通过使用摄像头和惯性测量单元（IMU）传感器，Visual Inertial Odometry（VIO）算法可以准确估计相机轨迹。我们引入了 Amirkabir 校园数据集（AUT-VI）来解决动态环境下的问题，改善导航系统。AUT-VI 是一个新颖而超级具有挑战性的数据集，包含 17 个不同位置的 126 个多样的序列，涵盖了所有极端导航场景。我们还发布了安卓应用程序用于数据捕获，以支持研究人员定制自己的 VIO 数据集变体，并在我们的数据集上评估了最先进的 Visual Inertial Odometry（VIO）和 Visual Odometry（VO）方法，强调了这个具有挑战性数据集的重要性。

Jan, 2024

通过提供高质量的真实世界数据和多种原始传感器数据，具有六自由度地面真值的计算机视觉基准集，比较 Google Tango、ARCore 和 Apple ARKit 的视觉惯性跟踪与两种学术方法。

Jul, 2018

提出了一个包含 50 个具有独特多样性的现实中场景的数据集，用于评估单目视觉里程计和 SLAM 方法的跟踪精度，并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法，该研究详细评估了两种现有方法（ORB-SLAM 和 DSO）在该数据集上的效果。

Jul, 2016

本文介绍了如何通过使用摄像头和惯性测量单元来实现无人机的姿态和速度的估计，摄像头和惯性测量单元十分常见且价格低廉。

Jun, 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

本研究提出了一种通过非线性因子恢复和捆绑调整的方法从视觉惯性测距（VIO）中提取有用信息，以实现全局一致的建图和提高准确性。在公共基准测试中，我们证明了该方法优于现有技术。

Apr, 2019

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

通过多传感器的数据融合，本文研究了多视觉惯性系统的状态估计和校准问题，并提出了一种新型解决方案，取得了较好的准确性和收敛性。

Aug, 2023

该研究致力于提供一种通过廉价视频和自定义传感器记录的数据集来实现人体姿态跟踪和运动重建的方法，以支持远程的日常生活活动识别和运动学分析等问题。通过对 54 名受试者进行研究，验证了该数据集具有良好的临床应用价值和相关的不扰动采集协议，并可以提供人体关节角度的全面图像。

Mar, 2023