我们提出了一种雷达惯性内径测量的方法，其使用连续时间框架来熔断来自多个汽车雷达的熔丝测量和惯性测量单元（IMU）。不利的天气条件对雷达传感器的操作性能不同，与相机和激光器传感器不同，对雷达传感器的操作性能没有显着影响。雷达在这种情况下的鲁棒性和乘客车辆雷达的普遍普遍激励我们来看看雷达用于自我运动估计。连续时间轨迹表示不仅应用于实现异构和异步多传感器融合的框架，还应用于通过能够计算封闭形式的姿势及其衍生物来实现高效优化，并且在任何特定时间沿着弹道。我们将我们的连续时间估计与来自离散时间雷达 - 惯性内径型方法的方法进行比较，并表明我们的连续时间方法优于离散时间方法。据我们所知，这是第一次将连续时间框架应用于雷达惯性内径术。

频率调制连续波（FMCW）LIDAR是一种最近新兴的技术，可通过多普勒效应效率进行每次返回的瞬时相对径向速度测量。在这封信中，我们使用这些多普勒速度测量值从FMCW激光雷达（FMCW Lidar）介绍了第一个连续的一次性绕线算法算法，以帮助几何变性环境中的探测率。我们应用现有的连续时间框架，该框架使用高斯工艺回归有效地估算车辆轨迹，以补偿由于任何机械驱动的激光雷达（FMCW和非FMCW）的扫描性质而引起的运动失真。我们在几个现实世界数据集上评估了我们提出的算法，包括我们收集的公开可用数据集和数据集。我们的算法优于也使用多普勒速度测量值的唯一现有方法，我们研究了包括此额外信息在内的困难条件，可大大提高性能。我们还证明了在标称条件下使用多普勒速度测量值的情况下，仅在有和不使用多普勒速度测量的情况下，仅激光射击的前进量的最新性能。该项目的代码可以在以下网址找到：https：//github.com/utiasasrl/steam_icp。

恶劣天气的可靠运行对于部署安全自治车辆（AVS）至关重要。通过熔化来自标准AV传感器套件（即，Lidars，Cameras）的数据，可以实现鲁棒性和可靠性，其中天气强壮的传感器，例如毫米波雷达。批判性地，精确的传感器数据融合需要了解传感器对之间的刚体变换，这可以通过外部校准的过程来确定。已经为2D（平面）雷达传感器设计了许多外部校准算法 - 然而，最近开发的低成本3D毫米波雷达被设定为在许多应用中取代其2D对应物。在本文中，我们提出了一种连续时间3D雷达 - 相机外在校准算法，其利用雷达速度测量，并且与大多数现有技术不同，不需要专门的雷达逆向反射器存在于环境中。我们推出了我们配方的可观察性性质，并通过合成和现实世界实验证明了我们的算法的功效。

由于其不利风格，例如雾，下雨和下雪，汽车MMWVEAVE雷达已广泛用于汽车行业中的广泛应用于汽车行业。另一方面，其大波长也造成了对环境感知的根本挑战。最近的进展对其固有的缺点，即多路径反射和MMWAVE雷达点云的稀疏性取得了突破。然而，MM波信号的较低频率对车辆的移动性比视觉和激光信号的迁移率更敏感。这项工作侧重于频移的问题，即多普勒效应扭曲了雷达测距测量及其对公制定位的影响。我们提出了一种新的基于雷达的公制定位框架，通过恢复多普勒失真来获得更准确的位置估计。具体而言，我们首先设计一种新算法，明确地补偿了雷达扫描的多普勒失真，然后模拟了多普勒补偿点云的测量不确定性，以进一步优化度量定位。使用公共NUSCENES数据集和CARLA模拟器的广泛实验表明，我们的方法分别以19.2 \％和13.5 \％的改进优于最先进的方法，分别在翻译和旋转误差方面的改进。

本文介绍了$ SE（3）$上的雷达射测方法，该方法利用了恒定的加速运动。运动先验被整合到滑动窗口优化方案中。我们使用Magnus扩展来准确整合运动，同时保持实时性能。此外，我们采用极地测量模型来更好地表示雷达检测不确定性。使用原型高分辨率雷达传感器的大型现实世界数据集评估我们的估计器。新的运动先验和测量模型明显地改善了相对于先前工作的恒定速度运动和笛卡尔测量模型，尤其是在滚动，音高和高度上。

