通过建立深度学习基础的行人运动预测模型，利用“软性注意力”和“硬性注意力”相结合的方式，成功实现了不需要手工特征处理的异常事件检测，从而在两个公开数据库中取得了比同类研究更优秀的结果。

Feb, 2017

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

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

本研究提出并发布了牛津惯性里程计数据集（OxIOD），这是一种首屈一指的数据收集方式，可用于惯性里程计研究，具有地面实况标签。

Sep, 2018

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

我们设计了一个便携的数据采集系统，结合了自主标注流水线，通过一个标签修正的网络应用来实现对自动行人跟踪结果的人工验证，在多个环境下实现大规模数据采集和快速轨迹标签生产。与现有行人数据采集方法相比，我们的系统具备了自上而下和自我中心视图的组合、在社交适宜的“机器人”情境下的自然人类行为以及基于度量空间的经过人工验证的标签，是第一个同时集成这三个组成部分的数据采集系统。我们进一步介绍了我们正在进行的数据采集工作的不断扩展的数据集——TBD行人数据集，并展示了与具有人工验证标签的先前数据集相比我们采集的数据更大规模、包含更丰富信息，并支持新的研究机会。

Sep, 2023

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

为了提高室内机器人应用的跟踪准确性，我们引入了NeurIT，这是一个将跟踪准确性提升到新水平的序列到序列框架，它利用了时间-频率块-循环变压器（TF-BRT）的核心，结合了循环神经网络（RNN）和变压器的功能，从而在时间和频率域中学习代表性特征。

Apr, 2024

本研究提出了一种概念验证，用于最小化人为干预、提高安全性、智能性和效率的非接触式电梯运行系统。使用微控制器边缘设备执行微小机器学习（tinyML）推断，通过人员检测和关键词识别算法，系统提供成本效益高且稳健的单元，无需基础设施的重大改变。该设计在多租户框架中整合了预处理步骤和量化的卷积神经网络，以优化准确性和响应时间。结果表明，人员检测准确率为83.34％，关键词识别效果为80.5％，整体延迟时间低于5秒，表明在实际场景中具有有效性。与当前高成本和不一致的非接触技术不同，该系统利用tinyML提供了一种成本效益高、可靠且可扩展的解决方案，提高用户安全性和运行效率，无需重大基础设施改变。该研究显示了有前景的结果，但仍需要进一步探索可扩展性和与现有系统的集成。所展示的能效、简易性和安全性优势表明，tinyML的采用可能会改变电梯系统，成为未来技术进步的模型。这项技术可以极大地影响多层建筑中的公共健康和便利性，通过减少身体接触和提高运行效率，在流行病或卫生关注的背景下尤其相关。

May, 2024