Bu tez, Değişmez Genişletilmiş Kalman Filtresi (Invariant Extended Kalman Filter, IEKF) çerçevesinde, ölçüm gürültüsü kovaryans matrisini adaptif bir şekilde ayarlayarak tutum kestirim performansını artırmayı amaçlayan veri odaklı bir yöntem önermektedir. Ölçüm kovaryansını, güncel sensör verilerine göre ayarlamak için evrişimli sinir ağı kullanılmakta ve bu sayede filtre, farklı hareket ve çevresel koşullarda ölçümlere olan güvenini dinamik olarak değiştirebilmektedir. Evrişimli sinir ağı jiroskop, ivmeölçer ve manyetometre ölçümleri dâhil olmak üzere ataletsel ve manyetik sensör verilerinden oluşan dizileri işlemektedir. Bu adaptif mekanizma, IEKF’nin yer değiştirme, hızlı dönüşler ve manyetik bozulma gibi zorlu senaryolarla daha iyi başa çıkmasını sağlamaktadır. Yöntemin etkinliği, açık erişimli BROAD veri seti üzerinde değerlendirilmiştir. Deneysel sonuçlar, önerilen yöntemin yalnızca sabit kovaryanslı IEKF’ye kıyasla değil, aynı zamanda geleneksel adaptif yöntemleri kullanan IEKF’lere göre de daha yüksek kestirim doğruluğu sağladığını göstermektedir.

This thesis proposes a data-driven method to improve attitude estimation performance by adaptively scaling the measurement noise covariance matrix within an Invariant Extended Kalman Filter (IEKF) framework. To achieve this, a convolutional neural network (CNN) adjusts the measurement covariance based on recent sensor data, allowing the filter to adapt its reliance in measurements under different motion and environmental conditions. The CNN processes sequences of inertial and magnetic sensor readings, including gyroscope, accelerometer, and magnetometer measurements. This adaptive mechanism allows the IEKF to better handle challenging scenarios such as translations, fast rotations and magnetic disturbance cases. The effectiveness of the method is evaluated on publicly available BROAD dataset. Experimental results demonstrate improved estimation accuracy not only over the fixed-covariance IEKF, but also compared to IEKF with conventional adaptive methods.