DeepKalPose 是一种通过使用基于深度学习的卡尔曼滤波器来增强视频中的单目车辆姿态估计的时间一致性的新方法，它通过整合双向卡尔曼滤波策略、可学习的运动模型以及表示复杂运动模式的方式，显著提高了在各种条件下车辆姿态的准确性和鲁棒性，特别是对于遮挡或远离的车辆。在 KITTI 数据集上的实验证实了 DeepKalPose 在姿态准确性和时间一致性方面优于现有方法。

Apr, 2024

本篇研究提出了一种基于概率滤波方法的实时、精确估算机器人末端执行器的相机坐标系下位置的方法，并且避免了在与视觉目标的跟踪方法组合时需要进行帧变换的问题。通过建模和纠正测量误差和机器人模型不准确性，在卡尔曼滤波测量的基础上进行基于坐标粒子滤波的异步深度图像更新，使搜索所需的计算量更少。作者在真实机器人平台上进行了定量评估，并通过开放源代码的方式公开了数据集和算法，以便与其他方法进行比较。

Oct, 2016

本文介绍了一种使用动力学模型来辅助深度学习神经网络进行关节式物体姿态估计的方法，并在玩具和人类 3D 姿势问题的数据实验中证明了该方法的有效性。

Sep, 2016

提出了一种基于当前统计模型的卡尔曼粒子滤波（CSKPF）算法，用于多视角多目标三维跟踪场景，通过预测目标状态、估计目标状态协方差、抑制测量噪声以提高粒子采样效率，与现有基于恒定速度的粒子滤波（CVPF）方法相比，模拟实验和果蝇集群真实实验都证实了 CSKPF 方法在跟踪的完整性、连续性和精度方面的有效性。

Sep, 2023

通过使用 Kalman 滤波网络改进了相机时空重定位方法，实现了极高的定位精度。

Mar, 2020

本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。

Aug, 2017

本文对于三维空间内的四元数和旋转相关的概念和公式进行详尽的修订，并探讨了它们在估计引擎 (如误差状态 Kalman 滤波器) 中的正确使用。论文深入研究了旋转群及其李群结构，使用四元数和旋转矩阵进行公式推导，并对旋转扰动、导数和积分进行特别关注。论文的整体材料用于设计适用于 IMU 信号集成的实际应用的误差状态 Kalman 滤波器的精确公式。

Nov, 2017

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

本文提出了一种考虑人体部位自由度的渐进式方法，将高 DOF 部位作为低 DOF 部位的相关组件来建模，以实现物理限制和合理的姿势估计结果，并在几个基准测试中取得了优异的成果。

May, 2019

该研究开发了利用 Lie 群和不变观测器设计技术的接触辅助不变扩展卡尔曼滤波器（InEKF），该滤波器结合了接触惯性动力学和正向运动学校正，可估计姿态和速度以及所有当前接触点。研究表明，误差动力学遵循对数线性自治微分方程，从而提高了收敛性能，并产生了符合非线性系统的本地可观测矩阵。该过程在 Cassie 系列双足机器人上进行了模拟和实验，并表明其比基于四元数的 EKF 具有更好的性能。

Apr, 2019