实现，以及雅可比矩阵的推导，这是不是已经在文献中发表。
2020-10-13 cs.RO
Towards High-Performance Solid-State-LiDAR-Inertial Odometry and Mapping
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
我们提出了一种新的紧耦合激光雷达惯性里程计和映射计划的固态和机械激光雷达。作为前端，基于特征的轻量级LiDAR里程计为自适应关键帧选择提供快速运动估计。作为后端，通过边缘化执行基于分层关键帧的滑动窗口优化，以直接融合IMU和LiDAR测量。对于新发布的固态激光雷达Livox Horizon，提出了一种新型的特征提取方法来处理预处理过程中的不规则扫描模式。LiLi-OM（Livox LiDAR-惯性里程计和测绘）具有实时能力，在机械LiDAR的公共数据集和使用Livox Horizon的实验中，LiDAR类型的精度优于最先进的系统。源代码和记录的实验数据集可在https://github.com/KIT-ISAS/lili-om上获得。
2021-04-27 cs.RO
Piecewise Linear De-skewing for LiDAR Inertial Odometry
Institute for Infocomm Research, A-STAR（新加坡科技研究局信息通信研究院）；Nanyang Technological University（南洋理工大学）
移动智能体上的光检测和测距（LiDAR）可能由于LiDAR的同时旋转和智能体的快速移动而遭受运动失真。提出了一种精确的分段线性去偏算法，利用惯性测量单元（IMU）提供的高频运动信息对LiDAR惯性测距（LIO）中的运动失真进行校正。实验结果表明，该算法可以提高现有LIO算法的性能，特别是在快速运动的情况下。
2021-08-13 cs.RO
StructVIO : Visual-inertial Odometry with Structural Regularity of Man-made Environments
Shanghai Jiao Tong University（上海交通大学）；HiScene Information Technologies（海视智能信息技术公司）；Temple University（天普大学）
我们提出了一种新的视觉惯性里程计的方法，采用在人造环境中的结构规律性。我们用亚特兰大世界模型来描述这种规律性，而不是用曼哈顿世界假设。亚特兰大世界是一个包含多个具有不同航向的当地曼哈顿世界的世界。每个局部曼哈顿世界都是动态检测的，当新的观测值到来时，它们的方向会被状态估计器逐渐细化。通过充分探索与每个局部曼哈顿世界对齐的结构线，我们的视觉-惯性里程计方法变得更加准确和鲁棒，以及更灵活地适应不同类型的复杂人造环境。通过大量的基准测试和实际测试，结果表明，该方法优于现有的视觉惯性系统在大规模的人造环境
2019-03-05 cs.RO
TP-TIO: A Robust Thermal-Inertial Odometry with Deep ThermalPoint
Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）
为了在视觉退化的环境中实现鲁棒的运动估计，热里程计一直是机器人界的一个吸引力。然而，大多数热里程计方法是纯粹基于经典的特征提取器，这是很难建立鲁棒的对应关系，在连续的帧，由于突然的光度变化和大的热噪声。为了解决这个问题，我们提出了ThermalPoint，这是一种专门为在热图像上生成关键点而量身定制的轻量级特征检测网络，与其他最先进的方法相比，它提供了显着的抗噪声改进。之后，我们将ThermalPoint与一种新的辐射特征跟踪方法相结合，该方法直接利用完整的辐射数据，并在连续帧之间建立可靠的对应关系。最后，利用基于优化的视觉惯性框架，提出了一种基于深度特征的热惯性里程计（TP-TIO）框架，并在各种视觉退化环境中进行了全面评估。实验表明，我们的方法优于国家的最先进的视觉和激光测距方法在烟雾弥漫的环境中，并在正常环境中实现竞争力的准确性。
2020-12-07 cs.RO
LIC-Fusion: LiDAR-Inertial-Camera Odometry
Zhejiang University（浙江大学）；University of Delaware（特拉华大学）
