CodedVO: Coded Visual Odometry
University of Maryland（马里兰大学）；University of Maryland Institute for Advanced Computer Studies（马里兰大学高级计算机研究所）；SAAB, Inc.（萨博公司）；Army Research Laboratory（陆军研究实验室）
本文提出CodedVO，一种利用定制光学器件将度量深度信息物理编码到图像中的新型单目视觉里程计方法，有效克服了尺度模糊问题，并在ICL-NUIM室内数据集上实现了0.08米的平均轨迹误差，达到最先进性能。
2024-07-25 cs.CV cs.RO
NV-LIO: LiDAR-Inertial Odometry using Normal Vectors Towards Robust SLAM in Multifloor Environments
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院（KAIST））
针对多层室内环境下现有LIO点云配准困难的问题，提出基于法向量的NV-LIO框架，通过法向量匹配、退化调整和视角回环提升配准鲁棒性，经多数据集验证有效且代码将开源。
2024-05-26 cs.RO
2DLIW-SLAM:2D LiDAR-Inertial-Wheel Odometry with Real-Time Loop Closure
Guangdong University of Technology（广东工业大学）
本文提出一种融合2D LiDAR、IMU和轮式里程计的紧耦合室内SLAM系统，利用线-线约束提升鲁棒性，并采用基于全局特征点匹配的闭环检测算法减少累积误差，相比Cartographer具有更低轨迹误差和更强抗退化能力。
2024-04-23 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
Extending Deep Event Visual Odometry with Sparse Point-Cloud Export
st Sajad Ashraf（第一作者单位）；nd Alireza Safdari（第二作者单位）
通过添加稀疏点云导出管线，将DEVO内部估计的3D结构转化为显式点云表示，实现可视化与后续处理，在BOARD SLOW序列上验证了局部一致性。
2026-05-21 cs.CV cs.RO
Enhance Accuracy: Sensitivity and Uncertainty Theory in LiDAR Odometry and Mapping
Zhejiang University（浙江大学）；Hangzhou Dianzi University（杭州电子科技大学）；Meituan（美团）；University of Delaware（特拉华大学）
目前，提高LiDAR位姿估计精度是移动机器人的迫切需求。研究表明，不同的LiDAR点对位姿估计精度的影响不同。本研究的目的是选择一个好的点集，以提高精度。因此，LiDAR点残差的灵敏度和不确定性被制定为推导和分析的基本基础。高灵敏度和低不确定性点残差项是优选的，以实现更高的姿态估计精度。所提出的选择方法已被理论证明是能够实现全局统计最优。在人工数据上进行了测试，并与KITTI基准进行了比较。它还在室内和室外的LiDAR测距（LO）和LiDAR惯性测距（LIO）中实施。实验表明，利用选定的LiDAR点残差，同时提高优化精度，减少残差项，并保证实时性能。
2022-08-16 cs.RO
Evaluation of RGB-D SLAM in Large Indoor Environments
Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）
同时定位与地图构建（SLAM）是实现移动机器人在未知环境中自主导航的控制系统的关键组成部分。在各种实际情况下，机器人可能需要长途跋涉才能完成任务。这需要SLAM方法的长期工作和构建大型地图。因此，计算负担（包括用于地图存储的高内存消耗）成为瓶颈。事实上，最先进的SLAM算法包括解决这一挑战的特定技术和优化，但它们在长期场景中的性能仍然需要适当的评估。为此，我们进行了两个广泛的国家的最先进的RGB-D SLAM方法，适合于长期导航，即RTAB地图和Voxgraph的实证评估。我们评估他们在一个大型的模拟室内环境，包括走廊和大厅，而不同的里程表噪音更现实的设置。我们提供了定性和定量分析这两种方法，揭示其优点和缺点。我们发现，这两种方法都建立了一个高质量的地图与低里程噪声，但往往失败与高里程噪声。与RTAB-Map相比，Voxgraph的相对轨迹估计误差和内存消耗较小，但绝对误差较大。
2022-12-12 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
Sparse2Dense: From direct sparse odometry to dense 3D reconstruction
KTH Royal Institute of Technology（瑞典皇家理工学院）
提出了一种基于深度学习的密集单目SLAM方法。与现有方法相比，该框架使用学习的表面法线通过稀疏到密集的映射来构建密集的3D模型。利用单视点学习的深度估计作为单目视觉里程计的先验，我们获得了精确的定位和高质量的深度重建。实验结果表明，与现有的单目密集SLAM方法相比，该方法显著提高了视觉跟踪和深度预测的性能.
