inertial navigation system
PulseAugur coverage of inertial navigation system — every cluster mentioning inertial navigation system across labs, papers, and developer communities, ranked by signal.
8 天有情绪数据
IMU data is increasingly being fused with other modalities for complex tasks
Recent research highlights the integration of IMU data with egocentric video for motor impairment assessment and with EMG for advanced gesture recognition. This trend suggests a growing recognition of IMU's value as a complementary sensor, moving beyond standalone applications towards richer, multimodal sensing solutions.
Quantum-enhanced INS to see commercialization within 1-2 years
Lianggan Intelligence, a startup focused on quantum sensing for inertial navigation, has secured significant angel funding. Given their proprietary technology and early application in INS, it's plausible they will bring a commercial product to market within the next 1-2 years, potentially disrupting the high-precision navigation sector.
Improved IMU data processing for exercise evaluation to reach commercial viability
A new method addresses label ambiguity in IMU-based exercise evaluation by generating label distributions instead of single labels. This advancement, which matches or exceeds baseline performance, indicates a path towards more robust and accurate commercial fitness tracking and rehabilitation tools.
-
MultiFly 数据集提供多模态航空感知基准
研究人员推出了 MultiFly，这是一个专为使用无人机 (UAV) 进行多模态航空感知而设计的真实世界数据集。该数据集包含 RGB、热成像、LiDAR 和雷达模态的同步数据，并对 15 个语义类别进行了逐帧标注。为了简化标注过程，标签从少量手动标注的 RGB 图像高效地迁移到其他模态，与保留的标注和跨模态对的语义一致性达到了高度一致。MultiFly 旨在为多模态航空感知研究提供一个可扩展的基础，并为这些多样化数据类型的语义分割建立新的基准。
-
新型AI模型从可穿戴传感器数据重建心电图
研究人员开发了BeatFlow-ECG，一种从间接可穿戴传感器数据重建心电图（ECG）信号的新型模型。该模型利用光电容积脉搏波描记法（PPG）和惯性测量单元（IMU）数据生成心电图读数，这些读数信息量更大但更难持续收集。BeatFlow-ECG在波形和时间精度方面优于现有的确定性、对抗性和基于扩散的方法，在相关性和R峰F1分数方面均有显著提高。
-
