inertial navigation system
PulseAugur coverage of inertial navigation system — every cluster mentioning inertial navigation system across labs, papers, and developer communities, ranked by signal.
9 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.
-
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。
-
LoDA方法通过新的基准推动3D LiDAR变化检测
研究人员开发了LoDA，一种用于检测3D LiDAR地图中对象级别变化的新颖方法，这对于自动驾驶和智慧城市服务至关重要。该方法集成了检测限制感知配准和由几何驱动的对象代理，以自信地分配五个不同的变化标签。LoDA还为Subiaco地区引入了一个新的基准数据集，其中包含融合的多时相LiDAR地图和详细的对象级别注释。该方法在新基准和现有的Urb3DCD-V2数据集上都表现出卓越的性能，实现了高准确率和IoU分数。
-
新框架从视频生成合成IMU数据
研究人员开发了VSMP-IMU，一个用于生成合成惯性测量单元（IMU）数据的新框架。该方法使用视频输入创建语义丰富的运动程序，然后将其转换为虚拟IMU信号。VSMP-IMU旨在通过提供可控且与可穿戴设备领域相关的合成数据，克服当前人类活动识别数据集的局限性，从而在低资源、类别不平衡和受试者泛化场景中提高性能。
-
TRACE：新的AI驱动的里程计可提高机器人在不可靠条件下的导航能力
研究人员开发了TRACE，这是一种新颖的端到端学习的本体感觉里程计估计器，专为在接触不可靠的挑战性环境中运行的腿式机器人设计。该系统利用了足部感知的交叉注意力模块，可以自适应地权衡惯性测量单元（IMU）和关节数据，从而在无需手动接触检测的情况下提高鲁棒性。训练过程结合了策略随机化和真实世界微调，以改善从模拟到现实的迁移，并在各种地形上与现有方法相比，显著减少了位置漂移。
-
新的EventKitchen数据集推动神经形态视觉在人类活动中的应用
研究人员推出了EventKitchen，这是一个旨在推动神经形态视觉领域发展的新数据集，特别是在以人为中心的应用程序方面。该数据集包含自然人类烹饪活动的立体事件相机录像，由10名参与者在13个厨房中收集。EventKitchen包含同步的RGB、深度和IMU数据，以及动作片段和边界框的广泛标注，旨在提供比现有依赖脚本化动作的数据集更现实的基准。
-
域适应技术改进了惯性测量单元（IMU）传感器手写轨迹重建效果
研究人员正在探索域适应技术，以改进惯性测量单元（IMU）传感器手写轨迹重建，特别是在教育工具方面。一个关键挑战是由于速度和信心的差异，成人和儿童之间的传感器信号存在差异。本研究调查了一种域适应方法，以创建统一的特征表示，并将其与从头开始训练和微调进行比较。
-
视觉语言模型增强自动驾驶汽车GNSS欺骗检测能力
研究人员开发了一种新颖的方法，通过将视觉语言模型（VLM）与车内传感器数据相结合，来检测自动驾驶汽车中的全球导航卫星系统（GNSS）欺骗攻击。该方法融合了前置摄像头视觉信息以及速度和加速度等传感器读数，以识别车辆操控中的差异。该系统经过了三阶段的微调，并在阿拉巴马州塔斯卡卢萨收集的真实世界数据集上进行了验证，证明了在检测准确性方面的显著提高，尤其是在错误转弯和停止攻击方面。
-
生物调谐眼镜：隐形生物反馈界面利用边缘AI自适应环境
研究人员正在开发生物调谐眼镜（Bio-Tuning Glasses），这是一个实验性概念，旨在构建一个隐形生物反馈界面，根据用户的生理状态来调整其环境。与通常通知用户健康指标的可穿戴设备不同，这款眼镜旨在微妙地干预和修改环境，例如调整视觉刺激，而无需用户直接交互。该系统采用三层AI架构，包括用于即时响应的设备端边缘AI、用于情境自适应的智能手机以及用于长期学习和个性化的云端AI。
-
新系统利用卫星图像实现无GPS空中地理定位
研究人员开发了一个名为NGPS（下一代定位系统）的新系统，用于高空无人机（UAV），实现了无GPS的绝对定位。该系统通过将无人机捕获的向下拍摄的图像与使用深度特征的地理参考卫星图像进行匹配来实现这一点。NGPS集成了自适应置信度加权UKF融合、速度预测核提取以及异步多速率时间优先级队列，以融合绝对位置、VIO和IMU更新。该框架支持实时2.5D地理参考正射镶嵌重建，并在测试中显示出比独立单目VIO显著的改进。
