واقعیت افزوده به‌عنوان یکی از فناوری‌های نوظهور در تعامل انسان با محیط، نقش مهمی در ادغام اطلاعات مجازی با دنیای واقعی ایفا می‌کند و برای تحقق این هدف نیازمند موقعیت‌یابی دقیق و قابل‌اعتماد است. تکنیک‌های بینایی–اینرسی (VIO) که داده‌های دوربین و حسگرهای حرکتی را ترکیب می‌کنند، به‌ویژه در محیط‌های داخلی و بدون دسترسی به GPS، به دلیل کارایی بالا توجه گسترده‌ای جلب کرده‌اند. این مقاله به‌صورت مروری و نظام‌مند، روش‌های موقعیت‌یابی در پلتفرم ARCore را بررسی می‌کند؛ ARCore یکی از پیشرفته‌ترین و پرکاربردترین چارچوب‌های توسعه در حوزه واقعیت افزوده است. در بخش‌های ابتدایی، مفاهیم پایه‌ای مانند رهگیری بصری، برآورد وضعیت، تشخیص ویژگی‌ها و نگاشت محیط معرفی و مرور می‌شوند. سپس سازوکارهای داخلی ARCore، به‌ویژه زیرسامانه‌های SLAM، سنجش عمق و فیلتر کالمن، تحلیل شده‌اند. همچنین الگوریتم‌های متداول VIO شامل MSCKF، OKVIS، VINS-Mono و ROVIO معرفی شده و از منظر دقت، پیچیدگی محاسباتی و تطبیق‌پذیری با داده‌های موبایلی، با عملکرد ARCore مقایسه می‌شوند. نوآوری اصلی مقاله ارائه یک تحلیل مقایسه‌ای میان مدل‌های آکادمیک و چارچوب‌های عملی است که به درک مزایا و محدودیت‌های هر یک کمک می‌کند. یافته‌ها نشان می‌دهند که گرایش آینده به سمت مدل‌های سبک‌وزن، یادگیری‌محور و مقاوم در شرایط ناپایدار محیطی است که می‌تواند کیفیت و کارایی واقعیت افزوده را به طور قابل‌توجهی ارتقا دهد.