安装在微空中车辆（MAV）上的地面穿透雷达是有助于协助人道主义陆地间隙的工具。然而，合成孔径雷达图像的质量取决于雷达天线的准确和精确运动估计以及与MAV产生信息性的观点。本文介绍了一个完整的自动空气缩进的合成孔径雷达（GPSAR）系统。该系统由空间校准和时间上同步的工业级传感器套件组成，使得在地面上方，雷达成像和光学成像。自定义任务规划框架允许在地上控制地上的Stripmap和圆形（GPSAR）轨迹的生成和自动执行，以及空中成像调查飞行。基于因子图基于Dual接收机实时运动（RTK）全局导航卫星系统（GNSS）和惯性测量单元（IMU）的测量值，以获得精确，高速平台位置和方向。地面真理实验表明，传感器时机为0.8美元，正如0.1美元的那样，定位率为1 kHz。与具有不确定标题初始化的单个位置因子相比，双位置因子配方可提高高达40％，批量定位精度高达59％。我们的现场试验验证了本地化准确性和精度，使得能够相干雷达测量和检测在沙子中埋入的雷达目标。这验证了作为鸟瞰着地图检测系统的潜力。

A monocular visual-inertial system (VINS), consisting of a camera and a low-cost inertial measurement unit (IMU), forms the minimum sensor suite for metric six degreesof-freedom (DOF) state estimation. However, the lack of direct distance measurement poses significant challenges in terms of IMU processing, estimator initialization, extrinsic calibration, and nonlinear optimization. In this work, we present VINS-Mono: a robust and versatile monocular visual-inertial state estimator. Our approach starts with a robust procedure for estimator initialization and failure recovery. A tightly-coupled, nonlinear optimization-based method is used to obtain high accuracy visual-inertial odometry by fusing pre-integrated IMU measurements and feature observations. A loop detection module, in combination with our tightly-coupled formulation, enables relocalization with minimum computation overhead. We additionally perform four degrees-of-freedom pose graph optimization to enforce global consistency. We validate the performance of our system on public datasets and real-world experiments and compare against other state-of-the-art algorithms. We also perform onboard closed-loop autonomous flight on the MAV platform and port the algorithm to an iOS-based demonstration. We highlight that the proposed work is a reliable, complete, and versatile system that is applicable for different applications that require high accuracy localization. We open source our implementations for both PCs 1 and iOS mobile devices 2 .

Accurate and consistent vehicle localization in urban areas is challenging due to the large-scale and complicated environments. In this paper, we propose onlineFGO, a novel time-centric graph-optimization-based localization method that fuses multiple sensor measurements with the continuous-time trajectory representation for vehicle localization tasks. We generalize the graph construction independent of any spatial sensor measurements by creating the states deterministically on time. As the trajectory representation in continuous-time enables querying states at arbitrary times, incoming sensor measurements can be factorized on the graph without requiring state alignment. We integrate different GNSS observations: pseudorange, deltarange, and time-differenced carrier phase (TDCP) to ensure global reference and fuse the relative motion from a LiDAR-odometry to improve the localization consistency while GNSS observations are not available. Experiments on general performance, effects of different factors, and hyper-parameter settings are conducted in a real-world measurement campaign in Aachen city that contains different urban scenarios. Our results show an average 2D error of 0.99m and consistent state estimation in urban scenarios.

This paper presents an accurate, highly efficient, and learning-free method for large-scale odometry estimation using spinning radar, empirically found to generalize well across very diverse environments -- outdoors, from urban to woodland, and indoors in warehouses and mines - without changing parameters. Our method integrates motion compensation within a sweep with one-to-many scan registration that minimizes distances between nearby oriented surface points and mitigates outliers with a robust loss function. Extending our previous approach CFEAR, we present an in-depth investigation on a wider range of data sets, quantifying the importance of filtering, resolution, registration cost and loss functions, keyframe history, and motion compensation. We present a new solving strategy and configuration that overcomes previous issues with sparsity and bias, and improves our state-of-the-art by 38%, thus, surprisingly, outperforming radar SLAM and approaching lidar SLAM. The most accurate configuration achieves 1.09% error at 5Hz on the Oxford benchmark, and the fastest achieves 1.79% error at 160Hz.

在本文中，我们提出了用于滚动快门摄像机的概率连续时间视觉惯性频道（VIO）。连续的时轨迹公式自然促进异步高频IMU数据和运动延伸的滚动快门图像的融合。为了防止棘手的计算负载，提出的VIO是滑动窗口和基于密钥帧的。我们建议概率地将控制点边缘化，以保持滑动窗口中恒定的密钥帧数。此外，可以在我们的连续时间VIO中在线校准滚动快门相机的线曝光时间差（线延迟）。为了广泛检查我们的连续时间VIO的性能，对公共可用的WHU-RSVI，TUM-RSVI和Sensetime-RSVI Rolling快门数据集进行了实验。结果表明，提出的连续时间VIO显着优于现有的最新VIO方法。本文的代码库也将通过\ url {https://github.com/april-zju/ctrl-vio}开源。

