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

提出 RobustNav 框架，旨在评估具有鲁棒性的导航代理的性能，并在受到各种视觉和动态的影响下量化性能。通过系统分析在不同污染下使用标准导航代理产生的怪异行为，我们发现其中一些标准代理的表现明显下降。对于 RobustNav 中的视觉污染，虽然这些标准技术可以在零次抗阻和导航性能方面提供一些效果，但相对于干净的 “无污染” 设置还有很长的路要走，仍需要更多的研究。

Jun, 2021

本文提出了新的 TUM VI 基准数据集，为不同场景下的视觉惯性 (VI) 里程计进行评估提供具有多样性的序列，其中提供了相机图像和 IMU 测量值，并使用运动捕捉系统提供了准确的姿态真值。

Apr, 2018

通过提供高质量的真实世界数据和多种原始传感器数据，具有六自由度地面真值的计算机视觉基准集，比较 Google Tango、ARCore 和 Apple ARKit 的视觉惯性跟踪与两种学术方法。

Jul, 2018

本文提出了一种新颖的机器人中心视觉惯性导航系统的公式，在滑动窗口滤波框架内进行设计，使用单眼相机和 6 轴 IMU 实现高精度的运动跟踪，将 VINS 相对于运动的局部坐标系进行重构，以获得更高精度的相对运动估计，并提出 R-VIO 算法。该算法在 Monte Carlo 的模拟实验和真实环境实验中进行了广泛测试，并显示出在一些方面打破了当前技术的局限性。

May, 2018

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

该研究旨在解决低成本惯性传感器的误差问题，提出了一种基于分段优化的方法，使用深度循环神经网络可以更准确地估计位移。实验结果表明，所提出的 IONet 方法可以广泛适用于各种测试和附件，尤其可以用于非周期运动的轨迹估计，如购物车或婴儿车，超越了现有技术。

Jan, 2018

本文介绍了一份在罗马收集的视觉和感知研究数据集，包括 RGB 数据、3D 点云、IMU 和 GPS 数据，并引入了一个新的基准用于视觉里程计和 SLAM，以推进自主机器人和计算机视觉的研究。

Apr, 2024

本文提出了一种基于上下文转换器的网络用于惯性导航，结合深度学习和神经网络技术，通过多任务学习以及 Transformer 解码器来提高精度和效率，从而实现了对运动轨迹的准确定位和预测。

Dec, 2021

为了提高室内机器人应用的跟踪准确性，我们引入了 NeurIT，这是一个将跟踪准确性提升到新水平的序列到序列框架，它利用了时间 - 频率块 - 循环变压器（TF-BRT）的核心，结合了循环神经网络（RNN）和变压器的功能，从而在时间和频率域中学习代表性特征。

Apr, 2024