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

该文介绍了一种轻量级、高效的校准神经网络模型，用于消除低成本微电子机械系统（MEMS）陀螺仪的噪声并实时估计机器人的姿态。

Sep, 2022

本文提出了一种新的基于惯性测量单元（IMU）的死推方法，关键组件为卡尔曼滤波器和深度神经网络，该方法在 KITTI 测距数据集上得到了测试，能够准确地估计车辆的 3D 位置、速度和方向，并自校准 IMU 偏差。

Apr, 2019

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

本研究介绍了一种无监督深度神经网络方法，用于融合 RGB-D 图像和惯性测量进行绝对轨迹估计。我们的网络在没有 IMU 固有参数或 IMU 与相机之间的外部校准的情况下进行学习，学习整合 IMU 测量并生成假设轨迹，然后根据空间像素坐标的缩放图像投影误差的雅可比矩阵进行在线更正。在 KITTI Odometry 数据集上与最先进的视觉惯性测距，视觉测距和视觉同时定位和地图构建（VSLAM）方法进行了比较，表现出有竞争力的测距性能。

Mar, 2018

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

利用低成本的惯性传感器，我们提出了一种名为 DoorINet 的端到端深度学习框架，用于从安装在门上的惯性传感器中计算方向角，而不使用磁强计干扰，以解决室内环境下磁强计性能下降的问题。通过对包含 391 分钟加速度计和陀螺仪测量值以及相应地面真实方向角的独特数据集的评估，我们证明了我们的方法胜过常用的基于模型的方法和数据驱动方法。

Jan, 2024

通过使用全景图像提出一种基于视觉陀螺仪的新技术，结合三种不同方法准确估计相机的姿态，并在不同航空器上对其进行定量和定性验证。

Feb, 2024

本文提出一种使用深度神经网络实时重建人体姿势的方法，通过 6 个惯性测量单元记录数据并使用双向 RNN 体系结构学习时间姿势先验知识，用于维持实时预测能力。

Oct, 2018