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。

本研究提出的KN-LIO系统通过几何运动学与神经场耦合，解决了传统激光惯性里程计在高动态车辆中密集地图生成不足的问题，显著提高了状态估计精度和映射能力。评估结果表明，KN-LIO在位姿估计和密集映射的准确性上优于现有技术。

本文介绍了一种视觉模仿学习方法，机器人通过自监督学习从人类演示中学习操作任务。该方法将模仿学习视为状态估计问题，机器人利用摄像头自动移动以获取对象信息。实验结果表明，该方法能够从单一演示中学习多样技能，并在多个任务中表现出色。

本文介绍了一种视觉模仿学习方法，机器人通过人类演示学习操作任务，无需先前知识。该方法将模仿学习视为状态估计问题，利用自监督训练和摄像头自动移动，实现复杂交互轨迹。实验表明，该方法在多项任务中表现出色，能够从单一演示中学习多样技能并生成稳定控制器。

DEF-oriCORN是一个面向语言引导的操控任务的框架，通过利用新颖的场景表示和状态估计算法，实现高效且稳健的操控规划。DEF-oriCORN在稀疏的RGB图像上表现出优越的估计和运动规划性能，并能够零样本推广到现实场景。

本文介绍了一种简单的视觉模仿学习方法，可以从人类演示中学习机器人操作任务，无需先前了解对象的交互情况，并通过自监督学习进行训练。该方法将模仿学习建模为状态估计问题，通过末端执行器的姿态作为状态，在自监督训练中让末端执行器的摄像头围绕对象自动移动。实验结果表明，该方法可以从单个人类演示中学习多样的技能，并产生稳定且可解释的控制器。

该文介绍了一种简单的视觉模仿学习方法，通过自监督学习从人类演示中学习机器人操作任务。该方法将模仿学习建模为状态估计问题，实现结果表明可以从单个人类演示中学习出多样的技能，并产生稳定且可解释的控制器。

该文介绍了一种基于视觉的无人机竞速系统，成功在AlphaPilot挑战赛中排名第二。该系统利用可见的门来补偿状态估计中的漂移和构建门的全局地图，使得无人机可以在比赛中导航并实时规划近似最佳路径通过比赛赛道。