2019-03-21 cs.CV cs.RO
ATI-CTLO:Adaptive Temporal Interval-based Continuous-Time LiDAR-Only Odometry
School of Automation, Southeast University（东南大学自动化学院）
本文提出ATI-CTLO，一种基于自适应时间间隔的连续时间纯LiDAR里程计，通过线性插值灵活调整控制节点间隔，在剧烈运动和特征稀疏场景下优于现有方法。
2024-10-21 cs.RO
Self-supervised Learning of LiDAR Odometry for Robotic Applications
ETH Zürich（苏黎世联邦理工学院）；Max Planck ETH Center for Learning Systems（马克斯·普朗克-苏黎世联邦理工学院学习系统中心）
可靠的机器人位姿估计是许多机器人自主管道的关键构建块，LiDAR定位是一个活跃的研究领域。在这项工作中，提出了一种通用的自监督LiDAR里程估计方法，以便在保持实时性能的同时有效利用所有可用的LiDAR数据。所提出的方法在训练期间选择性地应用几何损失，认识到可以从扫描点提取的信息量。此外，不需要标记或地面实况数据，因此使得所提出的方法适用于难以获得准确地面实况的应用中的姿态估计。此外，所提出的网络架构适用于广泛的环境和传感器模态，而不需要任何网络或损失函数调整。通过使用腿式、履带式和轮式机器人的各种实验，对所提出的方法进行了室内和室外真实世界应用的彻底测试，证明了基于学习的LiDAR测距法适用于复杂的机器人应用。
2021-06-25 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
VAULT: A Mobile Mapping System for ROS 2-based Autonomous Robots
Universidad de León（莱昂大学）
针对室外场景自主机器人实时定位与一致性建图的挑战，研究提出基于ROS 2的VAULT移动测绘系统，融合多类传感器与算法实现鲁棒定位并构建3D点云地图，为自主移动机器人室外导航建图提供可靠方案。
2025-06-11 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
Learning to Navigate in Indoor Environments: from Memorizing to Reasoning
Harbin Institute of Technology（哈尔滨工业大学）
自主导航是移动机器人实现智能移动的基本能力。传统的路径规划方法必须有环境地图来规划工作空间中的无碰撞路径。深度强化学习（Deep reinforcement learning，DRL）是实现无地图自主导航任务的一种很有前途的技术，利用深度神经网络可以通过探索拟合从观察到合理行动的映射。它不仅要记住训练的目标，更重要的是，规划者可以推理出看不见的目标。我们提出了一种新的基于深度强化学习的运动规划器，该运动规划器可以在室内环境中仅使用RGB图像和里程计来达到之前没有训练过的新目标。该模型具有堆叠的长短期记忆（LSTM）结构。最后，在模拟和真实环境中进行了实验。源代码可以在https://github.com/marooncn/navbot上找到。
2019-04-21 cs.RO
Terrain-Awared LiDAR-Inertial Odometry for Legged-Wheel Robots Based on Radial Basis Function Approximation
School of Automation and Intelligent Sensing, Institute of Medical Robotics, Shanghai Jiao Tong University, and Key Laboratory of System Control and Information Processing, Ministry of Education（自动化与智能感知学院、医学机器人研究院、上海交通大学，系统控制与信息处理重点实验室）
针对腿轮机器人在非结构化地形中现有里程计易因忽略地形几何出现位姿漂移的问题，提出基于径向基函数逼近的地形感知LIO框架，结合GPU并行保障实时性，提升了复杂地形下的定位精度。
2025-09-30 cs.RO
SalientDSO: Bringing Attention to Direct Sparse Odometry
University of Maryland, College Park（马里兰大学帕克分校）
