Night-Rider: Nocturnal Vision-aided Localization in Streetlight Maps Using Invariant Extended Kalman Filtering
State Key Laboratory of Internet of Things for Smart City（智慧城市物联网国家重点实验室）；Faculty of Science and Technology, University of Macau（澳门大学科技学院）
针对夜间视觉信息不足导致的移动机器人定位难题，本文提出 Night-Rider 系统，利用路灯地图、目标检测关联匹配和 InEKF 融合 IMU、里程计与相机信息，并在四类夜间场景中实现低于 0.2% 轨迹长度相对误差的鲁棒定位。
2024-03-03 cs.RO
Observer-based Controller for VTOL-UAVs Tracking using Direct Vision-Aided Inertial Navigation Measurements
Carleton University（卡尔顿大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Szeged（塞格德大学）
本研究提出一种基于观测器的VTOL-UAV控制器，可直接利用VA-INS测量值实现6 DoF轨迹跟踪，省去姿态位置重建，计算效率更高，闭环误差指数稳定，适用于GPS不可用环境，且提供了离散版本并完成测试。
2023-08-25 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
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
Vision-Aided Relative State Estimation for Approach and Landing on a Moving Platform with Inertial Measurements
I3S, CNRS, Université Côte d’Azur（I3S、CNRS、普罗旺斯大学）；Département d’informatique et d’ingénierie, Université du Québec en Outaouis and Department of Electrical Engineering, Lakehead University（信息与工程系、魁北克大学 Outaouais 以及拉夫堡大学电子工程系）；Systems Theory and Robotics Group Australian National University（系统理论与机器人组、澳大利亚国立大学）；Institut Universitaire de France (IUF)（法国高等研究院）
提出一种级联观测器，结合SO(3)互补滤波和线性Riccati观测器，利用IMU和单目相机估计无人机与移动平台的相对位姿和速度，在持续激励条件下实现几乎全局渐近稳定。
2026-06-11 cs.RO cs.SY eess.SY
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
A Hybrid Model and Learning-Based Adaptive Navigation Filter
University of Haifa（海法大学）
惯性导航系统和全球导航卫星系统之间的融合经常用于许多平台，例如无人机，陆地车辆和海洋船舶。融合通常在基于模型的扩展卡尔曼滤波器框架中进行。滤波器的关键参数之一是过程噪声协方差。它负责实时解决方案的准确性，因为它考虑了车辆动力学的不确定性和惯性传感器的质量。在大多数情况下，过程噪声是假设为常数的协方差。然而，由于整个轨迹中的车辆动力学和传感器测量变化，过程噪声协方差会发生变化。为了应对这种情况，在文献中提出了几种基于自适应模型的卡尔曼滤波器。在本文中，我们提出了一种混合模型和学习为基础的自适应导航滤波器。我们依赖于基于模型的卡尔曼滤波器，并设计了一个深度神经网络模型来调整瞬时系统噪声协方差矩阵，仅基于惯性传感器读数。一旦学习了过程噪声协方差，就将其插入完善的基于模型的卡尔曼滤波器。推导出建议的混合框架后，使用四旋翼的现场实验结果和基于模型的自适应方法的比较。我们表明，该方法获得了25%的位置误差的改善。此外，所提出的混合学习方法可以用于任何导航滤波器，也可以用于任何相关的估计问题。
2022-09-02 cs.LG cs.RO cs.SY
Inertial Collaborative Localisation for Autonomous Vehicles using a Minimum Energy Filter
Australian National University（澳大利亚国立大学）；Defence Science and Technology Group（国防科学技术集团）
近年来，协作定位作为一种在具有挑战性的环境中改善无人机姿态估计的方法得到了广泛的研究。然而，很少有人注意到推进基本的滤波器设计超出标准的扩展卡尔曼滤波器为基础的方法。在本文中，我们详细介绍了一个离散时间协同定位过滤器使用确定性最小能量框架。该滤波器包含来自惯性测量单元的测量结果，并对传感器偏差和重力加速度的影响进行建模。我们提出了一个基于真实世界的车辆轨迹和IMU数据的模拟，演示了协作定位如何提高单车辆方法的性能。
2021-04-13 cs.RO cs.SY eess.SY
