虽然已经提出了用于国家估计的利用现有LIE组结构的许多作品，但特别是不变的扩展卡尔曼滤波器（IEKF），少数论文解决了允许给定系统进入IEKF框架的组结构的构造，即制造动态群体染色和观察不变。在本文中，我们介绍了大量系统，包括涉及在实践中遇到的导航车辆的大多数问题。对于那些系统，我们介绍一种新的方法，系统地为状态空间提供组结构，包括诸如偏差的车身框架的载体。我们使用它来派生与线性观察者或过滤器那些类似的观察者。建议的统一和多功能框架包括IHKF已经成功的所有系统，改善了用于传感器偏差的惯性导航的最新的“不完美”IEKF，并且允许寻址新颖的示例，如GNSS天线杆臂估计。

姿势估计对于机器人感知，路径计划等很重要。机器人姿势可以在基质谎言组上建模，并且通常通过基于滤波器的方法进行估算。在本文中，我们在存在随机噪声的情况下建立了不变扩展Kalman滤波器（IEKF）的误差公式，并将其应用于视觉辅助惯性导航。我们通过OpenVINS平台上的数值模拟和实验评估我们的算法。在Euroc公共MAV数据集上执行的仿真和实验都表明，我们的算法优于某些基于最先进的滤波器方法，例如基于Quaternion的EKF，首先估计Jacobian EKF等。

Visual Inertial Odometry (VIO) is the problem of estimating a robot's trajectory by combining information from an inertial measurement unit (IMU) and a camera, and is of great interest to the robotics community. This paper develops a novel Lie group symmetry for the VIO problem and applies the recently proposed equivariant filter. The symmetry is shown to be compatible with the invariance of the VIO reference frame, lead to exact linearisation of bias-free IMU dynamics, and provide equivariance of the visual measurement function. As a result, the equivariant filter (EqF) based on this Lie group is a consistent estimator for VIO with lower linearisation error in the propagation of state dynamics and a higher order equivariant output approximation than standard formulations. Experimental results on the popular EuRoC and UZH FPV datasets demonstrate that the proposed system outperforms other state-of-the-art VIO algorithms in terms of both speed and accuracy.

用于在线状态估计的随机过滤器是自治系统的核心技术。此类过滤器的性能是系统能力的关键限制因素之一。此类过滤器的渐近行为（例如，用于常规操作）和瞬态响应（例如，对于快速初始化和重置）对于保证自主系统的稳健操作至关重要。本文使用n个方向测量值（包括车身框架和参考框架方向类型测量值）引入了陀螺仪辅助姿态估计器的新通用公式。该方法基于一种集成状态公式，该公式结合了导航，所有方向传感器的外部校准以及在单个模棱两可的几何结构中的陀螺式偏置状态。这种新提出的对称性允许模块化的不同方向测量及其外部校准，同时保持在同一对称性中包括偏置态的能力。随后使用此对称性的基于滤波器的估计量明显改善了瞬态响应，与最新方法相比，渐近偏置和外部校准估计。估计器在统计代表性的模拟中得到了验证，并在现实世界实验中进行了测试。

本文为自动驾驶车辆提供了基于激光雷达的同时定位和映射（SLAM）。研究了来自地标传感器的数据和自适应卡尔曼滤波器（KF）中的带状惯性测量单元（IMU）加上系统的可观察性。除了车辆的状态和具有里程碑意义的位置外，自我调整过滤器还估计IMU校准参数以及测量噪声的协方差。流程噪声，状态过渡矩阵和观察灵敏度矩阵的离散时间协方差矩阵以封闭形式得出，使其适合实时实现。检查3D SLAM系统的可观察性得出的结论是，该系统在地标对准的几何条件下仍然可以观察到。

一个谎言小组是一个旧的数学抽象对象，追溯到xix世纪，当数学家大道谎言奠定了连续转型组理论的基础。正如经常发生的那样，许多年后，它的使用已经遍布各种科学和技术领域。在机器人学中，我们最近在估计领域中经历了一种重要的趋势，特别是在导航的运动估计中。然而，对于绝大多数机器人来说，谎言群体是高度抽象的结构，因此难以理解和使用。这可能是由于谎言理论上的大多数文献是由数学家和物理学家编写的，这些主义者可能比我们更多地用于这种理论涉及的深层抽象。在机器人学的估计中，通常没有必要利用理论的全部能力，因此需要选择材料的努力。在这篇论文中，我们将通过最基本的谎言理论原则，目的是传达明确和有用的想法，并留下了谎言理论的重要语料库。即使是这种肢解，这里所包含的材料也已被证明在机器人的现代估计算法中非常有用，特别是在SLAM，视觉内径等领域。除了这种微谎言之外，我们提供了一些应用示例的一章，以及机器人中使用的主要谎言团体的广泛公式参考，包括大多数雅各比矩阵以及轻松操纵它们的方式。我们还提供了一个新的C ++模板库，实现此处描述的所有功能。

