惯导马工

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

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