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

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

利用惯性导航方法估计特征对应关系的不确定性，提高视觉里程计和 SLAM 方法的准确性。

Nov, 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

本研究提出了两种确定性方法来快速有效地传播高斯分布模型，并研究了相关的不确定因素、校准方法和误差来源之间的关联，从而为解决复杂且真实环境中物体检测与定位的可靠性问题提供了新的解决方案。

Jun, 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