本文提出了在不同运动条件下不同帧中的惯性测量单元（IMU）预融合的统一数学框架。导航状态精确地离散化为三部分：本地增量，全局状态和全局增量。全局增量可以在不同的帧中计算，例如局部大地测量导航帧和地球中心固定帧。称为IMU预融合的本地增量可以根据代理的运动和IMU的等级的不同假设计算。因此，在不同环境下的惯性集成导航系统的在线状态估计更准确和更方便。

目前，国家估计对于机器人技术非常重要，基于不确定性表示的谎言组对于国家估计问题很自然。有必要充分利用基质谎言组的几何形状和运动学。因此，该注释首次对最近提出的矩阵lie组$ se_k（3）$提供了详细的推导，我们的结果扩展了Barfoot \ cite {Barfoot2017State}的结果。然后，我们描述了该组适合状态表示的情况。我们还基于MATLAB框架开发了代码，以快速实施和测试。

We propose AstroSLAM, a standalone vision-based solution for autonomous online navigation around an unknown target small celestial body. AstroSLAM is predicated on the formulation of the SLAM problem as an incrementally growing factor graph, facilitated by the use of the GTSAM library and the iSAM2 engine. By combining sensor fusion with orbital motion priors, we achieve improved performance over a baseline SLAM solution. We incorporate orbital motion constraints into the factor graph by devising a novel relative dynamics factor, which links the relative pose of the spacecraft to the problem of predicting trajectories stemming from the motion of the spacecraft in the vicinity of the small body. We demonstrate the excellent performance of AstroSLAM using both real legacy mission imagery and trajectory data courtesy of NASA's Planetary Data System, as well as real in-lab imagery data generated on a 3 degree-of-freedom spacecraft simulator test-bed.

高性能跟踪四级车辆的控制是空中机器人技术的重要挑战。对称是物理系统的基本属性，并提供了为设计高性能控制算法提供工具的潜力。我们提出了一种采用任何给定对称性的设计方法，在一组坐标中将相关误差线性化，并使用LQR设计获得高性能控制；一种方法，我们将术语的调节器设计。我们表明，四极管车辆承认了几种不同的对称性：直接产物对称性，扩展姿势对称性和姿势和速度对称性，并表明每个对称性都可以用来定义全局误差。我们通过模拟比较线性化系统，发现扩展的姿势和姿势和速度对称性在存在大干扰的情况下优于直接产物对称性。这表明对称性对称性和组仿射对称性的选择有改善的线性化误差。

来自视觉信息的特征点的全局收敛位置观察者的设计是一个具有挑战性的问题，特别是对于仅具有惯性测量的情况，并且没有均匀可观察性的假设，这仍然长时间保持开放。我们在本文中提供了解决问题的解决方案，假设只有特征点的轴承，以及机器人的偏置线性加速度和机器人的旋转速度 - 都可以使用。此外，与现有相关结果相反，我们不需要重力常数的值。所提出的方法在最近开发的基于参数估计的观察者（Ortega等人，Syst。控制。Lett。，Vol.85,2015）及其在我们以前的工作中的矩阵群体的延伸。给出了观察者收敛的机器人轨迹的条件，这些条件比激发和均匀完全可观察性条件的标准持久性严格弱。最后，我们将建议的设计应用于视觉惯性导航问题。还提出了仿真结果以说明我们的观察者设计。

在本文中，我们提出了一种新颖的观察者来解决视觉同时定位和映射（SLAM）的问题，仅使用来自单眼摄像机和惯性测量单元（IMU）的信息。系统状态在歧管$ se（3）\ times \ mathbb {r} ^ {3n} $上演变，我们在其中仔细设计动态扩展，以便产生不变的叶片，使得问题重新加入在线\ EMPH{常量参数}识别。然后，遵循最近引入的基于参数估计的观察者（PEBO）和动态回归扩展和混合（DREM）过程，我们提供了一个新的简单解决方案。值得注意的优点是，拟议的观察者保证了几乎全局渐近稳定性，既不需要激发的持久性也不是完全可观察性，然而，在大多数现有的工作中广泛采用了保证稳定性。

Estimation algorithms, such as the sliding window filter, produce an estimate and uncertainty of desired states. This task becomes challenging when the problem involves unobservable states. In these situations, it is critical for the algorithm to ``know what it doesn't know'', meaning that it must maintain the unobservable states as unobservable during algorithm deployment. This letter presents general requirements for maintaining consistency in sliding window filters involving unobservable states. The value of these requirements when designing a navigation solution is experimentally shown within the context of visual-inertial SLAM making use of IMU preintegration.

