本研究提出了一种名为UMotion的在线融合状态估计框架，旨在解决稀疏可穿戴惯性测量单元在3D人体运动估计中的姿态模糊、数据漂移和适应性差等问题。通过集成IMU与六个超宽带传感器，提升了姿态准确性，克服了人体形状变化和数据不稳定的挑战。

本研究提出了一种基于惯性测量单元和一维卷积神经网络的马匹跛行及步态不规则性早期检测系统。测试结果表明，该系统在真实环境中的准确率达到90%，为马匹健康管理提供了有效的自动化检测方案。

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。

本研究介绍了LLMTrack模型，该模型利用大型语言模型（LLMs）通过单提示技术处理惯性测量单元（IMU）数据，实现零通道轨迹识别。评估结果表明，LLMTrack在室内外场景中超越了传统机器学习和深度学习模型，且无需特定数据集训练。研究表明，设计的提示能够有效分析原始传感器数据。

本文介绍了一种基于快门滚动摄像机和惯性测量单元的直接视觉惯性里程计方法，可以估计稀疏3D几何图形并结合光度束调整，实验结果表明该方法比不考虑滚动快门的系统表现更好。