该研究提出了一种通过平滑和制图实现高精度、实时移动机器人轨迹估计和地图构建的紧密耦合激光雷达惯性测程联合优化的框架方法，其中采用了因子图算法来融合不同来源的相对和绝对测量数据，并使用 IMU 预积分解除激光雷达测程偏差。

Jul, 2020

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

SR-LIVO 是一种先进的 LIV-SLAM 系统，使用扫描重建来将重建扫描与图像时间戳对齐，从而允许 LIO 模块准确确定所有成像时刻的状态，提高姿态准确性和处理效率。通过两个公共数据集的实验结果表明：1）我们的 SRLIVO 在姿态准确性和时间效率方面优于现有的最先进 LIV-SLAM 系统；2）我们基于 LIO 的姿态估计在几个主流 LIV-SLAM 系统中（包括我们自己的系统）比基于 VIO 的估计更准确。我们已经发布了我们的源代码，以促进该领域的社区发展。

Dec, 2023

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

本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难，提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法，是当前多模态方法中姿态估计更为精确和健壮的。

Jul, 2023

该论文提出一种新颖的视觉 - LiDAR 里程计和建图方法，该方法基于 ORB-SLAM 和 A-LOAM 两种常用方法，并采用单目尺度校正和视觉辅助 LiDAR 运动补偿修改，其显著优于 ORB-SLAM2 和 A-LOAM，而其视觉里程计的准确性类似于 ORB-SLAM2 的立体模式。

Apr, 2023

本研究提出了一种基于 Schmidt 卡尔曼滤波的高精度的 VI-SLAM 算法，将 IMU 测量和单目图像紧密耦合，以提供带有有界误差的三维运动跟踪，并通过针对性地选择信息特征来减少计算量，同时仍然允许 EKF 正确地考虑其与活动状态之间的交叉关系，从而实现了线性计算复杂度以适应移动和可穿戴传感器系统。

Mar, 2019

本文提出了一种高效、稳定的激光雷达惯性组合导航算法，它基于迭代扩展卡尔曼滤波，将激光和 IMU 数据进行融合，有效地实现了在快速运动，嘈杂或杂乱环境中的关闭式导航，在大数据处理时具有较低的计算复杂度，并成功测试于室内外的各种场景中，并且非常适合在四轴飞行器等小型计算设备上实施。

Oct, 2020

利用激光雷达传感器获取的稀疏但准确的深度测量，设计了一个自监督视觉 - 激光雷达里程计 (Self-VLO) 框架，该框架通过两个路径编码器提取视觉和深度图像中的特征，并将这些特征与多尺度解码器中的特征通过融合模块融合起来，从而在端到端学习的方式下产生姿态和深度估计。实验结果表明，该方法优于所有自监督视觉或激光雷达里程计，并且优于全监督视觉里程表，证明了融合的强大表现能力。

Jan, 2021