虽然杂乱的室内场景具有大量有用的高层语义信息，可用于映射和定位，大多数视觉里程计（VO）算法依赖于使用的几何特征，如点，线和平面。最近，在这个想法的驱动下，语义标签和获取里程的联合优化在机器人社区中越来越流行。联合优化有利于获得准确的结果，但通常非常缓慢。与此同时，在视觉社区中，VO的直接和稀疏方法在速度和准确性之间取得了适当的平衡。我们合并了这两个社区的成功，并提出了一种方法，将语义信息的视觉显着性的形式，直接稀疏测距-一个非常成功的直接稀疏VO算法。我们还提出了一个框架过滤的视觉显着性的基础上场景解析。我们的框架SalientDSO依赖于广泛成功的基于深度学习的视觉显著性和场景解析方法，该方法驱动特征选择以获得高度准确和鲁棒的VO，即使每帧只有40个点特征。我们在ICL-NUIM和TUM monoVO数据集上对SalientDSO进行了广泛的定量评估，并表明我们的性能优于DSO和ORB-SLAM -文献中两种非常流行的最先进方法。我们还收集并公开发布了一个CVL-UMD数据集，其中包含两个室内杂乱序列，我们对其进行了定性评估。据我们所知，这是第一篇使用视觉显着性和场景解析来驱动直接VO中的特征选择的论文。
2018-02-28 cs.CV cs.RO
Unsupervised Learning of Depth Estimation and Visual Odometry for Sparse Light Field Cameras
School of Aerospace, Mechanical and Mechatronic Engineering, The University of Sydney（悉尼大学航空航天、机械与机电工程学院）；Sydney Institute for Robotics and Intelligent Systems（悉尼机器人与智能系统研究院）
虽然出现了令人兴奋的多种新型成像设备，可以大大提高机器人的感知能力，但校准和解释这些相机的挑战限制了它们在机器人领域的应用。在这项工作中，我们概括了技术，从无监督学习，让机器人自主解释新类型的相机。我们考虑新兴的稀疏光场（LF）相机，其捕获描述穿过平面的光线的集合的4D LF函数的子集。我们介绍了一个广义的稀疏LF编码，允许无监督学习的里程和深度。我们证明了所提出的方法优于单目和传统的技术处理4D图像，产生更准确的里程计和深度图，并提供这些与度量尺度。我们期望我们的技术推广到广泛的LF和稀疏LF相机，并使无人监督的重新校准，以应对在机器人的生命周期内相机行为的变化。这项工作代表了在机器人应用中简化新型成像设备集成的第一步。
2021-03-21 cs.CV cs.RO
ViWiD: Leveraging WiFi for Robust and Resource-Efficient SLAM
UC San Diego（加州大学圣地亚哥分校）
近年来，人们对用于室内应用的自主导航和探索机器人的兴趣促使人们研究室内同时定位与地图构建（SLAM）机器人系统。虽然这些SLAM系统中的大多数使用视觉和LiDAR传感器与里程计传感器串联，但这些里程计传感器会随着时间推移而漂移。为了对抗这种漂移，Visual SLAM系统部署计算和内存密集型搜索算法来检测“闭环”，这使得轨迹估计全局一致。为了规避这些资源（计算和内存）密集型算法，我们提出了ViWiD，它集成了WiFi和视觉传感器在一个双层系统。这种双层方法将局部和全局轨迹估计的任务分开，使ViWiD资源高效，同时实现与最先进的Visual SLAM相当或更好的性能。我们在四个数据集上展示了ViWiD的性能，覆盖了超过1500米的遍历路径，与最先进的视觉和激光雷达SLAM系统相比，计算和内存消耗分别减少了4.3倍和4倍。
2022-09-16 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
Elevator-LIO: Robust LiDAR-Inertial Odometry for Multi-Floor Navigation under Elevator-Induced Non-Inertial Motion
Shanghai Jiao Tong University（上海交通大学）
提出Elevator-LIO框架，通过解耦状态估计模型和模式依赖的迭代误差状态卡尔曼滤波器，实现电梯内连续定位，并利用自适应体素降采样和事件触发更新抑制垂直漂移。
2026-05-23 cs.RO
DAMM-LOAM: Degeneracy Aware Multi-Metric LiDAR Odometry and Mapping
Unmanned Aerial Systems-Delhi Technological University（无人驾驶航空系统-德里技术大学）
针对激光雷达SLAM在特征稀疏和重复结构环境中的退化问题，提出退化感知多度量激光雷达里程计与建图（DAMM-LOAM），通过点云分类和基于退化的加权ICP提升里程计精度，并在室内长走廊等场景中显著改善性能。
2025-10-15 cs.RO
Online One-Dimensional Magnetic Field SLAM with Loop-Closure Detection
本文提出一种轻量级一维磁场SLAM方法，将磁场读数作为一维轨迹进行闭环检测，并结合扩展卡尔曼平滑器融合里程计增量与闭环时刻，用于校正里程计漂移，通过手持iPad室内实验验证了其实用性。
