本文研究了基于卡尔曼滤波的位置估计方法在遥操作手术中的应用。通过学习机械臂系统模型，利用JIGSAW数据集和Master Tool Manipulator的输入，研究了KF在确定病人侧操纵器位置方面的有效性。结果显示，在网络不确定性情况下，KF能够实现准确的状态估计，估计准确率超过90%。

本文介绍了一种基于物理信息的深度学习方法，用于估计单体闪烁体中伽马相互作用的空间坐标。该方法使用密度神经网络来估计二维伽马光子相互作用坐标，并通过引入定制损失函数和考虑探测器的物理限制实现了更健壮可靠的位置估计。该方法适用于正电子发射断层扫描成像和其他应用领域。

通过深度学习的实时LiDAR测距法，联合学习帧间对应关系和模型预测不确定性，提供定位预测的安全保护证据。通过转换LiDAR特征描述符和联合学习，提高位置估计的鲁棒性。在KITTI数据集上验证了方法的竞争性性能和泛化能力。