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
Semi-Aerodynamic Model Aided Invariant Kalman Filtering for UAV Full-State Estimation
Sun Yat-sen University（中山大学）
本研究首次将ES-RIEKF应用于固定翼无人机全源导航，结合半气动模型与LSTM网络实现无漂移气流角预测，提升了GNSS拒止下的状态估计精度与鲁棒性。
2023-10-03 cs.RO
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
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
Adaptive Step Size Learning with Applications to Velocity Aided Inertial Navigation System
University of Haifa（海法大学）
自主式水下航行器（AUV）通常用于许多水下应用。近年来，多旋翼无人驾驶自主飞行器（UAV）在海洋应用中的使用受到越来越多的关注。通常，这两个平台都采用惯性导航系统（INS）和辅助传感器来实现精确的导航解决方案。在AUV导航中，多普勒测速仪（DVL）主要用于辅助惯性导航系统，而对于无人机，通常使用全球导航卫星系统（GNSS）接收机。辅助传感器与惯导系统之间的融合需要在估计过程中定义步长参数。它负责解决方案的频率更新，并最终确保其准确性。步长的选择在计算负载和导航性能之间进行权衡。通常，辅助传感器更新频率被认为比INS工作频率（数百赫兹）慢得多。对于大多数平台，特别是对于低动态AUV，这样的高速率是不必要的。在这项工作中，监督机器学习为基础的自适应调整计划，以选择适当的INS步长的建议。为此，定义了速度误差界限，允许INS/DVL或INS/GNSS在次优工作条件下工作，并且使计算负荷最小化。仿真和现场实验结果表明，使用所提出的方法的好处。此外，所提出的框架可以应用于任何类型的传感器或平台之间的任何其他融合场景。
2022-06-27 cs.RO
UVIO: An UWB-Aided Visual-Inertial Odometry Framework with Bias-Compensated Anchors Initialization
Control of Networked Systems Group, University of Klagenfurt（网络化系统控制组，克雷根弗特大学）；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
UVIO框架利用UWB技术和视觉-惯性里程计实现鲁棒低漂移定位，通过无人机自主初始化未知锚点，利用GDOP优化锚点位置估计，减少映射不确定性，最终消除初始化锚点范围内的VIO漂移。
2026-04-22 cs.RO
AIVIO: Closed-loop, Object-relative Navigation of UAVs with AI-aided Visual Inertial Odometry
University of Klagenfurt（克拉根福大学）
本文提出 AIVIO 无人机系统，用 RGB 相机与 IMU、合成数据训练并部署优化的深度学习位姿估计器实现实时物体相对闭环定位，并通过电线杆检查实飞验证。
2024-10-08 cs.RO
Bayesian Learning-Enhanced Navigation with Deep Smoothing for Inertial-Aided Navigation
Hatter Department of Marine Technologies, Charney School of Marine Sciences, University of Haifa（海法大学查尼海洋科学学院哈特海洋技术系）
本文提出BLENDS框架，结合贝叶斯学习与深度平滑技术，通过改进滤波协方差矩阵和加性修正，提升惯性导航系统在真实场景中的定位精度。
2026-03-26 cs.RO
Legged Robot State Estimation using Invariant Kalman Filtering and Learned Contact Events
University of Michigan（密歇根大学）
这项工作开发了一个基于学习的接触估计器的足式机器人，绕过物理传感器的需要，并采取多模态本体感觉数据作为输入。与基于视觉的状态估计器不同，本体感受状态估计器对于诸如黑暗或有雾场景之类的感知降级的情况是不可知的。虽然一些机器人配备有专用物理传感器以检测用于状态估计的必要接触数据，但是一些机器人不具有专用接触传感器，并且在不重新设计硬件的情况下添加这样的传感器是不平凡的。经过训练的网络可以估计不同地形上的接触事件。实验表明，与最先进的视觉SLAM系统相比，接触辅助不变扩展卡尔曼滤波器可以生成准确的里程轨迹，从而实现鲁棒的本体感受里程。
2021-11-29 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
GAIT: Legged Robot Proprioceptive State Estimation with Attention over Inertial-Leg Tokens
Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出一种将惯性-腿部(IL)令牌化与注意力机制结合的方法，用于足式机器人本体状态估计，通过自适应加权不同传感器测量值提升估计性能，在未见步态和复杂地形上优于现有方法。
2026-06-15 cs.RO
Pure Inertial Navigation in Challenging Environments with Wheeled and Chassis Mounted Inertial Sensors
本文提出WiCHINS系统，结合轮式和车架惯性传感器，通过三阶段框架提升纯惯性导航精度，实验表明平均位置误差为11.4米，有效提升复杂环境导航性能。
2026-01-01 cs.RO
Adaptive Covariance and Quaternion-Focused Hybrid Error-State EKF/UKF for Visual-Inertial Odometry
本文提出一种自适应协方差与四元数聚焦混合误差状态EKF/UKF方法，用于提升无人机在复杂环境下的视觉-惯性里程计性能，实现高精度姿态估计与低计算成本的平衡。
2025-12-19 cs.CV cs.RO
Invariant Cubature Kalman Filter for Monocular Visual Inertial Odometry with Line Features
Shijiazhuang Tiedao University（石家庄铁道大学）；Beijing Jiaotong University（北京交通大学）
为了实现机器人导航中鲁棒、精确的状态估计，在不变卡尔曼滤波和立方卡尔曼滤波器（CKF）理论的基础上，提出了一种新的基于线特征的视觉惯性里程（VIO）算法。与传统的CKF相比，滤波器的状态由高维矩阵李群构造，不确定性用李代数表示。为了提高系统在低纹理或光照变化等复杂场景中的鲁棒性，将线特征引入状态变量。该算法利用李代数的指数映射构造求积点，以直线的重投影误差作为状态更新的观测函数。该方法准确地描述了系统在旋转过程中的不确定性，减小了系统的线性化误差，将传统的CKF从欧氏空间推广到流形空间。它既继承了不变滤波在一致性方面的优点，又避免了高维矩阵复杂的雅可比运算。为了证明该算法的有效性，我们将其与Euroc数据集上最先进的基于过滤的VIO算法进行比较。仿真结果表明，该算法在提高估计精度和鲁棒性方面是有效的。
2019-12-26 cs.RO cs.SY eess.SY
Neural Aided Adaptive Innovation-Based Invariant Kalman Filter
本文提出一种结合不变滤波理论与神经辅助自适应噪声估计的卡尔曼滤波器，用于提升自主水下导航的定位精度，实验表明其在位置均方误差方面优于现有方法。
2026-03-17 cs.RO cs.SY eess.SP
A switching Kalman filter approach to online mitigation and correction of sensor corruption for inertial navigation
针对惯性导航中外部传感器故障损坏问题，提出结合参数增广的切换卡尔曼滤波方法，通过多观测模型似然评估识别并校正故障，在气球导航、航天飞机再入场景下验证了其抗偏差能力与鲁棒性。
2024-12-10 cs.RO cs.SY eess.SY
Neural Network Aided Kalman Filtering with Model Predictive Control Enables Robot-Assisted Drone Recovery on a Wavy Surface
School of Data Science, The Chinese University of Hong Kong, Shenzhen, China（数据科学学院，香港中文大学（深圳））；School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen, China（科学与工程学院，香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society, Shenzhen, China（社会人工智能与机器人研究所，深圳）
本文提出一种统一框架，利用神经网络辅助卡尔曼滤波 KalmanNet++ 预测无人机位置并结合滚动时域模型预测控制规划机械臂轨迹，实现了波浪表面上无人机的高效鲁棒回收。
2025-11-04 cs.RO cs.SY eess.SY
Robust Extended Kalman Filter for Land Navigation Using Massive Array of MEMS IMUs
School of Computer Science, Reichman University（里奇曼大学计算机科学学院）
提出一种鲁棒扩展卡尔曼滤波架构，通过动态百分位门控和实时偏置跟踪的预滤波框架，有效融合数百个低成本MEMS惯性传感器，抑制异常读数并补偿漂移，显著提升方位精度并降低漂移累积。
2026-06-28 cs.RO cs.SY eess.SY
Invariant EKF Design for Scan Matching-aided Localization
University of Alberta（阿尔伯塔大学）；MINES ParisTech, PSL - Research University（巴黎矿业学院，巴黎文理研究大学）
本文提出基于IEKF和MEKF的室内定位方法，通过融合运动传感器数据与扫描匹配点云实现机器人位姿估计，实验验证了IEKF的优越性。