2024-09-02 cs.RO
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
DEIO: Deep Event Inertial Odometry
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, The University of Hong Kong（自适应机器人控制实验室（ArcLab）、机械工程系、香港大学）
提出首个基于学习的单目事件-惯性里程计框架DEIO，结合事件循环网络与IMU，利用可微束调整的Hessian信息优化因子图，在10个公共基准上超越20多种最先进方法。
2025-04-30 cs.RO
ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings
Tsinghua University（清华大学）；Alibaba Inc.（阿里巴巴公司）
我们提出了一种立体视觉里程计，它同时聚类和估计自我和周围刚性集群/对象的运动。与以往依赖于批量输入或对场景结构或动态对象模型施加先验知识的解决方案不同，QuanterVO是在线的、通用的，因此可以用于包括室内场景理解和自动驾驶在内的各种场景。在我们的系统的核心在于一个多层次的概率关联机制和异构条件随机场（CRF）聚类方法结合语义，空间和运动信息，共同推断聚类分割在线每帧。摄像机和动态对象的姿态通过滑动窗口优化立即解决。我们的系统在Oxford Multimotion和KITTI数据集上进行了定量和定性评估，在里程计和动态轨迹恢复方面达到了与最先进的解决方案相当的结果。
2020-03-29 cs.CV 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
Dense-depth map guided deep Lidar-Visual Odometry with Sparse Point Clouds and Images
College of Physics and Optical Engineering, Shenzhen University（深圳大学物理与光学工程学院）；Research Institute of Tsinghua University in Shenzhen（清华大学深圳研究院）；YunJiZhiHui Engineering Co., Ltd.（云智慧工程有限公司）；Quantum Science Center of the Guangdong-Hong Kong-Macao Greater Bay Area（粤港澳大湾区量子科学中心）；State Key Laboratory of Radio Frequency Heterogeneous Integration, Shenzhen University（深圳大学射频异构集成重点实验室）；Institute of Intelligent Optical Measurement and Detection, Shenzhen University（深圳大学智能光学测量与探测研究所）
本文提出一种融合激光雷达点云与图像的深度里程计框架，通过深度补全生成稠密深度图，结合注意力机制多尺度特征提取和分层位姿优化，在KITTI基准上取得与最先进方法相当或更优的精度与鲁棒性。
2025-07-21 cs.CV cs.LG cs.RO
OdomBeyondVision: An Indoor Multi-modal Multi-platform Odometry Dataset Beyond the Visible Spectrum
University of Edinburgh（爱丁堡大学）；University of Liverpool（利物浦大学）；Monash University（莫纳什大学）；University of Oxford（牛津大学）
本文介绍了一种多模式室内里程数据集OdomBeyondVision，该数据集具有跨不同频谱的多个传感器，并使用不同的移动平台收集。OdomBeyondVision不仅包含传统的导航传感器，如IMU，机械LiDAR，RGBD相机等传感器，还包括几种新兴的传感器，如单芯片毫米波雷达，长波红外热像仪和固态LiDAR。将上述传感器分别安装在无人机、UGV和手持平台上，分别记录了不同室内场景和不同光照条件下的多模测距数据及其运动轨迹。我们发布了示例雷达，雷达惯性和热惯性里程计实现，以展示他们的结果，为未来的工作进行比较和改进。完整的数据集，包括工具包和文档，可在https://github.com/MAPS-Lab/OdomBeyondVision上公开获取。
2022-09-14 cs.RO
Multi-Sensor Fusion for Quadruped Robot State Estimation using Invariant Filtering and Smoothing