对于大多数LIDAR惯性进程，精确的初始状态，包括LiDAR和6轴IMU之间的时间偏移和外部转换，起着重要作用，通常被视为先决条件。但是，这种信息可能不会始终在定制的激光惯性系统中获得。在本文中，我们提出了liinit：一个完整​​的实时激光惯性系统初始化过程，该过程校准了激光雷达和imus之间的时间偏移和外部参数，以及通过对齐从激光雷达估计的状态来校准重力矢量和IMU偏置通过IMU测量的测量。我们将提出的方法实现为初始化模块，如果启用了，该模块会自动检测到收集的数据的激发程度并校准，即直接偏移，外部偏移，外部，重力向量和IMU偏置，然后是这样的。用作实时激光惯性射测系统的高质量初始状态值。用不同类型的LIDAR和LIDAR惯性组合进行的实验表明我们初始化方法的鲁棒性，适应性和效率。我们的LIDAR惯性初始化过程LIINIT和测试数据的实现在GitHub上开源，并集成到最先进的激光辐射射击轨道测定系统FastLiO2中。

敏捷飞行或穿越不规则地形的激进运动会导致激光扫描中的运动失真，从而降低状态估计和映射。存在一些减轻这种效果的方法，但是对于资源受限的移动机器人来说，它们仍然太简单或计算成本高。为此，本文介绍了直接的激光惯性进程（DLIO），这是一种轻巧的激光惯性射击算法，采用新的粗到精细方法来构建连续的时间轨迹进行精确运动校正。我们方法的关键在于构建一组分析方程，这些方程仅通过时间来参数化，从而实现快速和可行的点。此方法之所以可行，仅仅是因为我们新颖的非线性几何观察者具有强大的收敛性能，该观察者提供了可证明正确的状态估计值来初始化敏感的IMU整合步骤。此外，通过同时执行运动校正和前期，并直接将每次扫描注册到地图并绕过扫描到扫描，DLIO的凝结体系结构在计算上的计算效率比当前最新的ART高20％精度提高12％。我们通过多种公共基准和自收集的数据集进行了广泛的测试，证明了DLIO的出色本地化精度，地图质量和较低的计算开销，与四种最先进的算法相比。

通过实现复杂场景实现长期漂移相机姿势估计的目标，我们提出了一种全球定位框架，融合了多层的视觉，惯性和全球导航卫星系统（GNSS）测量。不同于以前的松散和紧密耦合的方法，所提出的多层融合允许我们彻底校正视觉测量仪的漂移，并在GNSS降解时保持可靠的定位。特别地，通过融合GNSS的速度，在紧紧地集成的情况下，解决视觉测量测量测量测量率和偏差估计中的尺度漂移和偏差估计的问题的问题，惯性测量单元（IMU）的预集成以及紧密相机测量的情况下 - 耦合的方式。在外层中实现全局定位，其中局部运动进一步与GNSS位置和基于长期时期的过程以松散耦合的方式融合。此外，提出了一种专用的初始化方法，以保证所有状态变量和参数的快速准确估计。我们为室内和室外公共数据集提供了拟议框架的详尽测试。平均本地化误差减少了63％，而初始化精度与最先进的工程相比，促销率为69％。我们已将算法应用于增强现实（AR）导航，人群采购高精度地图更新等大型应用。

我们在本文中介绍Raillomer，实现实时准确和鲁棒的内径测量和轨道车辆的测绘。 Raillomer从两个Lidars，IMU，火车车程和全球导航卫星系统（GNSS）接收器接收测量。作为前端，来自IMU / Royomer缩放组的估计动作De-Skews DeSoised Point云并为框架到框架激光轨道测量产生初始猜测。作为后端，配制了基于滑动窗口的因子图以共同优化多模态信息。另外，我们利用来自提取的轨道轨道和结构外观描述符的平面约束，以进一步改善对重复结构的系统鲁棒性。为了确保全局常见和更少的模糊映射结果，我们开发了一种两级映射方法，首先以本地刻度执行扫描到地图，然后利用GNSS信息来注册模块。该方法在聚集的数据集上广泛评估了多次范围内的数据集，并且表明Raillomer即使在大或退化的环境中也能提供排入量级定位精度。我们还将Raillomer集成到互动列车状态和铁路监控系统原型设计中，已经部署到实验货量交通铁路。

在本文中，我们介绍了全球导航卫星系统（GNSS）辅助激光乐队 - 视觉惯性方案RAILTOMER-V，用于准确且坚固的铁路车辆本地化和映射。 Raillomer-V在因子图上制定，由两个子系统组成：辅助LiDar惯性系统（OLIS）和距离的内径综合视觉惯性系统（OVI）。两个子系统都利用了铁路上的典型几何结构。提取的轨道轨道的平面约束用于补充OLI中的旋转和垂直误差。此外，线特征和消失点被利用以限制卵巢中的旋转漂移。拟议的框架在800公里的数据集中广泛评估，聚集在一年以上的一般速度和高速铁路，日夜。利用各个传感器的所有测量的紧密耦合集成，我们的框架准确到了长期的任务，并且足够强大地避免了退行的情景（铁路隧道）。此外，可以使用车载计算机实现实时性能。