2015-03-04 cs.RO cs.SY eess.SY
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
MSCEKF-MIO: Magnetic-Inertial Odometry Based on Multi-State Constraint Extended Kalman Filter
针对现有室内里程计难以兼顾精度、成本与鲁棒性的问题，提出MSCEKF-MIO磁惯性里程计方法，融合磁场变化与INS估计实现高精度室内定位，性能优于现有MAINS算法，具备低功耗等优势。
2025-05-20 cs.RO cs.SY eess.SP
Improve the autonomy of the SE2(3) group based Extended Kalman Filter for Integrated Navigation: Theoretical Analysis
National University of Defense Technology（国防科技大学）；Beijing Institute of Tracking and Communication Technology（北京跟踪与通信技术研究所）
本文提出了一种基于SE2(3)群的导航模型构建方法，以提升高精度导航中误差传播的自主性，解决地球自转和惯性设备偏置带来的挑战。
2026-01-22 cs.RO cs.SY eess.SY
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
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
The Setting of IMU Parameters in Kalman Filtering-based Information Fusion
Tongji University（同济大学）
该研究针对卡尔曼滤波信息融合中IMU参数设置难题，提出基于Allan方差校准的方法，验证了其在两类IMU传感器融合系统中的可行性与有效性。
2026-08-26 cs.RO cs.SY eess.SY
Whole-Body Human Kinematics Estimation using Dynamical Inverse Kinematics and Contact-Aided Lie Group Kalman Filter
Italian Institute of Technology（意大利理工学院）；University of Genoa（热那亚大学）；University of Manchester（曼彻斯特大学）
在没有位置传感器的情况下，通过可穿戴感测技术对人的全身运动估计是具有挑战性的。本文致力于开发一种基于模型的全身运动学估计算法，使用可穿戴分布式惯性和力-力矩传感。这是通过扩展现有的动态优化为基础的逆运动学（IK）的联合状态估计的方法，级联，包括一个中心的压力为基础的接触检测器和接触辅助卡尔曼滤波器上的李群的浮动基础姿势估计。所提出的方法进行了测试，在一个实验场景中，一个人配备了传感器的西装和鞋进行步行运动。所提出的方法被证明，以获得一个可靠的重建的全身人体运动。
2022-05-16 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
Unscented Kalman Filtering on Manifolds for AUV Navigation -- Experimental Results
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在这项工作中，我们提出了一个辅助惯性导航系统的自主水下航行器（AUV）使用流形上的无迹卡尔曼滤波器（UKF-M）。惯性导航估计由多普勒速度记录仪（DVL）、深度传感器、声波测距仪以及在地面上的GPS辅助。明确描述了AUV上每个导航传感器的传感器模型，包括IMU和每个传感器之间的杠杆臂偏移的补偿。此外，提出了一个离群值拒绝步骤，以拒绝测量离群值，会降低导航性能。UKF-M的AUV导航的实时导航弗吉尼亚理工大学690 AUV和验证现场实施。最后，通过对导航传感器数据的后处理，我们通过实验证明了UKF-M能够在任意大的初始航向误差的存在下收敛到正确的航向。
2022-10-12 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
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
Dynamic Magnetometer Calibration and Alignment to Inertial Sensors by Kalman Filtering
磁力计和惯性传感器被广泛用于方位估计。磁力计的使用通常很麻烦，因为它容易受到机载或环境磁干扰的干扰。机载软铁材料不仅会扭曲磁场，还会扭曲磁力计传感器框架坐标和相对于惯性传感器的交叉传感器未对准。期望方便地将磁传感器和惯性传感器信息置于公共框架中。现有的方法要么分裂成连续的内在和跨传感器校准的问题，或依赖于静态加速度计测量，这是不可行的动态条件。本文将磁强计与惯性传感器的标定和对准问题归结为一个状态估计问题，统一解决了磁强计的本征标定和跨传感器标定以及陀螺仪的零偏估计问题。充分条件推导出的问题是全球可观察的，即使没有加速度计的信息是在所有。设计了一种扩展卡尔曼滤波器来实现状态估计，综合的测试数据结果表明了该方法的优越性能。该方法不受加速度扰动的影响，适用于任何动态环境.