Dynamic Legged Systems (DLS), Istituto Italiano di Tecnologia (IIT)（动态腿系统（DLS）、意大利技术研究院（IIT））；Korean Advanced Institute of Science and Technology (KAIST)（韩国先进科学研究院（KAIST））；Department of Engineering, Thompson Rivers University（工程系，汤普森河大学）
本文提出基于InEKF和IS的四足机器人多传感器融合状态估计框架E-InEKF与E-IS，融合运动学、IMU、LiDAR和GPS数据，有效缓解位置漂移，相比现有方法显著降低轨迹误差。
2025-04-29 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
Continuous-Time Radar-Inertial and Lidar-Inertial Odometry using a Gaussian Process Motion Prior
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）
本文提出基于高斯过程运动先验的连续时间雷达-惯性与激光雷达-惯性里程计，利用稀疏先验降低计算复杂度，并通过融合IMU将雷达里程计性能提升43%，实现实时运行。
2024-11-20 cs.RO
Con-DSO: Learning Short-Horizon Consistency Priors for RGB-D Direct Sparse Odometry
School of Information Science, Japan Advanced Institute of Science and Technology（信息科学学系，日本科学技术先进研究院）；College of Information Engineering, Shenyang University of Chemical Technology（信息工程学院，沈阳化学工业大学）
提出Con-DSO框架，通过预测光度与深度几何一致性不确定性，实现质量感知的像素选择和加权，提升RGB-D直接稀疏里程计在动态、遮挡等挑战环境下的鲁棒性。
2026-10-07 cs.CV cs.RO
Adaptive-LIO: Enhancing Robustness and Precision through Environmental Adaptation in LiDAR Inertial Odometry
State Key Laboratory of Robotics and Systems（机器人学与系统国家重点实验室）；Harbin Institute of Technology（哈尔滨工业大学）；Hangzhou Qisheng Intelligent Techology Co. Ltd.（杭州齐盛智能科技有限公司）；School of Mechatronic Engineering, China University of Mining and Technology（中国矿业大学机电工程学院）；School of Mechanical and Electrical Engineering, University of Electronic Science And Technology（电子科技大学机械与电气工程学院）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
本文提出自适应激光雷达惯性里程计Adaptive-LIO，通过自适应分割、IMU饱和故障检测与多分辨率体素地图调整，解决帧间隔、IMU饱和及室内外切换导致的精度下降问题，提升定位鲁棒性与精度。
2025-03-07 cs.RO
Lidar-level localization with radar? The CFEAR approach to accurate, fast and robust large-scale radar odometry in diverse environments
Örebro University（厄勒布鲁大学）；University of Baghdad（巴格达大学）；TU Munich（慕尼黑工业大学）
本文提出CFEAR雷达里程计扩展方法，通过运动补偿、一对多配准和新求解策略，在多样环境中无需调参即可实现高精度快速定位，性能超越雷达SLAM并接近激光雷达SLAM。
2023-04-14 cs.RO
ViLiVO: Virtual LiDAR-Visual Odometry for an Autonomous Vehicle with a Multi-Camera System
Shanghai Jiao Tong University（上海交通大学）；SAIC Motor（上海汽车集团股份有限公司）
