- 以科尔莫戈洛夫 - 阿诺德网络（KANs）作为基于 IMU 的人体活动识别特征提取器的初步研究
本研究探讨了一种新颖的神经网络架构，Kolmogorov-Arnold Networks（KANs），作为传感器（特别是 IMU）人体活动识别（HAR）的特征提取器。通过在每个节点的边缘上进行表示为 B-SPLINES 的非线性计算，并在节 - DVI-SLAM: 双视觉惯性 SLAM 网络
该论文提出了一种新颖的深度 SLAM 网络，将图像因素和投影因素通过多因素数据关联模块整合到端到端可微的结构中，动态学习和调整视觉因素的置信度图，实验证实该方法在多个公共数据集上显著优于现有方法，包括 TartanAir、EuRoC 和 E - IMUPoser：利用手机、手表和耳机中的 IMU 实现全身姿势估计
本文研究了利用现有的智能手机，智能手表和耳塞等设备中的 IMU 来估算人体姿态的可行性，并通过对于 10 个参与者的 IMU 数据集进行评估证明了该方法的有效性。
- ECCV融合 IMU 运动动态的自适应、鲁棒和通用的单目无监督深度估计
本文提出了一种新的基于 IMU 的深度感知与姿态估计方法 DynaDepth，可以通过整合视觉和运动信息，解决单目序列尺度模糊问题，并且通过 EKF 实现更好的泛化能力和鲁棒性。该模型在 KITTI 和 Make3D 数据集上表现出色。
- 室内定位系统：传感器读数的智能融合
通过结合多种最先进的传感器的数据，我们提出了一个多功能的测量系统，对其进行比较和融合，展示了单一数据融合技术在应对情境转换时的可行性和鲁棒性。特别是，在结合射频（RF）定位技术和惯性测量单元（IMU）时，这种方法在解决定位问题上具有极高的鲁 - LIO-SAM: 利用平滑和映射实现紧耦合的激光惯性里程计
该研究提出了一种通过平滑和制图实现高精度、实时移动机器人轨迹估计和地图构建的紧密耦合激光雷达惯性测程联合优化的框架方法，其中采用了因子图算法来融合不同来源的相对和绝对测量数据，并使用 IMU 预积分解除激光雷达测程偏差。
- VersaVIS: 一款开放式、多功能、多相机视觉惯性传感器套件
本文介绍了 VersaVIS，一种开放式多摄像头视觉惯性传感器套件，其设计旨在提高移动机器人应用中的鲁棒性和精度，并支持姿态估计、环境建图和多摄像头应用等领域。
- 基于滚动快门的直接视觉惯性里程计建模
本文提出一种直接的视觉惯性里程计方法（VIO），该方法基于来自快门滚动摄像机和惯性测量单元（IMU）的测量，估计传感器设置的运动和环境的稀疏 3D 几何图形，并结合光度束调整，估计一组最近的关键帧姿势和稀疏点的反深度，同时利用 IMU 信息 - LIC-Fusion: LiDAR 惯性相机里程计
该论文介绍了一种新的多传感器融合算法：LiDAR 惯性摄像头融合（LIC-Fusion），它可以在线校准所有异步传感器之间的空间和时间，并在 MSCKF 框架内实现稀疏视觉特征观测值和 IMU 读数的多模态传感器融合，实验结果表明，在室内和 - DeepVIO：使用三维几何约束进行单目视觉惯性里程计的自监督深度学习
该文章介绍了一种名为 DeepVIO 的自监督深度学习网络，通过直接合并 2D 光流特征（OFF）和惯性测量单元（IMU）数据，提供绝对轨迹估计，实验结果表明其在准确性和数据可适应性方面优于传统的基于 Deep-Learning 方法。
- OxIOD：深度惯性里程计数据集
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。
- 基于深度学习的智能手机强制作用下捷联惯性导航速度估计
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。
- 机器人视觉惯性里程计
本文提出了一种新颖的机器人中心视觉惯性导航系统的公式，在滑动窗口滤波框架内进行设计，使用单眼相机和 6 轴 IMU 实现高精度的运动跟踪，将 VINS 相对于运动的局部坐标系进行重构，以获得更高精度的相对运动估计，并提出 R-VIO 算法。 - 使用动态边缘化的直接稀疏视觉惯性测程
本研究提出 VI-DSO，一种同时估计相机姿态和稀疏场景几何的视觉惯性测量新方法，通过最小化组合能量函数中的光度和 IMU 测量误差来进行优化，在 EuRoC 数据集上得到了比现有技术更好的效果。
- 杂乱环境下高速导航的推扫双目立体视觉技术
我们提出了一种用于移动 CPU 处理器上进行障碍物检测的新型立体视觉算法，可以实现每秒 120 帧的探测，并能在高速、小型的无人机上实现运行。该系统使用 IMU 和状态估计器恢复障碍物的位置，并建立并更新完整的深度图，不需要任何外部传感器或