本文全面综述了视觉惯性导航系统（VINS）的研究概况，旨在加速 VINS 及其它领域的研究，满足并推动社会的需求。

Jun, 2019

本文为机器学习领域的一项研究调查，通过总结学习方法在视觉室内导航任务中的代表作品，找出影响导航性能的问题并鼓励未来研究取得突破。

Feb, 2020

本文提出了一种新颖的机器人中心视觉惯性导航系统的公式，在滑动窗口滤波框架内进行设计，使用单眼相机和 6 轴 IMU 实现高精度的运动跟踪，将 VINS 相对于运动的局部坐标系进行重构，以获得更高精度的相对运动估计，并提出 R-VIO 算法。该算法在 Monte Carlo 的模拟实验和真实环境实验中进行了广泛测试，并显示出在一些方面打破了当前技术的局限性。

May, 2018

VINS-Mono 是一个鲁棒且多用途的单眼视觉惯性状态估计器，通过结合预积分 IMU 测量和特征观察，采用紧耦合的非线性优化方法，利用波束法检测模块，实现最小计算开销的重定位，并进行四自由度位姿图优化以确保全局一致性，具有高精度和通用性。

Aug, 2017

本研究提出了一个基于流形的序列到序列学习方法，用于使用视觉和惯性传感器进行运动估计。该方法具有许多优点，特别是它无需手动同步相机和 IMU，也无需手动校准 IMU 和相机。当具有准确的校准数据时，我们的方法与传统方法有竞争力，并且在校准和同步误差存在的情况下可以训练超越它们。

Jan, 2017

该论文提出了一种新的基于学习的运动学逆解模型：Visual-Inertial Inverse Kinodynamics (VI-IKD)，它结合了惯性和视觉信息，可以预测地形与车辆间的运动学相互作用，提高了无人车高速越野导航的准确性和鲁棒性。

Mar, 2022

本研究提出一种新颖的端到端选择性传感器融合框架，用于单目视觉内导（VIO）中的图像和惯性测量融合，以估计轨迹并提高对实际问题的鲁棒性，在三个公共数据集上进行了全面测试，并展示了融合策略的效果，尤其是在存在错误数据情况下。

Mar, 2019

本研究设计了一种名为 RD-VIO 的新型视觉惯性测距系统，能够处理动态场景和纯旋转问题，并通过 IMU-PARSAC 算法和延迟三角测量技术来提高在这些问题上的性能。实验证明，在动态环境中，所提出的 RD-VIO 相较于其他方法具有明显优势。

Oct, 2023

本文提出了一种基于不变扩展卡尔曼滤波器 (RIEKF-VINS) 的方法，并通过 Monte Carlo 模拟和实际实验验证了该方法在视觉惯性导航系统中的有效性。该方法使用一种新的不确定性表示方法，可以保留 VINS 中的不变性质，并将 RIEKF-VINS 适用于多状态约束卡尔曼滤波器框架，从而获得一致性的状态估计。

Feb, 2017

本文介绍了一种基于深度学习的自适应视觉惯性测距（VIO）方法，采用先进的策略网络，根据运动状态和惯性测量读数，在可能的情况下对视觉模态进行去激活，以减少计算的冗余并实现自适应复杂性缩减。实验结果表明，该技术可在评估 KITTI 数据集时实现高达 78.8% 的计算复杂度降低，其性能与完整模态基线方法相当甚至更好。

May, 2022