提出了一种紧耦合的多传感器融合算法LiDAR-惯性相机融合（LIC-Fusion），该算法有效地融合了IMU测量、稀疏视觉特征和提取的LiDAR点。特别是，拟议的LIC融合执行所有三个异步传感器之间的在线空间和时间传感器校准，以补偿可能的校准变化。其主要贡献是在一个有效的基于MSCKF的框架内，对从LiDAR扫描中检测和跟踪的稀疏边缘/冲浪特征点进行最佳（线性化误差）多模态传感器融合，同时进行稀疏视觉特征观测和IMU读数。我们在室内和室外环境中进行了广泛的实验，表明所提出的LIC融合在估计精度和对侵略性运动的鲁棒性方面优于最先进的视觉惯性测距法（VIO）和LiDAR测距法。
2019-11-01 cs.RO
Continuous-time Radar-inertial Odometry for Automotive Radars
DSO National Laboratories（DSO国家实验室）；National University of Singapore（新加坡国立大学）
我们提出了一种雷达惯性里程计的方法，该方法使用连续时间框架来融合来自多个汽车雷达和惯性测量单元（IMU）的测量。与相机和激光雷达传感器不同，恶劣的天气条件不会对雷达传感器的工作性能产生重大影响。雷达的鲁棒性，在这种条件下，越来越普遍的乘用车上的雷达促使我们看看使用雷达的自我运动估计。一个连续时间的轨迹表示不仅作为一个框架，使异构和异步多传感器融合，而且，以促进有效的优化，能够计算姿势及其衍生物在封闭的形式，并在任何给定的时间沿轨迹。我们比较我们的连续时间的估计，从离散时间的雷达惯性里程计的方法，并表明我们的连续时间的方法优于离散时间的方法。据我们所知，这是第一次连续时间框架已被应用于雷达惯性测距。
2022-01-07 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
Continuous-Time Spline Visual-Inertial Odometry
University of Minnesota Twin Cities（明尼苏达大学双城分校）；Minnesota Robotics Institute（明尼苏达机器人研究所）
我们提出了一个连续时间样条为基础的制定视觉惯性里程计（VIO）。具体来说，我们的姿势作为一个三次样条，其时间导数用于合成线加速度和角速度，这是比较从惯性测量单元（IMU）的最佳状态估计的测量。样条边界条件在摄像机和IMU之间建立约束，我们将VIO表示为约束非线性优化问题。连续时间姿态表示使得解决许多VIO挑战成为可能，例如，卷帘快门失真和传感器可能缺乏同步。我们在两个公开的数据集上进行实验，证明了我们的方法的最先进的准确性和实时计算效率。
2022-02-18 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
DB-VIO: Dual-Branch Visual Inertial Odometry with Enhanced Visual-Inertial Representation
National University of Singapore（新加坡国立大学）
研究针对视觉惯性里程计问题，提出DB-VIO双分支框架，通过融入深度线索、姿态先验和解耦姿态估计进行运动特定时间建模，实验表明该方法在自动驾驶和空中机器人基准测试中性能优异，提升了旋转和平移估计精度。
2026-07-27 cs.RO
LIO-EKF: High Frequency LiDAR-Inertial Odometry using Extended Kalman Filters
Institute of Geodesy and Geoinformation, University of Bonn（波恩大学大地测量与地理信息研究所）；Department of Engineering Science at the University of Oxford（牛津大学工程科学系）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出紧耦合LIO-EKF激光雷达-惯性里程计系统，利用点到点配准、扩展卡尔曼滤波和考虑不确定性的自适应数据关联减少参数调优，在保持先进精度的同时显著提升计算速度。
2024-05-08 cs.RO
PIEKF-VIWO: Visual-Inertial-Wheel Odometry using Partial Invariant Extended Kalman Filter
Shanghai Jiao Tong University（上海交通大学）
