基于 TartanIMU（Zhao et al., CVPR 2025） 的完整评估与部署实验，涵盖多平台测试、EKF 融合、LoRA 域适应以及作为基线对比的 6-DOF 惯性里程计（Lima 2019）。
- 代码与脚本：训练、评估、LoRA/车头训练、EKF 等
Drone_Dataset1/未纳入 Git（体积过大，约 36GB）；若需复现无人机实验，请从实验室硬盘或网盘单独拷贝- 权重文件（如
checkpoint_28.pt）已包含在仓库中；建议使用 Conda 环境并安装 PyTorch（tartan_gpu环境）
从 checkpoint_28.pt 逆向还原，完整结构如下：
Input [B, 6, T] (acc + gyro，200 Hz，去重力 + 去 Bias + acc÷9.81)
│
├─ CNN Backbone: Conv1d(6→64, k=7) + 3 组 × 2 ResBlock (64→128→256，stride-2)
├─ Post-processing: Conv1d 256→128→128（1×1 核）
├─ Unfold: 滑窗 (win=13, step=1) → [B, T', 1664]
├─ LSTM: input=1664, hidden=64
├─ IMU_Trunk: 6× Transformer Block (d=64, heads=4, ff=256)
│
└─ 4 输出头 (dog / human / car / drone)，每头 3 分支：
output_block1 → [B, T', 2] 体坐标系速度 (vx, vy)
output_block2 → [B, T', 3] 不确定性代理 σ（Stage 2B 使用）
output_block1_z → [B, T', 1] 体坐标系速度 (vz / 前向速度)
Unfold 窗口宽 13 决定 LSTM 输入维度（128 × 13 = 1664），原论文未提及。
参数量 ~2.4M，checkpoint ~26 MB，单次前向 <2 ms（CPU）。
tartan/
├── checkpoint_24.pt # 早期版本权重
├── checkpoint_28.pt # 主权重（Base model, ~30 MB）
├── checkpoint_37.pt # LoRA 微调版本权重
├── model.py # TartanIMU 模型定义（根目录主版本）
├── ekf_backend.py # ESKF + 速度辅助 ESKF
├── evaluate_all.py # 多平台基线评估（作者 NPZ 数据）
├── evaluate_real.py # 多平台基线评估（自采数据）
├── evaluate_ekf.py # EKF 融合评估
├── evaluate_ekf_real.py # EKF 融合评估（自采数据）
├── evaluate_stage2b_real.py # Stage 2B 在线评估
│
├── car/ # 车辆平台：LoRA 训练 + 评估
│ ├── train_lora.py # LoRA / 车头训练脚本
│ ├── lora_trained.pt # LoRA 微调权重
│ ├── head_trained.pt # 仅车头微调权重
│ ├── model.py # 模型定义（同根目录）
│ ├── inference_my_car.py # 自采车辆数据推理
│ ├── processed_car_data.py # 数据预处理
│ ├── process_gt.py # 真值处理
│ ├── validate_trajectory.py # 轨迹验证
│ └── eval_*.png # 评估结果图
│
├── test/car/ # 车辆平台：LoRA 评估
│ ├── model.py # LoRA 版模型定义（含 load_dual_checkpoints）
│ ├── run_eval_lora.py # LoRA 评估脚本
│ └── eval_result_*.png # 评估结果图
│
├── human/ # 人体步态平台
│ ├── model.py # 模型定义（同根目录）
│ ├── inference.py # 推理脚本
│ ├── preprocess_stage1_waist.py # 数据预处理
│ ├── verify_tartan.py # 模型验证
│ └── *.png # 评估结果图
│
├── test/human/ # 人体步态平台：辅助评估
│ ├── model.py # 模型定义（同根目录）
│ ├── inference.py # 推理与轨迹重建
│ └── result_*.png # 评估结果图
│
├── Dataset_drone/ # 无人机平台（小规模预处理数据）
│ ├── model.py # 模型定义（无人机特化版本）
│ ├── Preprocessing.py # mocap/IMU 数据对齐与预处理
│ ├── test_stage1*.py # Stage 1 推理
│ └── *.png # 评估结果图
│
├── 6-DOF Odometry/ # Lima 2019 基线对比
│ ├── model.py # Keras 模型定义
│ ├── model_torch.py # PyTorch 模型定义
│ ├── train.py # Keras 训练（OxIOD, 500 epochs）
│ ├── train_torch.py # PyTorch 训练脚本
│ ├── dataset.py # 数据加载（OxIOD / EuRoC）
│ ├── test.py / test_torch.py # 评估与轨迹重建
│ ├── my_torch_model_*.pth # 训练权重
│ └── result_*.png # 评估结果图
│
├── results/ # 各阶段综合评估结果图（本仓库 evaluate_*.py / EKF 脚本产出）
├── slides/ # 汇报图表生成脚本（含 slide_figures/）
├── legacy/ # 早期探索脚本（可选保留）
├── docs/ # 参考论文 PDF
│
├── Drone_Dataset1/ # [未纳入 Git] 完整无人机数据（~36 GB）
└── .gitignore # 排除大文件与环境文件
注意：
car/model.py、human/model.py、test/human/model.py与根目录model.py内容一致，各子目录保留副本以支持独立运行。test/car/model.py为 LoRA 扩展版本，Dataset_drone/model.py为无人机特化版本。
| 平台 | 来源 | 原始频率 | 主要文件 |
|---|---|---|---|
| Car | 自采（道路驾驶） | 480 Hz IMU / 100 Hz GPS | car/car_imu_data_full.csv |
| Human | 自采（腰部 + 脚背） | ~205 Hz IMU / 100 Hz mocap | human/4d91_long_*.xlsx |
| Drone | Drone_Dataset1（未纳入 Git） | 500 Hz 同步 | Drone_Dataset1/piloted/ |
| 所有（retargeted） | 作者格式 NPZ | 200 Hz | test/*/pretrain_1.npz |
所有数据推理前重采样至 200 Hz，四元数插值使用 SLERP。