论文导读

提出了一种端到端可训练的深度学习框架，用于解决单目视觉-惯性里程计（VIO）问题。将视觉（RGB 图像）和惯性测量单元（IMU）数据融合，估计相机/机器人/无人机的运动轨迹

这篇论文主要做的是多传感器融合/视觉-惯性SLAM系统，提出了ORB-SLAM3，一个支持以下配置的开源SLAM系统，而不是基于深度学习的预测模型

VINS-Mono 提出了一套完整的单目视觉-惯性紧耦合状态估计系统，支持实时定位、回环检测、重定位与全局图优化

这篇论文是IMU+深度学习的集大成者，我花了好几天才看完并整理好论文地址和对应的开源项目地址，可以说是居家旅行，必备良药。推荐先看几篇实验性文章再来看这篇综述，会有不一样的体验

这篇论文主要解决的是基于智能手机IMU的行人定位问题，特别针对传统IMU定位中因姿态估计误差导致的轨迹漂移问题，提出了一种两阶段深度学习框架，分别进3D姿态估计和2D位置估计

论文提出了一种基于Transformer编码器（Transformer Encoder）的“后处理”方法，用于在GPS信号弱或丢失的情况下，通过IMU和GPS数据进行定位重建

提出了一种基于IMU（惯性测量单元）多变量时间序列数据的LSTM模型，用于实时预测运动员的疲劳（fatigue）和耐力（stamina）状态，从而实现个性化训练调控，避免过度训练和运动损伤

提出了一种全新的基于Transformer架构的惯性导航系统（iMoT），其核心目标是通过对IMU（惯性测量单元）信号进行建模，来实现对运动轨迹的高精度估计

SLAM技术是无人驾驶领域的核心技术。矿井生产环境恶劣，如地形复杂、巷道狭窄、光照条件差、信号衰减大等，导致SLAM技术在井下应用有难度。本文提出一种巷道环境特征辅助的IMU与激光雷达融合SLAM算法

这篇文章解决的是仅使用IMU进行自主定位（Dead Reckoning）的问题，特别是在没有外部传感器（如GNSS、LiDAR、视觉）辅助的情况下，如何提升定位精度并减少误差累积

围绕基于IMU的惯性导航定位展开，提出了一种基于Transformer架构的深度学习模型，用于从IMU数据中预测二维速度和轨迹

文章围绕“基于智能手机IMU传感器的鲁棒惯性导航”展开，核心任务是从智能手机IMU数据中估计人体在真实复杂场景下的水平轨迹（2D位置）与身体朝向（heading）

提出了一种基于FECAM-iTransformer算法的惯性导航系统（INS）/全球导航卫星系统（GNSS）集成导航系统，用于在GNSS信号中断时辅助INS，提高导航精度和稳定性

仅使用IMU行高精度航位推算，通过CNN动态学习卡尔曼滤波器的噪声参数，能够在不依赖GPS、LiDAR或视觉传感器的情况下，在KITTI数据集上实现了与LiDAR/视觉SLAM相当的精度

华盛顿大学圣路易斯分校提出了一种名为 HyperController 的超参数优化方法，专门用于强化学习（`RL`）神经网络的训练过程

【苏黎世大学、慕尼黑英特尔实验室等单位发布】——完全自主的无人机系统Swift，在真实世界竞技环境中打败多位世界冠军级人类选手，达到世界冠军级的FPV（第一人称视角）无人机竞速性能