自主模塊化公交（AMB）可動態對接或拆分，能減少交通擁堵、降低能耗，但自主對接過程中面臨垂直方向位置漂移、近距離動態遮擋等關鍵挑戰，現有LiDAR-SLAM算法在動態場景下性能受限，難以滿足高精度對接需求。近日，華南理工大學與清華大學團隊在《GreenEnergyandIntelligentTransportation》期刊發表研究成果，提出一種增強型LiDAR-IMU融合SLAM框架，專為AMB對接場景優化。該框架關鍵創新包括三點：一是采用帶地面約束的兩階段掃描匹配方法，先通過地面特征估計z軸位置、橫滾角和俯仰角，再利用非地面特征優化x、y軸位置和航向角，降低垂直漂移；二是設計融合IMU橫滾角和俯仰角約束的因子圖優化策略，通過周期性重置因子圖，減少長期累積誤差；三是引入深度學習驅動的前車檢測與點云濾波機制，基于PointPillars網絡識別前車，過濾遮擋點云以降低動態干擾。該框架解決了AMB對接的關鍵位置難題，為模塊化公交的實際落地提供了關鍵技術支撐。未來團隊將優化算法以適配非平坦地形，并拓展動態障礙物處理能力，推動AMB在復雜城市環境中的廣泛應用。 IMU 具備高刷新率，可捕捉物體姿態突變，實現實時調控。國產IMU傳感器校驗標準

    中挪聯合科研團隊提出一種基于慣性測量單元（IMU）的6自由度（6-DOF）相機運動校正方法，解決了攝影測量和光學測量中環境干擾（如風、地面振動）導致的相機抖動問題。該方法依賴IMU傳感器，通過卡爾曼濾波融合加速度計、陀螺儀和磁力計數據，估算相機的三軸旋轉（橫滾、俯仰、偏航）和三軸平移（前沖、側移、升降）運動；構建6個相機模型，分別計算各自由度運動引發的像素偏移，終從圖像序列中剔除抖動噪聲。實驗驗證表明，該方法運動校正率約80%，物體距離（3-12m）對校正效果影響極小；100mm焦距鏡頭的校正率（）略優于50mm鏡頭（）；像素抖動噪聲中90%以上由相機旋轉引起，旋轉誘導的像素偏移與物體距離無關，而平移誘導的偏移與物體距離呈負相關。該方法無需依賴靜態參考點，部署簡便，適用于橋梁監測、無人機測量等多種光學測量場景。 浙江進口IMU傳感器選型3D 掃描設備搭載 IMU，輔助實現移動掃描時的姿態校準。

    我國的一支科研團隊設計并校準了一種內嵌微機電系統慣性測量單元（MEMS-IMU）的球形傳感器顆粒，實現了與實心球體的運動學等效，這為均質致密顆粒實驗中粒子運動信息的測量提供了更具代表性的工具。該傳感器顆粒直徑40毫米，采用雙層球形結構，確保在形狀、密度、質心位置、轉動慣量和彈性模量等關鍵參數上與等直徑7075系列實心鋁球一致，可測量±16g的三軸加速度和±2000°/s的三軸角速度，以1000Hz的高采樣率持續工作一小時。研究通過單擺實驗驗證了傳感器顆粒質心與幾何中心重合，經自由落體、旋轉測試完成了加速度計和陀螺儀的校準，其密度差異小于，轉動慣量差異在4%以內。靜水中自由沉降實驗進一步證實，該傳感器顆粒的運動軌跡和速度特性與實心鋁球高度一致，且經過24小時耐候性測試展現出良好的穩定性和耐用性。這種低成本、運動學等效的傳感器顆粒，為顆粒物質統計力學實驗提供了可靠的示蹤工具，推動了顆粒追蹤技術的發展。

    一支科研團隊提出了一種基于消費級IMU設備（智能手機、智能手表、無線耳機）的日常步態分析方法，解決了傳統步態分析依賴實驗室環境和設備的局限性。該研究招募16名受試者（平均年齡歲），采集步行、慢跑、上下樓梯四種步態數據，測試了智能手機放在口袋、背包、肩包三種攜帶場景，通過iPhone14、AppleWatchSeries10、AirPodsPro的IMU傳感器（加速度計+陀螺儀）收集數據，并以Xsens動作捕捉系統作為真值參考。數據經標準化和主成分分析（PCA）降維后，采用一種基于滑動窗口的新型算法進行步態分割與分組，通過連續性匹配分數（CMS）同時評估序列連續性和匹配質量。實驗結果顯示，算法整體分割準確率達，智能手機放口袋時性能比較好（），單一步態類型分析準確率更高（步行、慢跑）；Rand驗證了分組的可靠性，在背包等動態攜帶場景下略有下降。該方法利用普及的消費級設備實現了真實場景下的多類型步態分析，為監測、運動科學等領域的大規模步態研究提供了實用且低成本的解決方案。 IMU 支持多設備組網，可同步采集多節點的運動感知數據。

    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-慣性姿態估計方法，解決了視覺失效場景下的頭部旋轉運動姿態估計難題，對虛擬現實、增強現實、人機交互等領域的高精度姿態感知具有重要意義。該方法基于多狀態約束卡爾曼濾波（MSCKF）構建視覺-慣性緊密耦合框架，整合了傳統模型基方法與深度學習技術：設計輕量化擴張卷積神經網絡（CNN），實時估計IMU測量的偏差和比例因子修正參數，并將其融入MSCKF的更新機制；同時提出多元耦合運動狀態檢測（MCMSD）與動態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據的決策級融合實現精細運動狀態判斷，在靜止狀態時觸發零速度、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，姿態估計均方根誤差（RMSE）低至°，相比傳統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，保持穩定的姿態追蹤，充分滿足實際應用需求。掃地機器人內置 IMU，規劃清潔路徑并避免機身原地打轉。浙江進口IMU傳感器選型

微型 MEMS IMU 低功耗、毫秒級響應，捕捉細微運動與姿態突變，反饋極快。國產IMU傳感器校驗標準

    IMU輔助療愈工作！近期，一支意大利研究團隊針對上肢運動軌跡測量給出新的解決方案，該研究聚焦中風、帕金森患者與一般人群的上肢運動學差異，開展了一項包含105名受試者（每組各35人）的觀察性研究，通過IMU傳感器結合靶向版方塊轉移測試（tBBT），解決傳統方塊轉移測試（BBT）無法量化上肢運動軌跡的局限。研究中，工作人員在受試者的頭部、軀干（C7、T10、L5）及上肢（上臂、前臂、手部）共佩戴7個IMU傳感器，同步記錄60Hz的運動數據，讓受試者完成tBBT的兩個階段任務（同側轉移與對側轉移），隨后通過軟件分析關節角度（如肩、肘、腕的屈伸、旋轉等）、手部軌跡參數及任務執行時間，并與臨床評估量表（中風患者用Fugl-Meyer上肢評估FMA-UL，帕金森患者用統一帕金森評定量表UPDRS）進行關聯分析。結果顯示，三組受試者存在明顯運動學差異：中風患者患側上肢的肩部外展-內收范圍受限，需通過更大幅度的軀干屈伸（平均角度°，遠高于一般組°）、旋轉（平均角度°，一般組為°）及腕部屈伸代償肘部運動；帕金森患者則表現為肩部運動范圍異常及軀干側屈增加；且神經疾患者的運動平滑度（DLJ值更遠離0）和速度均低于一般組，中風患者患側完成任務時間（秒）是一般組。 國產IMU傳感器校驗標準