本文提出了一种传感器融合框架，通过姿态图优化来将现有的本地估计融合到全球传感器中，实现了本地准确和全球无漂移的姿态估计。

Jan, 2019

本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。

Jul, 2020

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

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

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

本文提出了一种基于优化的通用框架，支持多个传感器集合，可以轻松融合各种传感器进行姿态图优化，在公共数据集和多个传感器的实际应用中验证了该系统的性能，并与其他最先进的算法进行了比较。

Jan, 2019

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

该研究提出了一种鲁棒且精确的定位系统，能够通过多传感器融合，特别是利用 LiDAR 强度和高度提示来提高在城市、高速公路和隧道等环境中的准确性和鲁棒性，并在大型自动驾驶车队中得到验证。

Nov, 2017

本研究提出了一种基于分层优化的 3D SLAM 方法，通过子图的建模和图优化，解决了 3D 激光扫描仪的漂移和测量不准确性问题，并使用熵衡量地图质量。

Oct, 2018

通过在四足机器人上评估，我们提出了一种混合解决方案，通过结合本体感知和外部感知信息，利用 Kalman 滤波、优化和基于学习的模态，对机器人躯干状态进行估计，从而实现准确的机器人状态估计，并减少传感器测量和模型简化带来的非线性误差。

Jan, 2024