众所周知，在ADAS应用中，需要良好的估计车辆的姿势。本文提出了一种鉴定的2.5D内径术，由此由横摆率传感器和四轮速度传感器衍生的平面内径测量由悬架的线性模型增强。虽然平面内径术的核心是在文献中已经理解的横摆率模型，但我们通过拟合二次传入信号，实现内插，推断和车辆位置的更精细的整合来增强这一点。我们通过DGPS / IMU参考的实验结果表明，该模型提供了与现有方法相比的高精度的内径估计。利用返回车辆参考点高度变化的传感器改变悬架配置，我们定义了车辆悬架的平面模型，从而增加了内径模型。我们提出了一个实验框架和评估标准，通过该标准评估了内径术的良好和与现有方法进行了比较。该测距模型旨在支持众所周知的低速环绕式摄像头系统。因此，我们介绍了一些应用程序结果，该应用结果显示使用所提出的内径术来查看和计算机视觉应用程序的性能提升

在过去的几十年，光探测和测距（LIDAR）技术已被广泛研究作为自我定位与地图强大的替代方案。这些典型地接近状态自运动估计作为非线性优化问题取决于当前点云和地图之间建立的对应关系，无论其范围，局部或全局的。本文提出LiODOM，对于姿态估计和地图建设的新的激光雷达仅里程计和绘图方法中，基于最小化从一组加权点 - 线对应的衍生与本地地图损失函数从该组可用的抽象点云。此外，该工作场所特别强调赋予其快速数据关联的相关地图表示。为了有效地代表了环境，我们提出了一个数据结构与哈希方案相结合，可以快速进入地图的任何部分。 LiODOM通过在公共数据集的一组实验中，对于其媲美针对其它解决方案的装置验证。它的性能上，主板还报告了一个空中平台。

本文提出了一种利用车辆运动限制来完善基于点的雷达辐射系统中的数据关联的方法。通过对非整体机器人如何限制在环境中平稳移动的强大先验，我们开发了必要的框架，以估算单个地标关联的自我运动，而不是一次考虑所有这些对应关系。这允许对差异不佳的匹配的明智异常检测，这是姿势估计误差的主要来源。通过完善匹配地标的子集，我们看到翻译误差的绝对降低2.15％（从4.68％到2.53％），大约比使用完整的对应关系时的探空仪（降低45.94％）的误差（减少45.94％）。该贡献与依赖范围传感器的其他基于点的探针计实现有关，并提供了一种轻巧且可解释的方法，用于将车辆动力学纳入自我动态估计。

与单个IMU相比，多个刚性连接的惯性测量单元（IMU）传感器提供了更丰富的数据流。最先进的方法遵循IMU测量的概率模型，基于在贝叶斯框架下组合的错误的随机性质。但是，负担得起的低级IMU此外，由于其不受相应的概率模型所掩盖的缺陷而遭受了系统的错误。在本文中，我们提出了一种方法，即合并多个IMU（MIMU）传感器数据的最佳轴组成（BAC），以进行准确的3D置置估计，该数据通过从集合中动态选择最佳的IMU轴来考虑随机和系统误差所有可用的轴。我们在MIMU视觉惯性传感器上评估了我们的方法，并将方法的性能与MIMU数据融合的最新方法进行比较。我们表明，BAC的表现优于后者，并且在开放环路中的方向和位置估计都可以提高20％的精度，但需要适当的处理以保持获得的增益。

We propose a framework for tightly-coupled lidar inertial odometry via smoothing and mapping, LIO-SAM, that achieves highly accurate, real-time mobile robot trajectory estimation and map-building. LIO-SAM formulates lidar-inertial odometry atop a factor graph, allowing a multitude of relative and absolute measurements, including loop closures, to be incorporated from different sources as factors into the system. The estimated motion from inertial measurement unit (IMU) pre-integration de-skews point clouds and produces an initial guess for lidar odometry optimization. The obtained lidar odometry solution is used to estimate the bias of the IMU. To ensure high performance in real-time, we marginalize old lidar scans for pose optimization, rather than matching lidar scans to a global map. Scan-matching at a local scale instead of a global scale significantly improves the real-time performance of the system, as does the selective introduction of keyframes, and an efficient sliding window approach that registers a new keyframe to a fixed-size set of prior "sub-keyframes." The proposed method is extensively evaluated on datasets gathered from three platforms over various scales and environments.