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。

本文介绍了一种可转移的多阶段状态估计模型，旨在提高锂离子电池剩余使用寿命的预测精度。该模型利用机器学习技术，结合电池性能参数，有效解决了不同电流循环间的非线性漂移问题。研究表明，手工特征的机器学习模型在小样本数据上优于深度学习模型，为电池管理系统的智能化提供了基础。

该论文提出了一种基于深度神经网络的电力系统监控和预测方法，利用图神经网络提高电力系统状态估计的准确性和效率。研究表明，该方法在应对可再生能源挑战时表现优异，能够有效识别电网风险和易受攻击节点，并在多种电力系统中验证了其鲁棒性和实用性。

本文探讨了物理信息神经网络（PINNs）在不确定性量化和状态估计中的应用，提出了改进模型的多种方法，如一致预测神经网络（C-PINNs）和集成模型（E-PINNs）。研究表明，这些方法在电力系统稳定性和COVID-19预测中表现出色，有效应对数据稀缺和模型误差问题，推动了机器学习在复杂系统中的应用。

本文介绍了一种无参数算法，通过简短的迭代过程改进卡尔曼滤波器，增强其对异常值的鲁棒性。研究表明，该方法在高维状态空间中表现优越，适用于动态系统的状态估计，尤其在非线性和非高斯模型下具有竞争力。

本文介绍了一种可微粒子滤波器的在线学习框架，通过无监督损失实现模型参数更新。研究比较了可微粒子滤波器与传统方法在状态估计和决策中的表现，强调其在机器人应用中的优势，并展示了新型重采样技术的有效性。

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。