不变扩展卡尔曼滤波器（IEKF）作为卡尔曼滤波器的一种先进技术，已成功应用于视觉-惯性测距（VIO）中，在传感器融合中显示出巨大的潜力。在本文中，我们提出了部分IEKF（PIEKF），它只将旋转速度状态的李群结构，并将其应用于视觉惯性轮测距（VIWO），以提高定位精度和一致性。具体来说，我们推导出的旋转速度测量模型，它结合了车轮测量与运动学约束。该模型避免了车轮里程计的3D积分和协方差传播，这对于滤波器的一致性至关重要。并引入平面约束以提高定位精度。采用动态离群点检测方法，利用速度状态输出。通过仿真和实际测试，验证了该方法的有效性，在一致性和精度方面优于基于VIWO的标准多状态约束卡尔曼滤波器（MSCKF）。
2023-03-14 cs.RO
ALIVE-LIO: Degeneracy-Aware Learning of Inertial Velocity for Enhancing ESKF-Based LiDAR-Inertial Odometry
Department of Electrical Engineering, POSTECH（浦项科技大学电气工程系）
ALIVE-LIO通过将深度神经网络整合到经典误差状态卡尔曼滤波中，提升退化环境中LiDAR可观测性，减少姿态漂移，实验显示在22/32序列中表现最佳。
2026-10-14 cs.RO
UMS-VINS: United Monocular-Stereo Features for Visual-Inertial Tightly Coupled Odometry
Beijing Institute of Technology（北京理工大学）
本文将单目立体联合特征引入到视觉-惯性紧耦合里程计（UMS-VINS）中，用于鲁棒的位姿估计。UMS-VINS需要两个相机和一个低成本的惯性测量单元（IMU）。UMS-VINS是VINS-FUSION的演变，它从以下三个方面修改了VINS-FUSION。1)UMS-VINS从亚像素平面提取和跟踪特征，以实现特征的更好位置。2)UMS-VINS从左和/或右相机引入额外的二维特征。3)如果视觉初始化失败，则IMU传播直接用于位姿估计，并且如果视觉-IMU对准失败，则UMS-VINS通过视觉里程计估计位姿。公开数据集和新的真实世界的实验表明，所提出的UMS-VINS优于VINS-FUSION从定位精度，定位鲁棒性和环境适应性的角度来看。
2023-03-15 cs.RO
MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark
University of Almería（阿尔梅里亚大学）
本文介绍 MOLA-LIO，一种扩展自 MOLA-LO 的激光雷达-惯性里程计系统，融合 IMU 与可选腿部运动学数据，在 COMFORT 基准的 GrandTour 数据集上验证了实时性能。
2026-09-23 cs.RO
Visual-Inertial Odometry-enhanced Geometrically Stable ICP for Mapping Applications using Aerial Robots
University of Nevada, Reno（内华达大学里诺分校）
提出了一种基于视觉-惯性里程计增强的几何稳定迭代最近点（ICP）算法，用于空中机器人精确测图。所提出的方法采用了视觉惯性里程框架，以提供强大的先验ICP步骤，并计算来自机载飞行时间深度传感器的点云之间的重叠。在点云的重叠部分内，该方法对点进行采样，使得它们之间的法线分布尽可能大。由于不同的几何形状和传感器轨迹将影响对准过程的性能，因此对ICP步骤的预期几何稳定性进行评估。只有当该测试成功时，才进行匹配、离群值拒绝和误差度量ICP步骤的最小化，并且估计新的相对平移和旋转分量，否则系统依赖于视觉-惯性里程计变换估计。所提出的战略进行了评估，在手持，自动化和完全自主的勘探和测绘任务，使用小型空中机器人，并显示出提供强大的结果，高质量的计算负荷在一个负担得起的增加。
2018-01-29 cs.RO
Less is More: Physical-enhanced Radar-Inertial Odometry
Cheng Kar-Shun Robotics Institute, Hong Kong University of Science and Technology（香港科技大学陈振夏机器人研究所）；HKUST-DJI Joint Innovation Laboratory（香港科技大学大疆联合创新实验室）；Hong Kong Center for Construction Robotics（香港建筑机器人中心）
本研究提出物理增强的雷达-惯性里程计系统，利用多普勒速度和雷达截面积信息增强滤波、对应估计和残差函数，在公共及自采数据上验证了性能提升，并证实更少雷达点仍可保证甚至改善性能，体现“少即是多”原则。
2024-02-03 cs.RO
AI-IO: An Aerodynamics-Inspired Real-Time Inertial Odometry for Quadrotors