图像是航天器导航和观察到的空间对象的三维重建的重要信息来源。当相机具有已知态度时，这两种应用都采用三角剖分问题的形式，并且从图像中提取的测量值是视线（LOS）方向。这项工作对三角剖分的历史和理论基础进行了全面的综述。回顾了多种经典三角算法，包括许多次优线性方法（许多LOS测量值）和Hartley和Sturm的最佳方法（只有两个LOS测量）。结果表明，使用新的线性最佳正弦三角剖分（丢失）方法，可以在没有迭代作为线性系统的情况下解决最佳的多测量情况。在仅进行两次测量的情况下，Hartley和Sturm的丢失和多项式方法都提供了相同的结果。通过一些数值示例评估了各种三角测量算法，包括行星地形相对导航，天王星的仅角度光学导航，巴黎圣母院的3-D重建以及仅角度的相对导航。

This is a follow-up tutorial article of our previous article entitled "Robot Basics: Representation, Rotation and Velocity". For better understanding of the topics covered in this articles, we recommend the readers to first read our previous tutorial article on robot basics. Specifically, in this article, we will cover some more advanced topics on robot kinematics, including robot motion, forward kinematics, inverse kinematics, and robot dynamics. For the topics, terminologies and notations introduced in the previous article, we will use them directly without re-introducing them again in this article. Also similar to the previous article, math and formulas will also be heavily used in this article as well (hope the readers are well prepared for the upcoming math bomb). After reading this article, readers should be able to have a deeper understanding about how robot motion, kinematics and dynamics. As to some more advanced topics about robot control, we will introduce them in the following tutorial articles for readers instead.

量子哈密顿学习和量子吉布斯采样的双重任务与物理和化学中的许多重要问题有关。在低温方案中，这些任务的算法通常会遭受施状能力，例如因样本或时间复杂性差而遭受。为了解决此类韧性，我们将量子自然梯度下降的概括引入了参数化的混合状态，并提供了稳健的一阶近似算法，即量子 - 固定镜下降。我们使用信息几何学和量子计量学的工具证明了双重任务的数据样本效率，因此首次将经典Fisher效率的开创性结果推广到变异量子算法。我们的方法扩展了以前样品有效的技术，以允许模型选择的灵活性，包括基于量子汉密尔顿的量子模型，包括基于量子的模型，这些模型可能会规避棘手的时间复杂性。我们的一阶算法是使用经典镜下降二元性的新型量子概括得出的。两种结果都需要特殊的度量选择，即Bogoliubov-Kubo-Mori度量。为了从数值上测试我们提出的算法，我们将它们的性能与现有基准进行了关于横向场ISING模型的量子Gibbs采样任务的现有基准。最后，我们提出了一种初始化策略，利用几何局部性来建模状态的序列（例如量子 - 故事过程）的序列。我们从经验上证明了它在实际和想象的时间演化的经验上，同时定义了更广泛的潜在应用。

许多重要的学习算法，例如随机梯度方法，通常被部署以解决Riemannian歧管上的非线性问题。在这些应用中，我们提出了一个概括和扩展Robbins和Monro的精确随机近似框架的Riemannian算法家族。与他们的欧几里得对应物相比，由于歧管上缺乏全局线性结构，Riemannian迭代算法的理解要少得多。我们通过引入扩展的费米坐标框架来克服这一困难，该框架使我们能够绘制拟议的Riemannian Robbins-Monro（RRM）算法类别的渐近行为，以在基础歧管上非常轻微的假设下，在相关的确定性动力学系统下的算法。这样一来，我们提供了一个几乎肯定的收敛结果的一般模板，该模板镜像并扩展了欧几里得robbins-Monro方案的现有理论，尽管其分析要大得多，需要大量的新几何成分。我们通过使用该框架来建立基于回缩的类似物的融合来展示提出的RRM框架的灵活性，以解决最小化问题和游戏的流行乐观 /额外梯度方法，并且我们为其收敛提供了统一的处理。

机器人社区在为软机器人设备建模提供的理论工具的复杂程度中看到了指数增长。已经提出了不同的解决方案以克服与软机器人建模相关的困难，通常利用其他科学学科，例如连续式机械和计算机图形。这些理论基础通常被认为是理所当然的，这导致复杂的文献，因此，从未得到完整审查的主题。Withing这种情况下，提交的文件的目标是双重的。突出显示涉及建模技术的不同系列的常见理论根源，采用统一语言，以简化其主要连接和差异的分析。因此，对上市接近自然如下，并最终提供在该领域的主要作品的完整，解开，审查。

线性神经网络层的模棱两可。在这项工作中，我们放宽了肩variance条件，只有在投影范围内才是真实的。特别是，我们研究了投射性和普通的肩那样的关系，并表明对于重要的例子，这些问题实际上是等效的。3D中的旋转组在投影平面上投影起作用。在设计用于过滤2D-2D对应的网络时，我们在实验上研究了旋转肩位的实际重要性。完全模型的模型表现不佳，虽然简单地增加了不变的特征，从而在强大的基线产量中得到了改善，但这似乎并不是由于改善的均衡性。