在本文中，我们提出了一个多摄像机视觉里程计（VO）系统的自主车辆。我们的系统主要由一个虚拟激光雷达和一个姿态跟踪器。我们使用透视变换的方法来合成一个环绕视图的图像从无失真的鱼眼相机图像。利用语义分割模型，可以提取出自由空间。虚拟激光雷达的扫描是通过离散化自由空间的轮廓来生成的。在姿态跟踪方面，提出了一种融合特征匹配和虚拟激光雷达扫描匹配结果的视觉里程计系统。只有那些位于自由空间区域中的特征点被用来确保用于位姿估计的2D-2D匹配。此外，进行光束法平差（BA），以最小化特征点重投影误差和扫描匹配误差。我们将我们的系统应用于配备四个鱼眼摄像头的自动驾驶汽车。测试场景包括室外停车场和室内车库。实验结果表明，我们的系统实现了更强大的和准确的性能相比，基于鱼眼相机的单目视觉里程计系统。
2019-09-30 cs.CV cs.RO
Autonomous Mobile Robot Navigation in Uneven and Unstructured Indoor Environments
The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
机器人越来越多地在为人类设计并与人类共享的室内环境中工作。然而，在不均匀和非结构化环境中安全自主工作的机器人仍然面临巨大挑战。许多现代室内环境的设计都考虑到了轮椅无障碍性。这为轮式机器人提供了一个机会，可以在避开楼梯的同时通过倾斜的区域。在本文中，我们提出了一个集成软件和硬件系统的自主移动机器人导航在不均匀和非结构化的室内环境。这种模块化和可重用的软件框架集成了感知和导航功能。我们的机器人首先使用车轮里程计，2D激光和RGB-D数据为不平坦的环境构建3D地图表示。然后，我们将多层2D占用图从XNUMX Map投影，以生成基于层差异的可遍历图。安全可穿越地图用作高效自主导航的输入。此外，我们采用了可变步长快速探索随机树，可以自动调整步长，消除调整步长根据环境。我们在模拟和现实世界中进行了广泛的实验，证明了我们的系统的有效性和效率。
2017-10-28 cs.RO
Salient Sparse Visual Odometry With Pose-Only Supervision
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；State University of New York at Buffalo（纽约州立大学布法罗分校）
本文提出一种仅用位姿监督的混合视觉里程计框架，通过自监督单应性预训练和随机图像块显著点检测提升光流学习与泛化能力，在标准数据集和极端场景中取得有竞争力的性能。
2024-04-06 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
HyVGGT-VO: Hybrid Dense Visual Odometry With Classical VO and Feed-Forward Model
School of Instrument Science and Opto-electronics Engineering, Beihang University（北京航空航天大学仪器科学与光电工程学院）
本文提出HyVGGT-VO框架，结合稀疏VO的高效计算与前馈模型的密集重建能力，实现高效实时姿态估计与密集重建。
2026-10-19 cs.RO
SPLODE: Semi-Probabilistic Point and Line Odometry with Depth Estimation from RGB-D Camera Motion
University of Surrey（萨里大学）
有源深度相机受到几个限制，这会导致深度图不完整和有噪声，并可能因此影响RGB-D测距法的性能。为了解决这个问题，本文提出了一种基于点和线特征的视觉里程计方法，该方法利用来自深度传感器的测量和来自相机运动的深度估计。深度估计是由概率深度估计框架连续生成的，用于两种类型的特征，以补偿深度测量的缺乏和不准确的特征深度关联。该框架明确地对来自点和线观测的三角测量深度的不确定性进行建模，以验证并获得精确的估计值。此外，通过将深度测量传播通过深度图配准模块并使用独立地考虑3D到2D和2D到3D重投影误差的帧到帧运动估计方法来利用深度测量。在大型室内和室外场景中捕获的RGB-D序列的结果表明，通过我们的方法将深度测量和估计相结合，能够克服深度测量的缺失和不准确性。
2017-08-09 cs.CV cs.RO
Scene-Aware Error Modeling of LiDAR/Visual Odometry for Fusion-based Vehicle Localization
Peking University（北京大学）
定位是移动机器人中的一项关键技术。在复杂的环境中，需要融合不同的定位模块以获得更鲁棒的定位结果，其中误差模型起着至关重要的作用。然而，基于外感受传感器的里程计（ESO），例如LiDAR/视觉里程计，通常提供具有场景相关误差的结果，这是难以精确建模的。针对这一问题，本文设计了一个场景感知的ESO误差模型，并在此基础上提出了一个多模态定位融合框架。此外，提出了一种端到端的学习方法来训练这种误差模型使用稀疏的全球位姿，如GPS/IMU的结果。将该方法应用于LiDAR/视觉里程计的误差建模，并与航位推算法进行融合，检验车辆定位的性能。实验结果表明，基于学习的场景感知误差模型，车辆定位精度得到了很大提高，并在非体验场景中表现出了自适应性。
