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

EDI 是一种快速、准确和稳健的视觉惯性初始化方法，它采用 Error-state Kalman Filter（ESKF）来估计陀螺仪偏差并通过单目 SLAM 来校正旋转估计，提供了一个封闭解法来估计初速度、尺度、重力和加速度偏差，并引入权重来处理重力和加速度偏差的耦合问题。在 EuRoC 数据集上进行的广泛评估表明，该方法在不到 3 秒的时间内平均尺度误差为 5.8%，性能优于其他最先进的分离式视觉惯性初始化方法，甚至在复杂环境和带有人工噪声干扰的情况下也能表现出色。

Aug, 2023

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

本文提出了一种基于状态约束卡尔曼滤波器的、用于自主飞行的滤波器的立体视觉惯性测距法，并证明了这种方法具有与现有的单目解决方案相当的计算成本，同时提供了更高的鲁棒性。

Nov, 2017

为了提高负载受限机器人的效率，本文提出了一种基于 Pose-Only 多视角几何描述的 MSCKF VIO 方法，通过建模与运动状态相关的重投影残差，实现了模型一致性和高准确性。在多个数据集上的实验表明，该方法在挑战性场景中能够提高准确性并保持稳定的性能。

Jul, 2024

本研究的目标是在已经映射的区域内，为移动设备提供一致的、实时的三维定位能力。为此，我们介绍了 Cholesky-Schmidt-Kalman 滤波器 (C-SKF)，该滤波器显式考虑了先前地图的不确定性，通过使用地图海森矩阵的稀疏 Cholesky 因子，而不是其密集协方差矩阵。同时，我们还提出了 sC-SKF 算法，通过将轨迹和观测值分成重叠段的独立子地图，对 C-SKF 进行松弛以限制处理需求。最后，我们评估了所提出的 C-SKF 和 sC-SKF 算法的处理和内存需求，并将它们的定位精度与其他近似基于地图的定位方法进行了比较。

Apr, 2016

提出了一种使用单目事件相机解决 6 自由度姿态跟踪和 3D 重建问题的 EVI-SAM 方法，通过深度图、短浮点函数融合和基于事件的映射方法实现鲁棒的姿态跟踪和稠密地图生成，在挑战性场景中展现卓越的性能表现。

Dec, 2023

本文提出了基于关键帧的视觉惯性同步定位与地图构建（SLAM）方法，通过在线环路闭合和非线性优化方法，使得我们的系统在单目和立体相机上具有实时、准确和鲁棒的位姿估计能力，支持先前建立地图的重定位和持续的 SLAM 操作，并在室内和户外公开数据集上展示了我们方法高精度、高效的性能。

Feb, 2017

利用惯性导航方法估计特征对应关系的不确定性，提高视觉里程计和 SLAM 方法的准确性。

Nov, 2023