Shanghai Jiao Tong University（上海交通大学）
本文提出了一种基于变压器的AI-IO方法，通过引入旋翼速度测量提升四旋翼惯性里程计的精度和实时性能。
2026-02-28 cs.RO
Geometrically-Constrained Radar-Inertial Odometry via Continuous Point-Pose Uncertainty Modeling
Dept. of Mechanical Engineering, SNU（首尔大学机械工程系）
本文提出一种结合点位不确定性的几何约束雷达惯性里程计，通过连续轨迹模型估计姿态不确定性，提升在不确定雷达测量下的定位精度和效率。
2026-09-18 cs.RO
Robust Stereo Visual Inertial Odometry for Fast Autonomous Flight
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
近年来，用于状态估计的视觉辅助惯性里程计已显着成熟。然而，我们仍然遇到的挑战，在提高计算效率和鲁棒性的基础算法的应用在自主飞行与微型飞行器，它是难以使用高品质的传感器和强大的处理器，因为尺寸和重量的限制。在本文中，我们提出了一种基于滤波器的立体视觉惯性里程计，使用多状态约束卡尔曼滤波器（MSCKF）[1]。以前的工作立体视觉惯性里程计导致的解决方案，是计算昂贵。我们证明，我们的立体多状态约束卡尔曼滤波器（S-MSCKF）是最先进的单目解决方案的计算成本，同时提供显着更大的鲁棒性。我们评估了我们的S-MSCKF算法，并将其与最先进的方法（包括OKVIS，ROVIO和VINS-MONO）在EuRoC数据集和我们自己的实验数据集上进行了比较，这些实验数据集展示了在室内和室外环境中最大速度为17.5m/s的快速自主飞行。我们的S-MSCKF实现可在https://github.com/KumarRobotics/msckf_vio上获得。
2018-01-10 cs.RO
Tightly Coupled Optimization-based GPS-Visual-Inertial Odometry with Online Calibration and Initialization
South China University of Technology（华南理工大学）；City University of Hong Kong（香港城市大学）
本文提出了一种基于紧密耦合优化的GPS-视觉-惯性里程计系统，以解决视觉-惯性里程计的轨迹漂移问题，特别是在长时间运行时。视觉重投影残差、IMU残差和GPS测量残差在局部束平差中联合最小化，其中我们应用GPS测量值和用于IMU残差的IMU预积分来制定新的GPS残差。为了提高系统的效率和鲁棒性，提出了一种快速的参考坐标初始化方法和一种在线的GPS-IMU外部和时间偏移校准方法。此外，我们进一步测试我们的在线校准方法的性能和收敛性。EuRoC数据集上的实验结果表明，我们的方法始终优于其他紧耦合和松耦合的方法。同时，该系统在KAIST数据集上进行了验证，证明了该系统在视觉或GPS故障的情况下能够很好地工作。
2022-03-05 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
A Robust Laser-Inertial Odometry and Mapping Method for Large-Scale Highway Environments
Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
在本文中，我们提出了一种新的激光惯性测距和映射方法，以实现实时，低漂移和强大的姿态估计在大规模的公路环境。该方法主要由扫描预处理模块、动态目标检测模块、激光-惯性测距模块和激光测绘模块四个模块组成。扫描预处理模块使用惯性测量来补偿每次激光扫描的运动失真。然后，动态目标检测模块用于通过应用CNN分割网络从每次激光扫描中检测和去除动态对象。激光惯性测距模块在获得无运动物体的无畸变点云后，采用误差状态卡尔曼滤波器对激光和IMU数据进行融合，输出高频粗位姿估计。最后，激光映射模块执行精细处理步骤，并使用“帧到模型”扫描匹配策略来创建静态全局映射。我们使用KITTI数据集和真实的高速公路场景数据集，将我们的方法与两种最先进的方法LOAM和SuMa的性能进行比较。实验结果表明，我们的方法在真实的高速公路环境中的表现优于国家的最先进的方法，并达到竞争力的准确性KITTI数据集。
2020-09-06 cs.RO
