视觉惯性里程计和 SLAM 算法被广泛应用于各个领域，如服务机器人、无人机和自主车辆。大多数 SLAM 算法都是基于地标是静态的假设。然而，在现实世界中，存在各种动态物体，它们会降低姿势估计的准确性。此外，暂时静止的物体，在观察过程中是静止的，但当它们离开视线时就会移动，可能会触发误报回环。为了克服这些问题，作者提出了一个新的视觉-惯性 SLAM 框架，称为 DynaVINS ，它对动态物体和暂时的静态物体都具有鲁棒性。在该框架中，首先提出了一个稳健的光束平差法（捆绑调整），通过利用由 IMU 预积分估计的姿势先验，可以拒绝来自动态物体的特征。然后，提出了一个关键帧分组和一个基于多假设的约束分组方法，以减少临时静态物体在回环检测中的影响。随后，作者在一个包含众多动态物体的公共数据集中评估了该方法。最后，实验结果证实，与其他最先进的方法相比，提出的 DynaVINS 具有良好的性能，成功地拒绝了动态和临时静态对象的影响。...
GNSS-视觉-惯性紧耦合的状态估计器主要是将 GNSS (Global Navigation Satellite System) 原始测量，结合视觉和惯性信息紧耦合以进行实时和无漂移的状态估计...
IMU Preintegration factor In VINS 对于一个基于非线性图优化且利用滑动窗口固定计算量的紧耦合视觉惯导里程计，在求解 Bundle Adjustment 里有一项 IMU 预积分测量残差项（点击这里）。VINS-Mono1 中 IMU 预积分的算法可以参照该文章2。在 VINS 系统里 IMU 约束因子如下： ...
Online Temporal Calibration in VINS 1. 数据同步 不同传感器之间的数据同步对融合算法至关重要，在 VIO 中，相机与 IMU 之间的数据同步对 VIO 精度影响非常大。那么如何评判一个系统数据同步的好坏呢？参照1提供的图片来简单分析下。 ...
本文介绍了基于图优化的滑动窗口紧耦合视觉惯性里程计中的视觉因子该如何创建与建模，并且如何构建残差用于优化系统...
VINS 系统中的边缘化策略及如何利用因子图构建 BA 优化过程中的 Hessian 矩阵...
