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

我们提出了一种在一级运动学水平上进行紧密视觉惯性融合的新颖解决方案，通过使用动态视觉传感器而不是普通相机，通过利用三焦几何来建立与事件和相机速度直接相关的关联关系，并展示了如何在高度动态的情况下在短时间间隔内获得速度估计。噪声和异常值使用嵌套的两层 RANSAC 方法处理，通过与预积分惯性信号进行紧密融合并使用滑动窗口优化器获得平滑速度信号。对模拟和真实数据的实验证明，所提出的紧密事件惯性融合可以在高度动态的情景中连续且可靠地估计速度，与绝对坐标无关。此外，在极端情况下，它比传统的基于点位置的视觉惯性测距法实现了更稳定和更准确的运动学估计。

Jan, 2024

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

本文提出了一种高效、稳定的激光雷达惯性组合导航算法，它基于迭代扩展卡尔曼滤波，将激光和 IMU 数据进行融合，有效地实现了在快速运动，嘈杂或杂乱环境中的关闭式导航，在大数据处理时具有较低的计算复杂度，并成功测试于室内外的各种场景中，并且非常适合在四轴飞行器等小型计算设备上实施。

Oct, 2020

我们使用基于深度学习的 CNN 模型，通过附加非线性状态估计约束惯性测距问题，利用一个窗口的 IMU 采样来推断短暂速度，从而提高计算机设备惯性测距的精确度。

Aug, 2018

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

本文介绍了一种使用卷积神经网络从 3D LiDAR 扫描中进行测距估计的新方法。使用 IMU 传感器支持和备用 CNN 模型实现了高质量的测距估计和 LiDAR 数据注册。该方法可以用于取代轮式编码器进行测距估计或补充缺失的 GPS 数据，为室内映射提供实时性和精度。

Dec, 2017