面向机器人与无人机的激光雷达-惯性-视觉紧耦合里程计，实时输出高精度位姿与彩色点云，支撑三维重建与SLAM。

实时紧耦合激光雷达-惯性-视觉里程计与建图系统，输出带RGB颜色的稠密点云和网格，适合无人机、机器人在复杂场景下做鲁棒SLAM与三维重建。

实时鲁棒的激光雷达-惯性测量单元初始化方法，为 LiDAR-惯性 SLAM 系统提供高精度外参标定与初始状态估计，解决启动阶段对齐不准的问题。

紧耦合的稀疏直接法激光雷达-惯性-视觉里程计，为机器人和自动驾驶提供快速、高精度的实时位姿估计与三维建图。

轻量级 LiDAR-惯性里程计算法，用由粗到细的连续时间轨迹构建做精确运动校正，为机器人和 SLAM 提供实时定位与建图。

基于 LIO-SAM 改造的激光惯性 SLAM 方案，支持 6 轴 IMU 和 GNSS 融合，解决低成本 6 轴 IMU 无法直接跑原版 LIO-SAM 的问题。

一个不依赖传感器专门建模的鲁棒 LiDAR-惯性里程计，直接融合激光雷达与 IMU 数据估计位姿并建图，适合机器人 SLAM 场景。

低成本手持式激光雷达-惯性-视觉融合 3D 传感器，为机器人和具身智能提供实时建图与三维重建能力。

面向无人机集群的去中心化激光雷达惯性里程计，让多机在无中心节点的情况下高效完成协同定位与建图。

异步多激光雷达惯性里程计，通过逐点跨雷达不确定性传播，融合多个不同步的 LiDAR 数据，实现更鲁棒的 SLAM 定位与建图。

基于 PyTorch 的激光雷达 3D 目标检测工具箱，统一了 PointPillar、PV-RCNN 等主流点云检测模型的训练与评测流程，省去自己搭框架的麻烦。

仅用激光雷达或激光-惯性融合的高鲁棒、高精度里程计，为机器人和自动驾驶提供可靠定位与建图，应对退化场景和传感器不确定性。

紧耦合多传感器融合 SLAM 框架，在传感器退化与时空扰动下仍能稳定运行，适合机器人和自动驾驶的定位建图。