MosaicIMU: Composing Carrier Experts for Generalizable Neural Inertial Odometry
Tsinghua University（清华大学）；Xi'an Jiaotong University（西安交通大学）；Beijing University of Chemical Technology（北京化工大学）；Beijing Information Science and Technology University（北京信息科技大学）；Beijing Institute of Technology（北京理工大学）
提出MosaicIMU框架，通过原型路由组合载体特定专家特征，结合历史感知EKF，实现跨载体泛化；冻结预训练模型并学习轻量专家残差分支适应新领域，边缘部署时利用路由器选择在线样本高效增量更新，平均ATE和RTE-10s分别降低40%和34%。
2026-11-09 cs.RO
XIRVIO: Critic-guided Iterative Refinement for Visual-Inertial Odometry with Explainable Adaptive Weighting
Airbus（空中客车公司）；University of Oxford（牛津大学）；University of Bristol（布里斯托大学）
提出基于transformer和GAN的单目视觉惯性里程计框架XIRVIO，通过评论家引导的迭代细化预测位姿，并利用自适应传感器加权实现可解释性，在KITTI数据集上达到SOTA水平。
2025-03-01 cs.RO
Stereo Event-based Visual-Inertial Odometry
Tsinghua University（清华大学）
针对立体事件相机，提出基于误差状态卡尔曼滤波器的视觉惯性里程计，通过边缘对齐与IMU中值积分实现实时高精度定位，为首个此类系统。
2023-07-25 cs.RO
Run Your Visual-Inertial Odometry on NVIDIA Jetson: Benchmark Tests on a Micro Aerial Vehicle
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Korea Electronics Technology Institute (KETI)（韩国电子技术研究院）；KI-AI；KIR at KAIST（韩国科学技术院KIR）
本文介绍了在NVIDIA Jetson平台上对各种视觉（非惯性）里程计算法进行的基准测试。比较的算法包括单声道和立体声，涵盖视觉里程计（VO）和视觉惯性里程计（VIO）：VINS-Mono、VINS-Fusion、Kimera、ALVIO、Stereo-MSCKF、ORB-SLAM 2立体声和ROVIO。由于这些方法主要用于无人机（UAV），因此它们必须在处理板尺寸和重量受限的情况下表现良好。NVIDIA发布的Jetson板满足了这些限制，因为它们具有足够强大的中央处理单元（CPU）和图形处理单元（GPU）用于图像处理。然而，在现有的研究中，Jetson板作为执行VO/VIO的处理平台的性能还没有在计算资源的使用和准确性方面进行广泛的比较。因此，本研究比较了几个NVIDIA Jetson平台上的代表VO/VIO算法，即NVIDIA Jetson TX 2，Xavier NX和AGX Xavier，并为无人机引入了一个新的数据集“KAIST VIO数据集”。包括纯旋转，数据集有几个几何轨迹是苛刻的视觉（惯性）状态估计。评估是在各种Jetson板、算法和轨迹上的估计里程计、CPU使用和内存使用的准确性方面进行的。我们展示了全面基准测试的{结果}，并发布了用于计算机视觉和机器人应用的数据集。
2021-03-02 cs.RO
NM-LIO: Multiple LiDAR-Inertial Odometry Addressing LiDAR Measurement Noise Discrepancy
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）；Hanwha Aerospace（韩华航空航天）
本文提出NM-LIO，通过噪声模型量化各LiDAR测量噪声并估计残差不确定性，解决多LiDAR系统噪声差异问题，提升里程计估计准确性。
2026-10-06 cs.RO
FEJ-VIRO: A Consistent First-Estimate Jacobian Visual-Inertial-Ranging Odometry
Zhejiang University（浙江大学）
