本文解决了基于学习的单目定位中的挑战，提出了VKFPos，这一新方法通过扩展卡尔曼滤波器整合绝对姿态回归（APR）和相对姿态回归（RPR），在变分贝叶斯推断框架下。研究表明，单目定位问题的后验概率可以分解为APR和RPR组件，利用深度学习模型的协方差预测来应对不确定性，从而提升了定位精度。

改进版SAM 2（SAMURAI）由华盛顿大学全华人团队提出，利用经典卡尔曼滤波器提升视觉目标跟踪能力，有效解决快速移动和遮挡问题。该方法无需重新训练，实时运行，适用于复杂场景，如打斗游戏和舞蹈表演，展现了经典技术的有效性。

本研究提出了一种基于GRU的多目标跟踪方法，解决了传统方法在复杂环境中的非线性和噪声建模不足问题。通过可学习的卡尔曼滤波器和半监督学习策略，提升了模型性能和鲁棒性。实验结果表明，该方法在nuScenes和Argoverse2数据集上优于传统方法。

本文介绍了张量网络在数据压缩和高维动态系统中的应用，包括低秩张量回归、高斯过程和循环卡尔曼网络。研究表明，张量网络能够高效处理大规模数据，优化计算复杂度，并在实时数据处理和非参数回归中表现优异。

本文提出了一种基于动态加权因子图模型的车辆轨迹估计方法，结合LiDAR传感器和GNSS先验估计，动态调整权重以减少异常值和偏差。该方法在模糊环境中表现优异，优于现有地理定位技术。

本文介绍了一种通用的实时数据同化框架，展示了其在超级计算机上的可扩展性及在天气预报中的应用潜力。FengWu-Adas系统结合AI模型，在七天预报中表现优于传统方法。研究探讨了机器学习在天气预报中的应用，提出了基于卷积神经网络的预测误差估计方法，并开发了改进极端降水事件预报的集成后处理方法，显示出良好的预测能力。

本文介绍了D-NeRF等神经辐射场技术在动态场景重建和新视角合成中的应用与进展。这些方法通过引入时间变量和优化算法，实现了高效的动态场景渲染，显著提高了渲染质量和速度。研究表明，前向流场的估计有助于改善运动模型的学习，推动了3D渲染技术的发展。

本文提出了一种名为MapTrack的方法，通过结合概率图、预测图和卡尔曼滤波器，增强了DeepSORT在拥挤和遮挡场景中的鲁棒性。该方法在多目标跟踪基准集上取得了先进效果，并在处理异常值和误设测量模型时表现出色。此外，研究探讨了改进Kalman滤波器在多目标追踪中的应用，提出了无监督MOT框架U2MOT，展示了其在真实场景中的有效性。

本文介绍了一种无参数算法，通过简短的迭代过程改进卡尔曼滤波器，增强其对异常值的鲁棒性。研究表明，该方法在高维状态空间中表现优越，适用于动态系统的状态估计，尤其在非线性和非高斯模型下具有竞争力。

本文介绍了基于深度学习和卡尔曼滤波的相机姿态估计方法，强调其在动态环境中的精度和鲁棒性，能够有效处理噪声和运动模糊，提升姿态估计的准确性。

本研究提出了一种基于卷积神经网络的机器学习方法，利用动力学模型集成估计预测误差协方差矩阵的不确定性。该方法改进了贝叶斯推断，提升了数据同化的效率和准确性，尤其在处理高维和非高斯数据时表现优越。

多目标跟踪研究聚焦运动建模：MotionTrack融合短期与长期运动特征提升关联鲁棒性；DMM-Net利用深度学习估计运动参数，减少对检测器依赖；MapTrack结合概率图与自适应卡尔曼滤波增强遮挡场景表现；扩散模型用于跟踪序列生成与去噪。这些方法在MOT、nuScenes等基准上取得先进效果。

该文汇总多篇机器人视觉与姿态估计研究，涵盖粒子滤波实时定位、卡尔曼粒子滤波多目标三维跟踪、深度学习姿态估计、四元数与误差状态卡尔曼滤波、6D姿态估计及接触辅助不变扩展卡尔曼滤波，并公开相关数据集与算法。

该文综述了卡尔曼滤波的多项研究进展，包括动态协同过滤、无参数鲁棒滤波、粒子滤波三维跟踪、系统辨识设计、深度卡尔曼滤波、循环卡尔曼网络、梯度下降逼近、自适应融合变换器、反事实推断及非线性状态空间联合估计，并在多个数据集上验证了性能。

该文综述机器人状态估计研究，结合本体与外部感知，采用卡尔曼滤波、优化及学习方法减少非线性误差，涵盖不变扩展卡尔曼滤波、神经网络接触检测、LSTM姿态估计和Transformer强化学习，以提升四足与双足机器人在复杂地形中的运动控制与估计精度。

该文综述了四足与双足机器人状态估计研究，核心方法包括Transformer强化学习、扩展卡尔曼滤波、Lie群不变观测器、姿态图优化、对比学习及粒子滤波，用于估计姿态、速度、接触状态和末端位置，以提升复杂地形下的运动控制与鲁棒性。

图学习（GL）关注从节点观测中推断出图的拓扑结构。提出了一种基于核函数的算法，用于联合聚类和学习多个图。实验证明其有效性。

面对气候变化，饮用水资源日益稀缺。本文使用压力测量值和贝叶斯网络对水配送网络中的泄漏进行定位和建模，并考虑概念漂移解释。实验评估表明该方法可行。