New CARAT method improves multimodal time series adaptation
研究人员开发了CARAT，一种用于提高多模态时间序列数据可靠性的新方法，特别是在可穿戴系统领域。CARAT将模型依赖性与运行时损坏检测分离，使用源学习的依赖性代理来指导省略或衰减可疑传感器流的决策。与现有的测试时自适应方法相比，该方法在各种数据集和损坏类型上均取得了优越的性能，同时还降低了计算要求。
-
开源ALFRED机器人通过改进的触及范围增强植物监测能力
研究人员开发了ALFRED，一个专为户外环境中长期植物监测设计的开源移动机械臂。ALFRED由易于获得的组件构成，配备了六自由度机械臂、包括LiDAR和RGB-D摄像头在内的各种传感器，并运行在机器人操作系统上。开发过程侧重于六个关键需求：耐用性、模块化、可修复性、传感范围、续航能力和可复现性。迭代构建显示了机械臂可用触及范围和传感器可见性的显著改进。ALFRED成功完成了为期一年的每月森林调查，尽管硬件退化和重新配置需求，仍证明了其可靠性。
-
机器学习通过运动学分析检测电动滑板车骑手的酒精中毒
研究人员开发了一种使用传感器数据和机器学习检测电动滑板车骑手酒精中毒的方法。通过为电动滑板车配备惯性测量单元（IMU）和其他传感器，他们收集了参与者在清醒和不同血液酒精浓度水平下的骑行模式数据。对运动学特征的分析，特别是IMU和油门信号的归一化置乱熵和标准差，揭示了酒精中毒会导致从连续的微调转向更少、更大的反应性修正。一个基于这些特征训练的逻辑回归模型在区分清醒和醉酒骑手方面达到了85%的准确率，其中转向速率和横向加速度被确定为关键的预测指标。
-
新的SPAR系统使用可穿戴传感器分析拳击技术
研究人员开发了一个名为具有可归因推理的技能画像 (SPAR) 的新系统，该系统旨在利用可穿戴传感器分析拳击技术。该系统由一件八个IMU的服装和压力鞋垫组成，不仅能将拳击动作分为专家级或新手级，还能为其预测提供解释。SPAR提供分级反馈，包括供分析师使用的每个关节的归因、供教练使用的运动链反事实以及为运动员提供的通俗叙述。在对17名参与者和4700多个拳击动作的测试中，SPAR在区分专家级和新手级技术方面取得了0.842的AUC。
-
研究发现，单个耳塞 IMU 可恢复全身 3D 姿态
研究人员开发了一种方法，可以使用单个消费级耳塞的惯性测量单元 (IMU) 的数据来估计全身 3D 姿态。实验表明，单个耳塞 IMU 可以相当准确地恢复下半身姿态，甚至在流式传输延迟下也能保持性能。有趣的是，添加更多消费级 IMU（例如鞋垫中的 IMU）并未显著改善姿态估计，有时甚至会降低其性能，这表明传感器的可靠性（而非数量）是可穿戴设备准确姿态恢复的关键因素。
-
新框架利用虚拟IMU数据增强人体活动识别
研究人员开发了一个新的框架，用于利用可穿戴惯性测量单元（IMU）改进人体活动识别（HAR）。所提出的方法通过智能地用合成的虚拟样本增强现有数据集来解决标记IMU数据有限的挑战。这种覆盖感知的方法根据多样性和稀缺性选择和生成虚拟数据点，确保它们提供有意义的新信息和可靠的监督来训练HAR模型。
-
仅基于 LiDAR 的锥形检测框架可在 CPU 上运行以实现无人驾驶赛车
研究人员为 FSAE 无人驾驶赛车开发了一个轻量级的、仅基于 LiDAR 的感知系统，该系统可在 CPU 上高效运行。该系统利用随机森林分类器、地面移除、基于 IMU 的运动补偿和 DBSCAN 聚类来检测锥形。通过分析特征重要性，该系统被优化为仅使用 7 个特征，在保持高性能的同时降低了输入复杂度。该流程实现了 98.33% 的 F1 分数和 3.13 毫秒的运行时间，并发布了配套的数据集和工具以供复现。
-
AI框架改进帕金森病步态冻结预测
研究人员开发了一种新颖的跨模态蒸馏框架，以改进帕金森病患者步态冻结（FOG）的预测。该方法结合了惯性测量单元（IMU）数据的准确性与视频分析的实用性，解决了单一模态方法的局限性。该系统使用运动学预言机提取不变的潜在拓扑结构，并使用双流视觉模型融合骨骼图节点与空间像素，在遮挡期间根据跟踪置信度动态调整依赖性。在多模态数据集上的实证结果表明，即使没有可穿戴传感器，也能实现精确的FOG预测。
-
新论文发现：车辆中的联邦学习会泄露客户端身份