2016-12-04 cs.RO
Robust Online Calibration for UWB-Aided Visual-Inertial Navigation with Bias Correction
Department of Electrical and Computer Engineering, George Mason University（乔治·马歇尔大学电气与计算机工程系）；Department of Electrical and Computer Engineering, University of California, Riverside（加州大学河滨分校电气与计算机工程系）；Department of Electrical Engineering and Computer Science, University of Tennessee, Knoxville（田纳西大学克林顿分校电气工程与计算机科学系）
针对UWB辅助VINS中锚点校准存在的初始化定位误差敏感和鲁棒性不足问题，提出一种纳入定位不确定性的鲁棒在线校准框架及基于SKF的紧耦合优化方法，提升了校准的准确性与实用性。
2025-08-14 cs.RO cs.SY eess.SY
Improve the autonomy of the SE2(3) group based Extended Kalman Filter for Integrated Navigation: Application
National University of Defense Technology（国防科技大学）；Beijing Institute of Tracking and Communication Technology（北京跟踪与通信技术研究所）
本文提出改进基于SE2(3)群的扩展卡尔曼滤波器自主性，通过实验和模拟验证其在高精度导航中的应用效果。
2026-01-25 cs.RO cs.SY eess.SY
$SE_2(3)$ based Extended Kalman Filtering and Smoothing Framework for Inertial-Integrated Navigation
GNSS Research Center, Wuhan University（武汉大学GNSS研究中心）
针对惯性组合状态估计问题，提出了一种基于$SE_2(3)$的扩展卡尔曼滤波（EKF）框架。惯性导航系统中采用两个矢量的直接差表示误差，由于没有考虑方向差的影响，可能不太合理。因此，我们选择使用$SE_2(3)$矩阵李群来表示惯性组合导航系统的状态，从而导致共同的框架误差表示。在新的速度和位置误差定义下，利用具有自主误差特性的群仿射动力学，分别推导了东北向下（NED）导航框架和地心地球固定（ECEF）框架下惯性组合导航的误差状态微分方程，并推导了相应的扩展卡尔曼滤波器，即基于$SE_2(3)$的扩展卡尔曼滤波器。为几何EKF提供了一个新的视角，并为惯性组合导航系统提供了更为完善的计算公式。此外，我们通过引入新的辅助向量，分别在NED框架和ECEF框架上设计了两个新的修正误差动力学。最后，在导航框架和ECEF框架下证明了左不变EKF和基于左$SE_2(3)$的EKF的等价性。
2021-03-12 cs.RO
Direct Visual-Inertial Ego-Motion Estimation via Iterated Extended Kalman Filter
City University of Hong Kong（香港城市大学）
本文提出了一种用于恢复微型飞行器的高度、平移速度和方向的被动导航策略。主要贡献在于在一个单一的平面场景的假设下，与单目反馈的惯性测量单元（IMU）测量的直接和紧密的融合。采用迭代扩展卡尔曼滤波器（IEKF）方案。状态预测利用IMU读数，而状态更新直接依赖于作为测量的光度反馈。与基于特征的方法不同，新息项的光度差异在单步的中呈现固有且鲁棒的数据关联过程。所提出的方法是使用真实世界的数据集进行验证。实验结果表明，该方法比基于特征的方法具有更好的鲁棒性、准确性和效率。进一步的研究表明，从所提出的方法的飞行速度估计的准确性是两个国家的最先进的视觉惯性系统（VINS）相比，而所提出的框架是$\approx15-30$倍，由于省略重建和映射。
2020-01-15 cs.RO
Equivariant Symmetries for Aided Inertial Navigation
University of Klagenfurt（克拉根福大学）；Australian National University（澳大利亚国立大学）；University of Toronto（多伦多大学）；University of Minnesota（明尼苏达大学）
