本研究介绍了一种无监督深度神经网络方法，用于融合 RGB-D 图像和惯性测量进行绝对轨迹估计。我们的网络在没有 IMU 固有参数或 IMU 与相机之间的外部校准的情况下进行学习，学习整合 IMU 测量并生成假设轨迹，然后根据空间像素坐标的缩放图像投影误差的雅可比矩阵进行在线更正。在 KITTI Odometry 数据集上与最先进的视觉惯性测距，视觉测距和视觉同时定位和地图构建（VSLAM）方法进行了比较，表现出有竞争力的测距性能。

Mar, 2018

本文提出了一种自监督的 LiDAR 测距法 ——SelfVoxeLO，通过使用 3D 卷积网络对点云数据进行特征提取，利用 LiDAR 点云的内在属性设计了多种新颖的损失函数，并引入了一种不确定性感知的机制来减轻运动物体 / 噪声的干扰，该方法在 KITTI 和 Apollo-SouthBay 数据集上的性能超过了现有的无监督方法，并且可以通过添加更多未标记的训练数据来进一步提高性能，可与有监督的方法相媲美。

Oct, 2020

提出了一种多用途的自监督 LiDAR 里程计估计方法，该方法在训练期间有选择地应用几何损失，无需任何标签或地面数据，适用于精度难以获得的应用中的姿态估计。

Nov, 2020

本文介绍了一种用于无人机的新型实时单目视觉里程计模型，使用了深度神经网络架构和自注意力模块，能够通过连续视频帧估计相机的自身运动，进而估计无人机的轨迹。该模型在两个视觉里程计数据集上测试，收敛速度比之前的循环神经网络模型快 48％，并且平均平移漂移减少了 22％，平均平移绝对轨迹误差改善了 12％，表现出更强的抗噪能力。

Apr, 2024

本文提出了一种基于卷积神经网络（CNN）训练的适用于 Velodyne 传感器稀疏 3D 数据编码的方法，用于将稀疏点云分割成地面和非地面点，并表明该方法在速度和精确度方面明显优于 Zhang 等人的最先进方法。

Sep, 2017

本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。

Jul, 2020

我们使用基于深度学习的 CNN 模型，通过附加非线性状态估计约束惯性测距问题，利用一个窗口的 IMU 采样来推断短暂速度，从而提高计算机设备惯性测距的精确度。

Aug, 2018

该论文介绍了一种新的多传感器融合算法：LiDAR 惯性摄像头融合（LIC-Fusion），它可以在线校准所有异步传感器之间的空间和时间，并在 MSCKF 框架内实现稀疏视觉特征观测值和 IMU 读数的多模态传感器融合，实验结果表明，在室内和室外环境下，该算法相对于视觉惯性测量（VIO）和 LiDAR 测量方法具有更高的估计精度和鲁棒性。

Sep, 2019

本文提出了一种新的深度卷积网络 LO-Net，其可以进行实时激光雷达里程计估计，并通过端到端的方式进行训练。LO-Net 具有一种新的掩码加权的几何约束损失函数，可以有效地学习 LO 估计的特征表达，并可以隐式地利用数据中的时序依赖和动态性。我们还设计了一个扫描到地图的模块，利用 LO-Net 中所学习的几何和语义信息，以提高估计精度。基准数据集上的实验表明，LO-Net 胜过现有的基于学习的方法，并具有与 LOAM 的现有状态 - of-the-art 几何方法相似的准确性。

Apr, 2019

该研究论文介绍了一种 LiDAR 里程计系统，能够在不同操作条件下正常运行，并实现与特定领域方法相当的性能。该系统使用基于 PCA 的 kd 树实现的 ICP 范式，用于提取待配准点云的结构信息并计算对齐的最小化度量。通过根据估计的姿态不确定性管理局部地图，将漂移控制在一定范围内。为了使研究社区受益，我们发布了一个开放源代码的 C++ 实现，可实时应用在任何时候。

May, 2024