近年来，视觉惯性里程计（VIO）取得了许多重大进展。然而，VIO方法在长轨迹上遭受定位漂移。在本文中，我们提出了一个初步估计雅可比视觉惯性测距测距（FEJ-VIRO），以减少定位漂移的VIO框架\textit{consistently}的超宽带（UWB）测距测量。考虑到超宽带锚点的初始位置通常是不可用的，我们提出了一个长短窗口结构来初始化超宽带锚点的位置以及状态增强的协方差。初始化后，FEJ-VIRO估计UWB锚的位置，同时随着机器人的姿态。我们进一步分析了视觉惯性测距估计器的可观测性，证明了在理想情况下存在\textit{four}不可观测方向，而在实际情况下，由于虚假信息的增益，其中一个不可观测方向消失。基于这些分析，我们利用FEJ技术来执行不可观测的方向，从而减少估计的不一致性。最后，我们验证了我们的分析和评估建议FEJ-VIRO与模拟和现实世界的实验。
2022-07-17 cs.RO
GaRLIO: Gravity enhanced Radar-LiDAR-Inertial Odometry
Robotics and AI (RAI) Institute（机器人与人工智能研究所）
针对状态估计中的垂直漂移问题，提出融合雷达逐点速度的重力增强雷达-激光雷达-惯性里程计GaRLIO，可提升重力估计精度与状态估计性能，还能移除动态点云保障鲁棒性，实验优于传统方法且代码已开源。
2025-02-21 cs.RO
MIR-VIO: Mutual Information Residual-based Visual Inertial Odometry with UWB Fusion for Robust Localization
多年来，应用于移动机器人和无人机的视觉里程计取得了令人印象深刻的进展。然而，视觉感知仍然是一个具有挑战性的领域，因为视觉传感器在使用单目相机获取正确的尺度信息方面存在一些问题，并且容易受到照明变化的情况的影响。在本文中，UWB传感器融合提出的视觉惯性测距算法作为一种解决方案，以减轻这个问题。考虑到超宽带的特点，设计了一种基于互信息的代价函数。考虑到UWB信号模型的特点，其中的不确定性增加的UWB锚和标签之间的距离的增加，我们引入了一个新的残差项的成本函数。在室内环境中进行实验时，通过UWB传感器融合，解决了特征点较少的环境中的初始化问题，定位具有鲁棒性。当残差项采用互信息的概念时，可以得到最鲁棒的里程计。
2021-09-08 cs.RO
Quantifying Motion Excitation for Metric Scale Observability in Monocular Visual-Inertial Odometry
Maharishi International University（玛赫西国际大学）；University of Zagreb（萨格勒布大学）
本文提出通过轨迹依赖的可观测性分析，揭示曲率产生的加速度是连接尺度与惯性状态的关键，通过IMU模型中的重力加速度不对称性推导可观测性矩阵的秩条件，并提出轻量级激励度量，实验验证了轨迹设计对提升度量尺度恢复的有效性。
2026-09-16 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
FTIN: Frequency-Time Integration Network for Inertial Odometry
Department of Information and Communication Engineering, Xiamen University, China（厦门大学信息与通信工程系）；Department of Electronic Science, Xiamen University, China（厦门大学电子科学系）
针对惯性里程计中高采样率导致的冗余与信息瓶颈，提出融合频率与时间域的跨域框架，利用频域全局特性捕捉运动模式，实验验证其有效性。
2025-10-16 cs.RO
Ground-Optimized 4D Radar-Inertial Odometry via Continuous Velocity Integration using Gaussian Process
Robotics and AI (RAI) Institute（机器人与人工智能研究所）；Institute of Advanced Machines and Design（先进机械与设计研究所）
针对雷达惯性里程计中地面点噪声和异步数据流问题，提出地面优化噪声过滤与基于高斯过程的连续速度预积分方法，实现6自由度运动估计，垂直漂移小于1%。
2025-02-22 cs.RO
