通过定量评估直接、特征和半直接方法的最新技术，提供了社区有用的实用知识，以便更好地应用现有的方法和开发新的 VO 和 SLAM 算法，并提出了可能的改进现有方法的建议。

May, 2017

本文提出了新的 TUM VI 基准数据集，为不同场景下的视觉惯性 (VI) 里程计进行评估提供具有多样性的序列，其中提供了相机图像和 IMU 测量值，并使用运动捕捉系统提供了准确的姿态真值。

Apr, 2018

提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构 - 在参考帧中表示为反深度 - 和相机运动）的一致联合优化相结合。

Jul, 2016

本文提出了一种在线光度标定方法，该方法使用鲁棒的 KLT 特征跟踪获得场景点对应关系，用于非线性优化框架，从而恢复连续帧的曝光时间、摄像机响应函数和传感器污损因子，实现对任意视频序列的可靠标定，并验证了其可以提高基于像素强度完全在线标定光度参数的最先进直接视觉里程计方法的性能。

Oct, 2017

该论文提出一种新颖的视觉 - LiDAR 里程计和建图方法，该方法基于 ORB-SLAM 和 A-LOAM 两种常用方法，并采用单目尺度校正和视觉辅助 LiDAR 运动补偿修改，其显著优于 ORB-SLAM2 和 A-LOAM，而其视觉里程计的准确性类似于 ORB-SLAM2 的立体模式。

Apr, 2023

该研究提出了一个基于虚拟世界的视觉感知基准测试套件，通过对超过 250,000 个高分辨率视频帧的低层次和高层次的视觉任务进行全面地注释，并针对多个任务分析了最先进方法的表现，提供参考基线和突出未来研究的挑战。

Sep, 2017

本文介绍了一份在罗马收集的视觉和感知研究数据集，包括 RGB 数据、3D 点云、IMU 和 GPS 数据，并引入了一个新的基准用于视觉里程计和 SLAM，以推进自主机器人和计算机视觉的研究。

Apr, 2024

通过分析主要的失败案例并揭示优化过程的各种缺点，我们诊断了一种流行的学习型 SLAM 模型（DROID-SLAM）的关键弱点。然后，我们提出使用自监督先验，利用冻结的大规模预训练单眼深度估计初始化稠密捆绑调整过程，从而实现鲁棒的视觉里程计，无需对 SLAM 骨干进行微调。尽管方法简单，但在 KITTI 里程计和具有挑战性的 DDAD 基准上，我们的方法显示出显著的改进。代码和预训练模型将在发表后发布。

Jun, 2024

本文介绍了一种新的紧密耦合的视觉惯性同时定位和建图系统，采用惯性测量单元进行初始测量，实现了零漂移定位，带有地图重用功能，并应用于单目相机的最一般问题。在微型飞行器公共数据集的 11 个序列中测试了该系统，证明了其比目前最先进的视觉惯性测量方法更为准确。

Oct, 2016

本文对 RGB-D SLAM 进行了可行性研究，通过 ORBSLAM2 等视觉 SLAM 方法在公开数据集和自行构建的 HomeRobot 数据集上进行实验，发现它们在很多情况下可以取得很好的精度，但健壮性仍然是一个问题。

Oct, 2019