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

该研究旨在引入先进的智能零售分析系统（SRAS）来应对零售业面临的挑战，包括低效的排队管理、需求预测不准确和无效的营销策略，并通过利用基于机器学习的创新方法来提高零售效率和增强客户参与度。

Feb, 2024

本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力， 并通过采集自 Foursquare 的数据集在纽约城市中研究了不同商业连锁店的普及程度，揭示了商业的成功与多个因素有关。

Jun, 2013

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

本文介绍了一种基于移动设备的增强现实应用程序中的运动跟踪系统，该系统可以在无需标定的情况下进行稳健的平面目标跟踪和相对比例 6DoF 跟踪，该系统已在数亿个设备上部署，并应用于多个主要产品中。

Jul, 2019

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

通过将零售货架数据与水果数据集和家庭食品库存的实时视图数据点结合，该研究解决了家庭杂货追踪问题，实现了杂货订购的完全自动化。

Dec, 2023

现实世界中的产品组合选择是物理零售商面临的一项关键挑战，通过有效地与购物者的喜好相匹配，可以增加销售并减少缺货。为解决这些挑战，我们引入了一个实时推荐系统，利用 3D 计算机视觉和感知技术，以及借助贝叶斯奖励模型、空间聚类和基于图的候选生成算法，以适应异质的消费者喜好和解决组合搜索问题。通过在真实店铺进行多次测试和观察研究，我们展示了销售量分别提高了 35% 和 27%。

Jun, 2024

本文提出了一个多阶段模型来模拟顾客购物行为，将其嵌入一个模拟环境 RetailSynth 中，用于验证多类别零售的因果需求模型并将真实价格敏感性纳入个性化定价、促销和产品推荐的新兴基准套件。

Dec, 2023

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