本研究提出了一种基于物理知识的多任务预训练框架（PIM），旨在提高基于惯性传感器的人类活动识别准确性。通过自监督学习利用人体运动的物理特征，实验结果表明该方法在多个数据集上优于现有技术，尤其在少量标签样本中表现出显著的性能提升潜力。

本文提出了AsynEIO模型，旨在融合异步事件相机与惯性传感器以提高运动估计的精度。该模型基于高斯过程回归，结合事件驱动前端和惯性因子，实现高效的运动轨迹追踪与优化。实验结果表明，AsynEIO在高速度和低光照条件下表现优于现有方法，具有实际应用价值。

本文提出了一种基于深度学习的姿态估计模型，利用惯性传感器数据进行实时估计，具有高精度和稳健性。模型结合卷积神经网络和长短时记忆网络，经过评估显示在多种运动模式和环境干扰下表现优越。此外，研究探讨了深度学习在惯性导航和传感器融合中的应用，推动相关领域发展。

该研究提出了一种基于深度学习的低成本惯性传感器误差修正方法IONet，能够准确估计非周期运动轨迹的位移。同时，开发了新算法，提高了自动驾驶汽车对突发障碍物的反应能力，并在步态识别和用户身份认证方面取得了显著进展。

本文介绍了一种新方法，通过少量惯性传感器结合深度学习和统计身体模型，实现高精度的三维姿态估计。研究表明，该方法在运动捕获的精度和实时性方面有显著提升，适用于不同用户的身体尺寸，具有广泛的应用潜力。