2020-03-29 cs.RO
Panoramic Direct LiDAR-assisted Visual Odometry
Li Siguang School, China University of Geosciences, Wuhan（李四光学院，中国地质大学（武汉））；Institute of Artificial Intelligence, Huazhong University of Science and Technology, Wuhan（人工智能研究院，华中科技大学）；School of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan（电子信息与通讯学院，华中科技大学）；School of Optoelectronic Engineering, Xidian University, Xian（光电工程学院，西安电子科技大学）
本文提出一种全景直接LiDAR辅助视觉里程计，通过关联360度FOV的LiDAR点与全景图像数据，克服了单目相机有限FOV导致的鲁棒性差问题，提升了跟踪精度。
2025-09-14 cs.RO
FAST-LIO2: Fast Direct LiDAR-inertial Odometry
University of Hong Kong（香港大学）
本文介绍了FAST-LIO 2：一个快速，强大，通用的激光雷达惯性测距框架。FAST-LIO 2建立在高效的紧耦合迭代卡尔曼滤波器基础上，具有两个关键的新颖性，可以实现快速，稳健和准确的LiDAR导航（和映射）。第一种是直接将原始点配准到地图（并随后更新地图，即，映射）而不提取特征。这使得能够利用环境中的细微特征，从而提高准确性。手工设计的特征提取模块的消除也使其自然地适用于不同扫描模式的新兴LiDAR;第二个主要新颖性是通过增量k-d树数据结构ikd-Tree来维护地图，其使得能够进行增量更新（即，点插入、删除）和动态再平衡。与现有的动态数据结构（八叉树、R*-树、nanoflann k-d树）相比，ikd-Tree实现了更好的整体性能，同时自然地支持树上的下采样。我们对来自各种开放LiDAR数据集的19个序列进行了详尽的基准比较。FAST-LIO 2以比其他最先进的激光雷达惯性导航系统低得多的计算负荷实现了始终如一的更高精度。还进行了具有小FoV的固态LiDAR的各种真实实验。总的来说，FAST-LIO 2是计算高效的（例如，在大的室外环境中高达100 Hz的测距和映射），鲁棒的（例如，在旋转高达1000度/秒的杂乱室内环境中的可靠姿态估计），通用（即，适用于多线旋转和固态激光雷达、无人机和手持平台以及基于英特尔和ARM的处理器），同时仍然实现比现有方法更高的精度。我们实现的系…
2021-07-14 cs.RO
KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
提出紧耦合关键点检测器与描述子TCKDD及辅助框架KDD-LOAM，通过多任务全卷积网络与自监督损失提升点云配准性能，在KITTI上显著超越LOAM。
2023-09-27 cs.CV cs.RO
Versatile LiDAR-Inertial Odometry With SE (2) Constraints for Ground Vehicles
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；School of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；KINDI Center for Computing Research, College of Engineering, Qatar University（卡塔尔大学工程学院金迪计算研究中心）
本文提出一种紧耦合 LiDAR-惯性 SLAM 框架，将地面车辆位姿参数化于 SE(2)，并把越界运动扰动纳入噪声模型，融合传感器与运动先验以提升室内外定位精度和鲁棒性。
2023-12-23 cs.RO
EAROL: Environmental Augmented Perception-Aware Planning and Robust Odometry via Downward-Mounted Tilted LiDAR
School of Automation, Beijing Institute of Technology（自动化学院，北京理工大学）
针对开顶场景下无人机定位漂移与感知-规划耦合问题，提出EAROL框架，采用下装倾斜LiDAR（20°），集成紧耦合LIO系统与分层轨迹优化算法，硬件创新增强约束与环境感知，实验显著提升定位精度与感知覆盖率，为灾后搜救提供鲁棒方案。
