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。

我们提出了一种基于INS的轻量级深度学习方法ELESON，用于行人分类。通过特征提取器，ELESON解耦行人状态和人体动作，并利用证据状态分类器估计行人状态的置信度。在实验中，ELESON在F1分数上具有15％的分类改进，在AUROC上具有10％的置信度鉴别力提高，并且在智能手机上具有低计算和内存要求。

本研究提出了一种LiDAR-IMU-wheel测距法算法，用于解决隧道和长走廊等环境中移动机器人的定位问题。该算法通过在线校准和不断变化的运动模型，在退化环境下实现准确的定位，并通过在线不确定性估计实现合理约束。

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。