本研究提出了一种名为WMINet的移动机器人定位方法，旨在解决卫星信号有限或光照不良情况下的定位漂移问题。该方法结合轮子安装和周期性轨迹驱动，显著提高了定位精度，提升幅度达66%。此技术可在复杂环境中实现无缝导航，为短时间内的纯惯性定位提供了解决方案。

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。

本文介绍了一种基于在线学习和神经网络的轮式编码器校正方法，旨在提高机器人的定位准确性。该方法相比传统算法具有明显优势，无需耗时的数据收集。同时，提出了ST-VIO方法，结合动力学模型与视觉惯性测距，实现不同环境中的准确运动估计和预测。此外，研究还探讨了LiDAR与视觉SLAM的融合框架，提升了移动机器人在复杂环境中的导航能力。

本文提出了一种新颖的机器人中心视觉惯性导航系统的公式，使用单眼相机和6轴IMU实现高精度的运动跟踪，并提出了R-VIO算法。该算法在模拟实验和真实环境实验中测试，并显示出在一些方面打破了当前技术的局限性。