VI-IKD：利用学习的视觉惯性反运动学进行高速准确的越野导航
提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型，并设计出相应的安全稳定的模型预测控制器。仿真实验表明，相比基线模型，该模型 - 控制器组合表现出更好的高速行驶性能，具备较高的安全性和稳健性。
May, 2023
通过数据驱动的学习方法，我们研究自主小型车辆的运动学模型，并观察其对运动规划（特别是自主漂移）的影响。我们基于惯性测量和执行命令来学习运动学规划器，以帮助我们了解世界状态。我们的研究主要关注漂移，并试图学习这些漂移动作的运动学模型，以及尝试减小车辆空转的滑动。我们的方法能够学习到高速圆形导航的运动学模型，并能够通过纠正松散漂移的曲率对高速漂移中的障碍物进行避让。我们将在未来的工作中调整我们的运动学模型以获得更好的紧急漂移效果。
Feb, 2024
本研究提出了 Optim-FKD，一种新的机器人高速控制的公式，该公式利用学习的前向动力学（FKD）模型和非线性最小二乘优化，在实时控制任务中可以解决难以预测的动态影响。该公式在小型汽车上的实验结果表明，相比于基准方法，Optim-FKD 可以更精确地跟踪所需轨迹，并找到更好的最优控制解决方案。
Jun, 2022
本论文提出了一种结合了学习和规划的方法，名为 ViKiNG，其可以利用道路框图和 GPS 坐标等侧面信息作为规划启发式，通过遍历性模型来推断子目标是否可达，通过启发式模型来评估子目标的合适性，从而确定达到最终目标的最佳路径。实验证明，尽管训练数据集中从未出现超过 80 米的轨迹，ViKiNG 可以导航到之前未见过的环境中的距离达 3 公里的目标，表现出探测潜在路径和回溯的复杂行为，而且对不可靠的地图和 GPS 信号也十分稳定。
Feb, 2022
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 ST-VIO，一种将单轨道动力学模型与视觉惯性测距紧密融合的新方法，可以对轮式地面车辆的运动进行估计，并根据未来的控制输入进行准确的前向预测。通过在线校准和调整动力学模型，该方法在室内外不同环境中使用真实数据进行了验证，证明了 ST-VIO 可以适应环境的变化并实现准确的预测，甚至可以提升追踪精度。
Sep, 2023
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
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