中國臺灣大學的科研團隊提出一種基于慣性測量單元（IMU）和機器學習的奶牛日常行為模式識別系統(tǒng)，為奶牛監(jiān)測和繁殖管理提供了解決方案。該系統(tǒng)將9軸IMU傳感器集成于奶牛頸部項圈，采集躺臥、站立、行走、飲水、采食、反芻及其他行為的運動數(shù)據(jù)，經(jīng)人工結合視頻標注后，通過窗口切片、特征提取、特征選擇和歸一化四步處理構建行為識別模型。實驗對比SVM、隨機森林和XGBoost三種算法，終XGBoost模型表現(xiàn)優(yōu)，采用58個精選特征（含時域和頻域特征）實現(xiàn)的整體F1分數(shù)，其中反芻（）、躺臥（）和飲水（）行為識別精度高，“其他”行為（）精度低。系統(tǒng)采用5Hz采樣頻率、30秒時間窗口和90%窗口重疊率，結合滑動窗口投票校正的后端優(yōu)化策略，在線測試中每日行為識別總誤差，各奶牛的行為時間分配與已有研究統(tǒng)計一致，適用于實際牧場應用場景。 IMU 數(shù)據(jù)刷新率高，可滿足設備實時姿態(tài)調控的嚴苛需求。上海進口平衡傳感器廠商

    印度的一支科研團隊提出了一種基于IMU的偏航角和航向角估計方法，通過自適應互補濾波與黃金分割搜索（GSS）算法優(yōu)化，提升了移動機器人在傾斜農業(yè)地形上的導航性能，這對于解決無磁強計或雙天線GNSS等參考條件下的可靠標定難題具有重要意義。該方法采用MPU6050IMU傳感器，融合三軸加速度計和陀螺儀數(shù)據(jù)，在互補濾波中引入地形傾斜補償機制，將傾斜軸上的重力分量納入橫滾角和俯仰角計算，修正動態(tài)運動中的加速度計讀數(shù)偏差。研究通過GSS算法優(yōu)化濾波加權因子，在收斂閾值σ≤下，需五次迭代即可確定比較好值（約），相比傳統(tǒng)固定權重濾波，將斜坡上的偏航角估計誤差降低了約°。實驗驗證中，定制設計的自主地面車輛（AGV）在10°-90°不同坡度地形及快慢不同的方向變化場景下，均實現(xiàn)了穩(wěn)定的姿態(tài)追蹤，尤其在中高坡度地形中表現(xiàn)出更高的估計精度。該方法無需依賴易受干擾的磁強計，計算效率高且適用于資源受限的嵌入式系統(tǒng)，為精細農業(yè)中的自主機器人導航提供了實用且可靠的解決方案。 浙江平衡傳感器工業(yè)機器人搭載 IMU 后，能實時感知作業(yè)過程中的振動和位置偏移，確保精密制造的準確性。

    一支科研團隊提出了一種增強型LiDAR-IMUSLAM框架，專門解決自主模塊化公交車（AMB）對接過程中的找到精確位置難題，對推動模塊化公共交通的實用化具有重要意義。該框架基于LIO-SAM算法優(yōu)化，針對AMB對接時的垂直漂移和近距離遮擋兩大挑戰(zhàn)，提出三項關鍵改進：一是采用帶地面約束的兩階段點云-地圖匹配方法，先通過地面特征穩(wěn)定z軸位置、橫滾角和俯仰角，再用非地面特征優(yōu)化x、y軸位置和航向角，減少垂直漂移；二是引入融合IMU橫滾/俯仰約束和周期性因子圖重置的優(yōu)化策略，避免長期誤差累積；三是基于深度學習PointPillars算法實現(xiàn)前車檢測與點云濾波，減輕對接時的動態(tài)遮擋影響。經(jīng)實車測試驗證，該框架在單車場景下的軌跡誤差（ATE）均值m，z軸均方根誤差（RMSE）低至m，優(yōu)于傳統(tǒng)LIO-SAM；雙車對接場景下，姿態(tài)誤差（APE）和相對姿態(tài)誤差（RPE）較無遮擋濾波的基線方案分別降低約59%和47%，確保了AMB對接所需的高精度位置信息。

