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

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

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

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

本研究提出并发布了牛津惯性里程计数据集（OxIOD），这是一种首屈一指的数据收集方式，可用于惯性里程计研究，具有地面实况标签。

Sep, 2018

本论文提出了一种基于数据驱动的二阶段流程，首先估计设备的朝向，然后估计设备的位置。该流程使用普通智能手机，并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明，我们提出的方法在定位和朝向误差方面优于现有方法。

Feb, 2021

本文提出了一种新颖且数据驱动的方法，利用智能手机中的惯性测量单元（IMU）学习估算自然人类运动轨迹。通过回归速率向量，通过历史线性加速度和角速度，纠正低频偏差，对估算位置进行两次积分，从而实现了人体运动的准确估算。此外，文中还展示了该算法与视觉惯性导航的可比性，并公开了代码和数据以便进一步研究。

Dec, 2017

本文介绍了一种基于双积分旋转加速度的概率方法，能够通过解决推断问题，结合零速度更新、气压高度校正和伪更新约束瞬时速度等三种数据，以轻量级的方式实时跟踪智能手机的位置、速度和姿态，以构建完整的惯性导航系统。此方法证明可以通过现有的 iPad、iPhone 等智能设备实现。

Mar, 2017

本文介绍了首个针对分析不同因素对视觉定位影响的基准数据集，其中使用先进的本地化方法通过广泛实验评估了各种因素对于六度自由度（6DOF）相机姿态估计准确性的影响，并对其难度进行了总结，最终提出了未来研究的有益方向，包括序列定位方法和更好的本地特征。

Jul, 2017