DAMS-LIO: A Degeneration-Aware and Modular Sensor-Fusion LiDAR-inertial Odometry
Zhejiang University（浙江大学）；Hangzhou Normal University（杭州师范大学）
随着机器人被部署在越来越复杂的环境中，如地下矿井和行星表面，多传感器融合方法得到了越来越多的关注，这是一个很有前途的解决方案，状态估计在这样的场景。融合方案是这些方法的核心组成部分。本文提出了一种基于iEKF的轻型LiDAR惯性里程计系统，该系统利用退化感知和模块化传感器融合流水线，仅在检测到退化时才将LiDAR点和来自另一里程计的相对姿态作为更新过程中的测量。克拉默-拉奥下限（CRLB）理论和模拟测试都被用来证明我们的方法比使用单个观察值的方法具有更高的准确性。此外，所提出的系统进行了评估，在感知上具有挑战性的数据集对各种国家的最先进的传感器融合方法。结果表明，该系统实现了实时性和高精度的估计性能，尽管具有挑战性的环境和不良的观测。
2023-03-23 cs.RO
4D iRIOM: 4D Imaging Radar Inertial Odometry and Mapping
Wuhan University（武汉大学）
本文提出首个4D雷达惯性SLAM系统iRIOM，通过渐进非凸方法估计自速度、分布到多分布距离匹配及迭代扩展卡尔曼滤波融合，实现高精度实时里程计与建图。
2023-04-03 cs.RO
Radar-Inertial Odometry with Online Spatio-Temporal Calibration via Continuous-Time IMU Modeling
University of Zagreb Faculty of Electrical Engineering and Computing, Laboratory for Autonomous Systems and Mobile Robotics (LAMOR)（泽格布大学电子工程与计算学院，自主系统与移动机器人实验室）；Calirad d.o.o.（Calirad公司）
本文提出基于连续时间惯性测量模型的雷达-惯性里程计框架，实现在线空间和时间校准，无需依赖扫描匹配或环境假设，提高鲁棒性。
2026-03-20 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
LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping
Massachusetts Institute of Technology（麻省理工学院）；Stevens Institute of Technology（史蒂文斯理工学院）
我们提出了一个紧密耦合的激光雷达视觉惯性里程计通过平滑和映射，LVI-SAM，实现实时状态估计和地图建设具有高精度和鲁棒性的框架。LVI-SAM建立在因子图之上，由两个子系统组成：视觉惯性系统（VIS）和激光雷达惯性系统（LIS）。这两个子系统以紧密耦合的方式设计，其中VIS利用LIS估计来促进初始化。通过使用激光雷达测量提取视觉特征的深度信息，可以提高VIS的准确性。进而，LIS利用VIS估计进行初始猜测以支持扫描匹配。闭环闭合首先由VIS识别，然后由LIS进一步细化。LVI-SAM还可以在两个子系统中的一个出现故障时正常工作，这增加了它在无纹理和无特征环境中的鲁棒性。LVI-SAM在各种规模和环境下从多个平台收集的数据集上进行了广泛的评估。我们的实现可以在https://git.io/lvi-sam上获得
2021-05-30 cs.RO
Adaptive VIO: Deep Visual-Inertial Odometry with Online Continual Learning
PKU-SenseTime Joint Lab of MV（北京大学-商汤科技视觉联合实验室）；Peking University（北京大学）
提出自适应VIO，将在线持续学习与传统非线性优化结合，通过神经网络预测视觉对应和IMU偏置并反馈优化，在EuRoC和TUM-VI上超越学习式方法，媲美优化式方法。
2024-05-27 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
CM-LIUW-Odometry: Robust and High-Precision LiDAR-Inertial-UWB-Wheel Odometry for Extreme Degradation Coal Mine Tunnels
