自动驾驶等新兴领域要求使用低成本解决方案在GPS-denied的环境中进行精确定位。常规方法倾向于融合所有可用的数据源：GPS、惯性测量单元（IMU）、车轮里程表、LIDAR和相机。虽然LIDAR数据在准确性方面胜过所有上述情况，但市场价格和计算需求也大大高于相机和IMU。IMU的主要优点是它们与外部参考的独立性、高数据速率和低延迟。但是，如果不进行外部校正，则仅IMU的定位误差会因加速度计的偏差而随时间呈二次方增长，而由于陀螺仪的偏差而随时间呈三次方增长。正是这样的错误增长使得仅采用IMU的本地化系统被禁止。作为一种补救措施，有人表明将车轮里程计数据纳入传感器融合过程可以将误差的增长限制在时间的平方根。
在这文中，我们证明了使用视觉里程计（VO）可以达到类似的结果，其优点是可以不受车轮打滑引起的误差的影响。我们证明，不仅可以使用GPS和VO测量来观察陀螺仪和加速度计的误差，而且当在误差状态Kalman滤波器（ESKF）状态和测量方程中正确建模时，可以使用惯性和运动约束来辅助VO航向偏差。首次系统启动时对GPS信号可用性的要求来自IMU仪器误差，必须观察这些误差以提高定位精度。获得的结果表明，每当物理里程计传感器不可用时，使用VO校正是合理的，如图1。
详细内容请查看附件