    工業(yè)管道（如油氣管道、市政管網(wǎng)）的內部檢測常面臨管線彎曲、坡度變化等復雜場景，傳統(tǒng)導航系統(tǒng)易出現(xiàn)定位漂移，影響檢測精度。近日，某自動化檢測設備企業(yè)推出搭載高精度IMU的管道檢測機器人，提升復雜管線的巡檢能力。機器人機身及檢測探頭處安裝多組抗干擾IMU傳感器，采樣率達800Hz，實時捕捉機器人的姿態(tài)變化、行進速度及管線坡度數(shù)據(jù)。通過與慣性導航算法融合，結合管道內壁的特征匹配，實現(xiàn)定位誤差小于±2cm/100米的高精度導航，即使在管線轉彎、爬坡等場景下也能穩(wěn)定輸出位置信息。同時，IMU數(shù)據(jù)可輔助調整機器人的行進姿態(tài)，確保檢測探頭與管道內壁保持比較好距離，提升缺陷識別率。實地測試顯示，該機器人在直徑50cm的油氣管道中完成3公里巡檢任務，缺陷漏檢率較傳統(tǒng)設備降低40%，巡檢效率提升25%。目前已應用于石油、化工、市政等領域的管道檢測，未來將拓展至長距離海底管道巡檢場景。 IMU 同步采集角速率、線加速度，多維度還原物體運動狀態(tài)。

    我國的一支科研團隊提出了一種深度學習輔助的模型基緊密耦合視覺-慣性姿態(tài)估計方法，解決了視覺失效場景下的頭部旋轉運動姿態(tài)估計難題，對虛擬現(xiàn)實、增強現(xiàn)實、人機交互等領域的高精度姿態(tài)感知具有重要意義。該方法基于多狀態(tài)約束卡爾曼濾波（MSCKF）構建視覺-慣性緊密耦合框架，整合了傳統(tǒng)模型基方法與深度學習技術：設計輕量化擴張卷積神經(jīng)網(wǎng)絡（CNN），實時估計IMU測量的偏差和比例因子修正參數(shù)，并將其融入MSCKF的更新機制；同時提出多元耦合運動狀態(tài)檢測（MCMSD）與動態(tài)零更新機制相結合的融合策略，通過視覺光流信息與慣性數(shù)據(jù)的決策級融合實現(xiàn)精細運動狀態(tài)判斷，在靜止狀態(tài)時觸發(fā)零速度、零角速率等偽測量更新以減少誤差累積。實驗驗證表明，該方法在包含間歇性視覺失效的全程旋轉運動中，姿態(tài)估計均方根誤差（RMSE）低至°，相比傳統(tǒng)CKF、IEKF等方法精度明顯提升，且單幀更新耗時，兼顧了實時性與魯棒性。在真實場景測試中，即使相機被遮擋15秒，該方法仍能明顯減少IMU漂移，保持穩(wěn)定的姿態(tài)追蹤，充分滿足實際應用需求。IMU（慣性測量單元）可實時采集物體的加速度、角速度和姿態(tài)角數(shù)據(jù)，為運動狀態(tài)分析提供支撐。上海6軸慣性傳感器質量

水下探測機器人通過 IMU，在深海無信號區(qū)保持航向穩(wěn)定。上海進口平衡傳感器廠商

    臨床步態(tài)分析中，光學運動捕捉系統(tǒng)（OMC）雖為多段足部模型分析的金標準，但存在空間、成本和時間消耗大的局限，臨床適用性受限。基于慣性測量單元（IMU）的步態(tài)分析系統(tǒng)雖便捷，卻多將足踝視為單一剛性段，難以滿足臨床對足部分段運動分析的需求。近日，德國慕尼黑大學醫(yī)學中心團隊在《Galt&Posture》期刊發(fā)表研究成果，推出一款基于IMU的雙段足部模型，并完成其可靠性測試。該模型在傳統(tǒng)IMU傳感器布置基礎上，于跟骨后側新增一枚傳感器，實現(xiàn)對后足與中足運動的分開分析，通過UltiumMotion系統(tǒng)采集脛骨/后足、脛骨/前足、后足/前足在步態(tài)周期中的運動學數(shù)據(jù)，并采用統(tǒng)計參數(shù)映射（SPM）和組內相關系數(shù)（ICC）評估其評定者間、評定者內及重測可靠性。該模型操作簡便、耗時短，可在普通診室或野外開展，為臨床足踝診斷、療愈效果監(jiān)測提供了便捷工具。未來團隊將進一步開展與OMC系統(tǒng)的對比研究，完善模型以適配問題足型等更多臨床場景。 上海進口平衡傳感器廠商