本文介绍了一种新型视觉惯性同时定位与建图系统，利用惯性测量单元实现零漂移定位，并具备地图重用功能。该系统在微型飞行器数据集中测试，显示出比现有技术更高的准确性。此外，研究提出了多种适用于不同环境的视觉惯性里程计方法，均表现出优越性能。

本文提出了多种基于机器学习和控制理论的方法，以提高电力系统的安全性和性能。研究内容包括基于屏障证明的Simplex算法、图神经网络在电网动态稳定性分析中的应用，以及无模型负荷频率控制方法，旨在应对可再生能源带来的挑战，优化电网管理，确保系统的稳定性和安全性。

本研究提出了一种名为HybridCap的轻量级3D运动捕捉技术，利用4个惯性测量单元和层次运动推理模块，实现对各种运动的鲁棒跟踪。研究表明，IMU与视频方法在运动分类中的表现存在差异，视频分类准确率更高。结合单个摄像头和IMU的数据能有效提升人体运动分类的准确性，为未来研究提供了新的方向。

该研究提出了一种基于A-mode超声波的骨追踪方法，应用于全膝关节置换手术，实现亚毫米级精度的骨位移测量，提升了骨科手术的安全性和效率。同时，研究探讨了3D姿势估计和手部骨骼追踪的新技术，展示了其在运动分析和微创手术中的应用潜力。

本文介绍了一种名为GS-SLAM的算法，首次在SLAM系统中应用3D高斯表示，提升了效率与准确性。该方法通过自适应扩张策略重构场景几何，并优化相机姿态，表现出在地图构建和跟踪方面的竞争力。实验结果表明，GS-SLAM在多个数据集上优于现有方法，实现高质量的3D重建和实时渲染。

本研究提出了一种新颖的3D人体建模方法，结合显式和隐式建模技术，成功生成高质量的动态服装3D模型。通过运动条件的人类动态外观模型和时空表示学习，模型能够从单个图像预测3D运动，显著提高姿态估计精度，并在多个数据集上表现优越。

本文介绍了一种基于多阶段视觉Transformer的多任务学习代理，通过传播车辆状态和环境表示作为Transformer的特殊令牌，解决了惯性和离线与在线性能之间的低相关性问题。实验结果表明，惯性显著减少，并且离线和在线指标之间有很高的相关性。