- EMNLPLLaSA：大型多模态智能体通过可穿戴传感器进行人类活动分析
将惯性测量单元（IMUs）与大型语言模型（LLMs）相结合，通过增强人体活动理解而推进多模态人工智能。我们介绍了 SensorCaps 数据集（包括 26,288 个 IMU 导出的活动叙述）和 OpenSQA 数据集（包括 257,562 - AUGlasses：使用低功耗 IMU 在智能眼镜上基于持续动作单元的面部重构
智能眼镜的增强现实技术提供了多种传感器的使用，用于面部重建，通过在脸部的颞部放置惯性测量单元（IMU）来捕捉面部肌肉运动引起的皮肤变形，使用基于变压器的深度学习模型实时估计行为单位（AU）的强度，进而进行面部重建。
- 可靠自动驾驶车辆位置估计的 GPS-IMU 传感器融合
GPS 和 IMU 传感器融合在 GPS 无信号环境下提升自主车辆导航的可靠性和精度的方法。
- 利用不同深度学习架构进行穿戴设备和单摄像头视频的上肢活动识别比较研究
通过计算机视觉和惯性测量单元 (IMU) 等广泛应用的技术以及最近在临床和研究环境中日益流行，来评估人体的身体活动。然而，为了增加患者在实验室外的跟踪可行性，有必要减少运动采集设备。在这方面，IMU 设备和单一摄像头系统是有希望的解决方案。 - IMUSIC: 基于 IMU 的面部表情捕捉
本文提出了一种基于惯性测量单元 (IMU) 的面部表情捕捉方法 IMUSIC，通过 IMU 信号实现面部表情的准确捕捉和分析，并保护用户的隐私。
- 从惯性传感器预测地面反作用力
本研究旨在确定是否可以使用惯性测量单元（IMUs）采集的数据来预测足底反作用力（GRF），以足够的准确性分析其衍生的生物力学变量，并比较简单的机器学习方法（如线性回归和 K 最近邻回归）与 LSTM 神经网络的效果。
- 跨域人体活动识别：少样本迁移学习
通过利用公开标记的人体活动识别数据集进行转移学习，我们提出了一种经济有效的跨领域人体活动识别框架，以更好地处理具有非常有限标签信息的活动识别场景。
- 特征金字塔双向 LSTM：利用智能手机传感器进行交通方式检测
提出了一种新颖的端到端方法，能够有效地探索从智能手机收集到的减少数量的感知数据，以实现在日常出行活动中准确的模式检测。通过将现有的 CNN biLSTM 模型扩展为 Feature Pyramid 网络，结合浅层富度与深层特征韧性的优势，F - 擴散態慣性姿態估計：從任意稀疏 IMU 配置中重建人體運動
这篇论文介绍了一种名为 “Diffusion Inertial Poser”（DiffIP）的单一扩散生成模型，能够从任意 IMU 配置实时重构人体运动。该系统具有灵活性，适用于不同的应用，且与常用的六个 IMU 配置一样准确。
- 基于稀疏 IMU 传感的高效准确人体姿势估计的设计空间探索
人体姿态估计 (HPE) 是评估体育、康复或工作安全中的人体运动所需的具有良好隐私保护的准确感知，因此在此类系统中需要进行局部处理，可以通过惯性测量单元 (IMU) 来解决能源有限的问题。我们通过模拟设计空间勘探 (DSE) 探讨了准确性和 - 可穿戴传感器与视频数据捕捉用于人体运动分类的研究
本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序 - 手写英文字母惯性测量单元数据集
本研究提出了一种端到端的方法来利用惯性测量单元 (IMUs) 收集数据集，以识别手写英文字母，并利用印度写作风格中存在的多样性。该研究可拓展到模式识别的领域，并为在多语言和文化背景中识别手写字母提供有价值的见解。
- 多 IMU 在线自一致性用于手持式 3D 超声重建
该文介绍了使用多个惯性测量单元的在线自我一致性网络，以改善超声成像的三维重建性能。该网络在模态和序列级别上采用了自我监督策略，并在大规模数据集上得到了最先进的重建性能。
- 基于多核相关熵的 IMU 定位估计：梯度下降方法
本研究提出了基于经验熵的逐步下降法和分离方向估计的两种计算高效的惯性测量单元（IMU）方向估计算法，并证明了多核心经验熵损失（MKCL）作为一种最大似然估计（MLE）的最优目标函数，适用于一种重尾分布的噪声。使用 MKCL 替换标准的 MS - 基于端到端深度学习框架的 6 自由度 IMU 实时惯性姿态估计
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 - 运动 ID：人类身份验证方法
介绍了一种称为 Motion ID 的用户认证新方法，该方法利用惯性测量单元 (IMUs) 提供的运动感应来验证个人身份。通过数据预处理和机器学习，该方法展示了高精度的用户认证，可与现有方法结合使用，也有望作为一种独立的解决方案。
- HybridCap: 惯性辅助的单目捕捉具有挑战性的人体运动
本研究提出了一种名为 HybridCap 的轻量级、混合的 3D 运动捕捉技术，通过仅使用 4 个惯性测量单元的传感器，加上基于合作式门控循环单元块的层次运动推理模块和混合优化方案，可以实现对各种运动的鲁棒跟踪。
- AAAIIDOL：惯性深度方向估计和定位
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。
- 使用深度学习去噪 IMU 陀螺仪用于开环姿态估计
提出了一种使用地面真实数据学习陀螺仪去噪、实时估计机器人导航（定位）方向的方法，基于扩张卷积神经网络，通过识别高频惯性数据的关键点以及在方向增量上采用适当的损失函数的方式，该算法超越了现有技术在看不见的测试数据上的性能表现。此策略为惯性测量 - 飞行机器人的视觉惯性测距
本文介绍了如何通过使用摄像头和惯性测量单元来实现无人机的姿态和速度的估计，摄像头和惯性测量单元十分常见且价格低廉。