2025-08-20 cs.RO
AsynEVO: Asynchronous Event-Driven Visual Odometry for Pure Event Streams
Northwestern Polytechnical University（西北工业大学）
针对纯事件流视觉里程计中效率与高时间分辨率利用不足的问题，本文提出基于稀疏 GP 回归的异步 AsynEVO，结合异步前端、动态滑动窗口后端和动态边缘化，实现高精度、强鲁棒且更高效的运动估计。
2025-01-06 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
eNavi: Event-based Imitation Policies for Low-Light Indoor Mobile Robot Navigation
本文提出eNavi，通过结合RGB和事件数据的多模态策略提升低光环境下机器人导航的鲁棒性，实验显示融合模型在未见低光条件下表现更优。
2026-03-15 cs.RO
CAO-RONet: A Robust 4D Radar Odometry with Exploring More Information from Low-Quality Points
Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院）
针对4D雷达低质量点影响里程计任务的问题，提出CAO-RONet框架，通过局部补全、上下文感知关联和基于窗口的优化器实现鲁棒自我运动估计，性能提升约50%且精度媲美LiDAR里程计。
2025-03-03 cs.RO
Odometer-Agnostic Drift Correction Using OpenStreetMap Lane Geometry
Distance Technologies Oy（距离科技有限公司）；University of the Balearic Islands（巴利阿里群岛大学）
提出一种轻量级、开源、里程计无关的漂移校正方法，通过将短轨迹段与OSM车道中心线直接对齐，无需稠密先验，在LiDAR和视觉里程计实验中显著减少长期漂移。
2026-09-10 cs.RO
Feature-based Event Stereo Visual Odometry
University of Zagreb Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；Rimac Automobili（里马克汽车公司）
基于事件的相机是生物启发的传感器，其输出事件，即，场景中的异步逐像素亮度变化。它们的高动态范围和微秒级的时间分辨率使它们在具有挑战性的照明环境和高速场景中比标准相机更可靠，因此开发仅基于事件相机的里程计算法为自主系统和机器人提供了令人兴奋的新可能性。在本文中，我们提出了一种新的立体视觉里程计方法的事件摄像机的基础上进行特征检测和匹配与仔细的特征管理，而姿态估计是通过重投影误差最小化。我们评估了所提出的方法在两个公开数据集上的性能：室内飞行无人机捕获的MVSEC序列和DSEC室外驾驶序列。MVSEC提供了来自运动捕捉的精确地面实况，而对于不提供地面实况的DSEC，为了获得标准相机帧上的参考轨迹，我们使用了我们的SOFT视觉里程计，这是KITTI记分牌上排名最高的算法之一。我们将我们的方法与ESVO方法进行了比较，ESVO方法是第一种也是唯一的立体声事件里程计方法，在MVSEC序列上显示出同等的性能，而在DSEC数据集上，ESVO与我们的方法不同，无法使用默认参数处理户外驾驶场景。此外，我们的方法ESVO的两个重要的优点是，它适应跟踪频率的异步事件率，不需要初始化。
2021-07-10 cs.CV cs.RO
Deep Auxiliary Learning for Visual Localization and Odometry
University of Freiburg（弗莱堡大学）
定位是机器人自主堆栈中不可或缺的组成部分，使其能够确定自己在环境中的位置，基本上使其成为任何行动执行或规划的先驱。尽管卷积神经网络在视觉定位方面已经显示出了有希望的结果，但它们仍然远远优于最先进的基于局部特征的技术。在这项工作中，我们提出了VLocNet，一个新的卷积神经网络架构的6自由度的全球姿态回归和里程估计从连续的单目图像。我们的多任务模型包含硬参数共享，因此除了端到端可训练之外，还具有紧凑性和实时推理能力。我们提出了一种新的损失函数，利用辅助学习在训练过程中利用相对姿态信息，从而约束搜索空间，以获得一致的姿态估计。我们在室内和室外数据集上评估了我们提出的VLocNet，并表明即使是我们的单任务模型也超过了最先进的全局定位深度架构的性能，同时在视觉里程计估计方面也取得了有竞争力的性能。此外，我们提出了广泛的实验评估，利用我们提出的几何一致性损失，显示多任务学习的有效性，并证明我们的模型是第一个深度学习技术，并在某些情况下优于最先进的基于SIFT的方法。
2018-03-09 cs.LG cs.RO