一项新的研究论文探讨了车辆边缘网络中联邦学习（FL）的隐私漏洞。研究表明，即使在数据匿名化的情况下，也可以通过传输的模型更新以高精度推断出客户端身份。研究人员提出了一种轻量级的防御机制，包括裁剪和添加高斯噪声，这在对模型性能影响最小的情况下显著降低了攻击的准确性。还建议将集成式联邦学习作为增强隐私的补充方法。
-
新数据集和模型解决汽车雷达硬件故障诊断问题
研究人员推出了Rad-R，这是一个专为诊断汽车毫米波雷达系统硬件故障的新数据集。该数据集将原始ADC雷达记录与受控硬件故障数据、独立的物理严重性测量以及来自IMU、温度、GPS和摄像头的同步流配对。基准评估表明，提出的RadrNet模型，特别是其捕获不变变体，在跨严重性泛化任务上优于RD-CNN等现有方法，宏观F1分数为0.663。
-
新的iOS应用使用iPhone AI绘制行人基础设施地图
一篇新的研究论文介绍了一款名为iOSPointMapper的移动应用程序，该应用程序旨在使用iPhone和iPad进行实时的行人与无障碍地图绘制。该系统利用设备上的AI进行语义分割和深度估计，并结合GPS和IMU数据，以识别交通标志和信号灯等特征。用户引导的标注确保了数据质量，然后匿名数据会被发送到交通数据交换倡议（TDEI），以整合到更广泛的交通数据集中。
-
新研究推动机器人视觉惯性里程计发展
两篇新研究论文探讨了机器人视觉惯性里程计（VIO）的进展。第一篇论文介绍了一种极简方法，仅使用四个视觉传感器和一个惯性测量单元（IMU）来实现差速驱动机器人的鲁棒运动估计。第二篇论文提出了KLTNet，一种基于学习的稀疏特征跟踪器，旨在提高现有VIO系统的准确性和鲁棒性，尤其是在挑战性环境中。
-
四旋翼无人机利用立体视觉实现无IMU状态估计
研究人员为四旋翼无人机开发了一种新颖的纯视觉状态估计系统，该系统不依赖惯性测量单元（IMU）或GPS等外部定位系统。该系统利用一对立体摄像头，通过将静止场景点视为隐式惯性参考来估计四旋翼无人机的机体坐标系姿态、速度和其他参数。它生成一个稀疏的3D点云，其中包含每个点的速度和协方差，可作为下游世界模型的输入，无需外部依赖。
-
自主拖拉机系统AgriNav集成杂草检测和激光雷达导航，用于精准农业
研究人员开发了AgriNav，一个专为精准水稻种植设计的自主拖拉机系统。该系统集成了杂草检测和激光雷达导航，以减少除草剂使用并提高效率。AgriNav利用定制的CNN-FPN模型来区分水稻和杂草，并融合激光雷达、GNSS和IMU数据进行稳健导航，即使在GNSS中断期间也能工作。该系统在各种成像条件下均表现出对作物行检测和水稻识别的高度置信度。
-
新型腕带前端集成IMU和雷达用于手势传感
研究人员开发了一种新颖的用于手势传感和运动症状监测的腕带前端系统。该系统集成了微机电系统（MEMS）惯性测量单元（IMU）和60 GHz调频连续波（FMCW）雷达。该设计采用单一的片上残差生成器，在纽扣电池的功耗预算内处理分类器唤醒门控、雷达与IMU路由以及卡尔曼滤波测量重加权。
-
雪地地形无人机与地面机器人导航系统
研究人员开发了一种新颖的导航框架，用于在具有挑战性的雪地地形中运行的无人机和地面机器人。该系统利用高效的U-Net架构进行实时道路分割，通过合成雪数据增强实现了96.5%的准确率。无人机采用扩展卡尔曼滤波器集成GPS和IMU数据进行定位，最大位置误差为0.5米。地面机器人的位置通过无人机的RGB-D摄像头数据和YOLOv5对象检测进行跟踪，从而能够进行考虑雪堆的动态路径规划。
-
新的姿态估计方法使用事件相机和高度约束
研究人员开发了一种用于事件相机主动标记系统的新姿态估计方法。该方法利用了约束高度的两点最小求解器，并结合了来自惯性测量单元（IMU）或高度计等车载传感器中的倾斜角和相机高度。该方法提供了闭式解和线性最小二乘解，在合成和真实世界数据上均显示出比现有P2P求解器更高的精度，并与P3P具有竞争力。
-
AI模型使用腕部传感器进行帕金森病筛查
研究人员开发了一种新颖的注意力机制，可使用可穿戴传感器更准确、更高效地筛查帕金森病。该方法在arXiv论文中有所详述，处理来自腕戴式惯性测量单元（IMU）的数据，以区分健康个体、帕金森病患者以及患有类似疾病的人。该系统实现了高精度，尤其是在识别帕金森病方面，并且即使在标记数据有限的情况下也表现出接近饱和的性能，使其适合在Raspberry Pi 4等设备上进行实时边缘部署。