本论文利用等变系统理论，引入切群对称性以几何处理IMU偏差，推导出具有自主误差动态的等变滤波器（EqF），在精度、收敛速度、鲁棒性和一致性上优于最先进方法，并形式化了滤波器与对称性选择的关系。
2024-07-19 cs.RO cs.SY eess.SY
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
Modular Meshed Ultra-Wideband Aided Inertial Navigation with Robust Anchor Calibration
University of Klagenfurt（克拉根福大学）；University of Trento（特伦托大学）
提出支持状态解耦的通用滤波状态估计框架，通过自主标定与异常值剔除实现鲁棒的新锚点标定及紧耦合测距融合，降低计算复杂度并支持模块化。
2024-08-26 cs.RO cs.SY eess.SY
Upper Body Pose Estimation Using Wearable Inertial Sensors and Multiplicative Kalman Filter
University of Siena（锡耶纳大学）；Università di Bologna（博洛尼亚大学）
以可穿戴的方式估计肢体姿势可以有益于多个领域，例如康复、远程操作、人机交互、游戏等等。有几种解决方案是商业上可用的，但它们通常是昂贵的或不可穿戴/便携的。我们提出了一个可穿戴姿态估计系统（WePosE），基于惯性测量单元（IMU），运动分析和身体跟踪。与基于摄像机的方法不同，所提出的系统不受遮挡问题和光照条件的影响，具有成本效益，并且可以在室内和室外环境中使用。此外，由于仅使用加速度计和陀螺仪来估计方位，因此该系统也可以在存在铁和磁干扰的情况下使用。使用高精度的光学跟踪器进行了实验验证。结果证实了所提出的方法的有效性。
2019-09-24 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
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
MSCEqF: A Multi State Constraint Equivariant Filter for Vision-aided Inertial Navigation
University of Klagenfurt（克拉根福大学）；Australian National University（澳大利亚国立大学）
针对VINS问题提出多状态约束等变滤波器MSCEqF，通过定义包含IMU偏置和相机标定的对称群结构，解决了现有IEKF方法状态附加问题，在显著误差下保持内在一致性，显著提升了估计性能。
2023-11-20 cs.RO cs.SY eess.SY
LiDAR-Inertial Odometry Based on Extended Kalman Filter
Institute of Innovation for Future Society, Nagoya University（名古屋大学未来社会创新研究所）；LOCT Co., Ltd.（LOCT有限公司）；Graduate School of Science and Technology, University of Tsukuba（筑波大学理工学研究科）
提出基于扩展卡尔曼滤波器的KLIO激光雷达-惯性里程计，利用IMU预积分和扫描匹配计算先验与似然，实现精确轨迹跟踪与建图，精度媲美最先进方法。
2024-07-22 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
LIMOncello: Iterated Error-State Kalman Filter on the SGal(3) Manifold for Fast LiDAR-Inertial Odometry
Mobile Robotics Laboratory, Institut de Robòtica i Informàtica Industrial, Universitat Politècnica de Catalunya（移动机器人实验室，机器人与信息技术研究所，巴塞罗那理工大学）
LIMOncello基于SGal(3)流形的迭代误差状态卡尔曼滤波器实现高效激光雷达-惯性里程计，提升低可观测环境下的鲁棒性和实时性能。
2026-01-05 cs.RO