-
Holistic Fusion框架提供任务无关的机器人定位
研究人员开发了一个名为Holistic Fusion的灵活的开源解决方案，用于机器人中的多模态传感器融合。该框架使用因子图来组合各种传感器输入，用于局部运动估计和全局定位，无需概念性更改即可适应不同的任务和设置。其目标是提供低延迟、平滑的在线状态估计和低漂移的全局定位，已在三个机器人平台上的五个真实场景中得到验证。
-
新的GAIA框架增强了用于作业区重建的UWB传感能力 · 跟踪1个来源
研究人员开发了GAIA，一个新颖的几何感知框架，旨在提高超宽带（UWB）传感在作业区几何感知方面的准确性。该系统通过将时间范围建模与潜在锚点布局估计相结合，解决了室外UWB数据中的非视距传播和噪声等挑战。与现有方法相比，GAIA在均方误差方面显著降低了18.4%，在多边形交并比方面提高了15.5%，为重建提供了一种更具空间连贯性的方法。
-
量子传感初创公司亮感智能获数百万天使轮融资
上海亮感智能科技有限公司（亮感智能）已完成数千万元天使轮融资，由上海国资委旗下投资平台复兴资本领投，六禾创投跟投。该公司成立于2023年9月，是上海交通大学量子传感研究所孵化的项目，专注于量子传感技术。公司利用自主研发的光学量子增强核心技术，其产品已应用于惯性导航和气体监测等领域，并计划将量子AI集成以实现商业化。
-
新的基准数据集结合了自我中心视频和IMU用于运动障碍评估
研究人员推出EgoInertia-MI，一个新推出的多模态基准数据集，旨在评估运动障碍。该数据集结合了健康志愿者模拟不同程度运动障碍的同步自我中心视频和可穿戴惯性测量单元（IMU）信号。该基准设定了两个任务：动作识别和运动障碍严重程度估计，其中多模态融合在这两项任务中均取得了最高性能。
-
新方法解决惯性测量单元（IMU）运动评估中的标签歧义问题
研究人员开发了一种新的方法来表示和检测基于惯性测量单元（IMU）的运动评估系统中的标签歧义。该方法使用 Kullback-Leibler 散度目标，为每次重复生成一个标签分布，而不是单一的独热标签。该方法在四个数据集上的表现与传统的独热交叉熵基线相当或更优，并且能够可靠地识别有歧义的重复及其相关类别。
-
新研究探索惯性测量单元（IMU）和肌电图（EMG）用于高级手势识别
研究人员探索了使用生物信号进行手势识别的新方法。一项研究调查了惯性测量单元（IMU）在捕捉肌肉微运动方面的应用，证明了它们在静态手势识别方面的充分性以及在假肢和机器人领域的潜在应用。另一篇论文提出了一个用于主题不变肌电图（EMG）手势识别的多目标学习框架，通过联合优化分类、对抗性主题混淆和度量学习，在基准数据集上显著提高了准确性。
-
新的机器学习框架增强了在无GPS环境下的车辆定位能力
研究人员开发了两个新颖的机器学习框架，以提高车辆定位能力，特别是在GPS信号不可靠的环境中。第一个框架PRML2结合了卡尔曼滤波和物理正则化机器学习，利用车载传感器来提高准确性和泛化能力。第二个框架EVC-Mamba利用证据Mamba模型创建一个虚拟速度传感器，用于校正IMU漂移，并提供不确定性量化和实时部署能力。这两种方法都旨在为自主系统提供稳健且经济高效的定位解决方案。
-
无监督LSTM自编码器提升IMU活动识别能力
研究人员开发了一种新颖的无监督框架，用于使用IMU传感器进行人类活动识别，解决了对标记数据和复杂多传感器融合的依赖等挑战。所提出的方法采用了一种记忆增强的自编码器，该自编码器提取分层的静态特征，并使用序列到序列的LSTM自编码器对其进行时间上的精炼，在不需要标签的情况下融入历史运动模式。在DaLiAc和PAMAP2数据集上进行评估，该方法分别达到了96.6%和98.4%的高准确率，优于监督和其它无监督方法。
-
新框架MAND增强了自我中心活动识别中的新颖性检测
研究人员开发了MAND，一个用于开放世界自我中心活动识别的新颖框架，通过更好地利用多模态数据来提高新活动的检测能力。该系统解决了现有方法中视觉数据常常掩盖IMU等其他模态，导致互补证据利用不足的局限性。MAND采用模态感知自适应评分（MoAS）进行精细的新颖性检测，以及模态感知表示稳定训练（MoRST）在学习过程中保持模态独特性，实验结果显示其准确性有所提高，误报率有所降低。