School of Mechatronic Engineering, China University of Mining and Technology（机械电子工程学院，中国矿业大学）
针对煤矿巷道无GPS且环境退化导致SLAM困难的问题，提出基于IESKF的CM-LIUW-Odometry多模态紧耦合框架，融合LiDAR、IMU、UWB与轮式里程计并采用自适应运动模式切换，实现了高精度鲁棒定位。
2025-11-03 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
Semi-Elastic LiDAR-Inertial Odometry
Institute of Artificial Intelligence, Huazhong University of Science and Technology（华中科技大学人工智能研究院）；Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院）；Hangzhou Guochen Robot Technology Company Limited（杭州国辰机器人科技有限公司）
针对现有激光雷达-惯性状态估计因扫描间状态假设导致的局部不一致问题，本文提出半弹性优化方法，赋予状态足够弹性以优化到正确值，并在四个公开数据集上验证了其在精度、一致性和鲁棒性上优于现有方法。
2024-07-04 cs.RO
DINS-IO: Learned Inertial Odometry via Differentiable INS Consistency
研究提出DINS-IO，直接从原始IMU流学习惯性里程计。利用INS速度递推约束，转化为滑动窗口最小二乘问题求解，以残差为自监督损失。设计高频网络并校准速度，在标准基准测试中，预训练自监督并微调的DINS-IO表现出色。
2026-07-23 cs.RO
Event-based Stereo Visual-Inertial Odometry with Voxel Map
提出 Voxel-ESVIO 系统，通过基于体素的点选择与管理优化地图点更新，高效筛选抗噪高质量3D点，在三个公开基准上的准确性和计算效率均超越现有最先进方法。
2025-06-29 cs.RO
CKANIO: Learnable Chebyshev Polynomials for Inertial Odometry
Department of Information and Communication Engineering, Xiamen University, China（厦门大学信息与通信工程系）；Department of Electronic Science, Xiamen University, China（厦门大学电子科学系）
本文提出CKANIO，首个将可解释的切比雪夫KAN网络用于惯性里程计，通过残差架构建模IMU非线性运动，在五个公开数据集上验证了有效性。
2025-10-16 cs.RO
DeepVL: Dynamics and Inertial Measurements-based Deep Velocity Learning for Underwater Odometry
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文提出DeepVL模型，通过融合动力学感知的本体感受数据与循环神经网络集成方法预测水下机器人速度及不确定性，结合扩展卡尔曼滤波实现无外感受的长期里程计，提升视觉惯性里程计的韧性与精度。
2025-02-11 cs.RO
VIR-SLAM: Visual, Inertial, and Ranging SLAM for single and multi-robot systems
École Polytechnique de Montréal（蒙特利尔综合理工学院）
与惯性测量相结合的单目相机通常给出高性能的视觉惯性测距法。然而，对于长轨迹，漂移可能是显著的，特别是当环境在视觉上具有挑战性时。在本文中，我们提出了一个系统，利用超宽带测距与一个静态锚放置在环境中，以纠正累积的错误，每当锚是可见的。我们还将此设置用于协作SLAM：不同的机器人使用相互测距（当可用时）和公共锚来估计彼此之间的变换，促进地图融合我们的系统由两个模块组成：用于单个机器人的双层测距，视觉和惯性测距，以及用于协作SLAM的变换估计模块。我们通过模拟超宽带传感器以及真实机器人在公共数据集上测试我们的系统。实验表明，我们的方法可以超过国家的最先进的视觉惯性里程超过20%。对于视觉上具有挑战性的环境，即使视觉惯性里程计具有显著的漂移，我们的方法也可以工作。此外，我们可以计算协作SLAM变换矩阵，几乎没有额外的计算成本。
2020-05-31 cs.RO
