Visual-Inertial Odometry: A Review
该论文是视觉惯性里程计（Visual-Inertial Odometry, VIO）领域的综合性综述，系统梳理了融合相机和惯性测量单元（IMU）进行机器人位姿估计的各类方法。VIO通过融合相机的丰富视觉信息和IMU的高频运动信息，能够在GPS拒止环境中实现高精度、高鲁棒性的位姿估计，是移动机器人、无人机、AR/VR等领域的核心技术。论文将VIO方法分为四大类：1）松耦合方法，包括基于滤波的松耦合、基于优化的松耦合等；2）紧耦合方法，包括基于EKF的紧耦合（MSCKF、ROVIO）、基于优化的紧耦合（VINS、OKVIS）等；3）基于学习的VIO，包括端到端深度VIO、学习型IMU预积分、神经VIO等；4）多传感器融合VIO，包括视觉-惯性-激光融合、视觉-惯性-GPS融合、视觉-惯性-轮速计融合等。论文详细讨论了VIO的系统架构、状态估计方法、初始化方法、标定方法、回环检测与重定位，以及在移动机器人、无人机、AR/VR、自动驾驶等领域的应用。该综述引用超过800次，是VIO领域的重要参考资料。
主体信息
该论文是视觉惯性里程计（Visual-Inertial Odometry, VIO）领域的综合性综述，系统梳理了融合相机和惯性测量单元（IMU）进行机器人位姿估计的各类方法。VIO通过融合相机的丰富视觉信息和IMU的高频运动信息，能够在GPS拒止环境中实现高精度、高鲁棒性的位姿估计，是移动机器人、无人机、AR/VR等领域的核心技术。论文将VIO方法分为四大类：1）松耦合方法，包括基于滤波的松耦合、基于优化的松耦合等；2）紧耦合方法，包括基于EKF的紧耦合（MSCKF、ROVIO）、基于优化的紧耦合（VINS、OKVIS）等；3）基于学习的VIO，包括端到端深度VIO、学习型IMU预积分、神经VIO等；4）多传感器融合VIO，包括视觉-惯性-激光融合、视觉-惯性-GPS融合、视觉-惯性-轮速计融合等。论文详细讨论了VIO的系统架构、状态估计方法、初始化方法、标定方法、回环检测与重定位，以及在移动机器人、无人机、AR/VR、自动驾驶等领域的应用。该综述引用超过800次，是VIO领域的重要参考资料。