AI-IMU 死 reckoning
本文提出了一种新颖且数据驱动的方法，利用智能手机中的惯性测量单元（IMU）学习估算自然人类运动轨迹。通过回归速率向量，通过历史线性加速度和角速度，纠正低频偏差，对估算位置进行两次积分，从而实现了人体运动的准确估算。此外，文中还展示了该算法与视觉惯性导航的可比性，并公开了代码和数据以便进一步研究。
Dec, 2017
本论文提出了一种基于数据驱动的二阶段流程，首先估计设备的朝向，然后估计设备的位置。该流程使用普通智能手机，并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明，我们提出的方法在定位和朝向误差方面优于现有方法。
Feb, 2021
本文提出一种新颖的车辆定位方法，其中不依赖于全球卫星导航系统，而是通过学习来自惯性测量单元（IMU）传感器的加速度计和陀螺仪测量值的道路特征标志，分别基于卷积神经网络和集成随机森林的手工特征方法学习道路特征，并提出一种实时推导车辆位置的算法。
Mar, 2023
本文提出了一种紧密耦合的扩展卡尔曼滤波器框架，使用训练有素的神经网络来回归三维位移估计和其不确定性，进而在滤波器中实现测量更新步骤，从而解决姿态、速度和传感器偏差问题。与速度积分和 AHRS 姿态滤波器方法相比，本文的系统在位置和姿态估计方面表现更好，且该网络可用于步行者数据的统计一致的测量和不确定性。
Jul, 2020
提出了一种使用地面真实数据学习陀螺仪去噪、实时估计机器人导航（定位）方向的方法，基于扩张卷积神经网络，通过识别高频惯性数据的关键点以及在方向增量上采用适当的损失函数的方式，该算法超越了现有技术在看不见的测试数据上的性能表现。此策略为惯性测量单位上的学习法提供了新思路。
Feb, 2020
本文提出两种端到端的深度学习模型，用于实时姿态估计，基于惯性传感器测量，普适于运动模式、采集率和环境干扰的多样化情况。所提出的模型将加速计和陀螺仪读数作为输入，采集自七个公共数据集的组合。模型由卷积神经网络 (CNN) 层、双向长短时记忆 (LSTM) 和全向前神经网络 (FFNN) 组成，用于估计四元数，并在超过 120 个小时和 200 公里的 IMU 测量数据上进行了广泛和全面的评估。研究结果表明，所提出的方法在精度和稳健性方面优于最先进的方法，并且它演示了与其他方法相比，在各种运动特性和传感器采样率方面，该模型具有更好的泛化性。
Feb, 2023
本研究提出一种深度学习的惯性里程计方法，将传统的状态估计递归方法引入到深度学习领域。该方法结合了真实位置先验知识，使用自我注意力来捕捉惯性数据中的空间特征和长程相关性，并能学习运动特征和系统误差偏差漂移，成功实现无需外部观察者的自主运动估计。
Mar, 2023
本文介绍了一种基于双积分旋转加速度的概率方法，能够通过解决推断问题，结合零速度更新、气压高度校正和伪更新约束瞬时速度等三种数据，以轻量级的方式实时跟踪智能手机的位置、速度和姿态，以构建完整的惯性导航系统。此方法证明可以通过现有的 iPad、iPhone 等智能设备实现。
Mar, 2017