Inertiale Lokalisierungsansätze spielen eine zentrale Rolle bei Navigationssystemen und basieren üblicherweise auf der doppelten Integration von dynamischen Beschleunigungssensorwerten. Diese Verfahren stoßen jedoch auf erhebliche Herausforderungen bei der präzisen Verfolgung komplexer Bewegungen, wie sie etwa bei Smartphones oder Wearables auftreten, und neigen dazu, im Laufe kurzer Zeit zu driften. Darüber hinaus wirft das Bestreben, Lokalisierung mit diesen handelsüblichen Geräten zu realisieren, die Frage auf, ob eine individuelle Kalibrierung der integrierten Inertialsensoren (engl.: Inertial Measurement Unit, IMU) erforderlich ist, was sich in der Praxis kaum umsetzen ließe. Der Beitrag verfolgt das Ziel, diese Herausforderungen durch einen State-of-the-Art-überwachten Lernansatz zu beschreiben. Dabei wird ein neuartiges Transformer-Netzwerk eingesetzt, um sowohl die Kalibrierung als auch die Lokalisierung simultan zu lösen. Die Verwendung von Lernansätzen als Sensorkalibrierungsmethode kann die Genauigkeit der Vorhersage verbessern. Die Integration von wissensbasierten Merkmalen in das Transformer-Modell ermöglicht eine Verbesserung der Genauigkeit und Zuverlässigkeit der Positionsbestimmung. Die transformatorbasierte Attention-Implementierung dieses Ansatzes verbindet physikalische und lernbasierte Verfahren zu einer fortschrittlichen Methode, die eine genaue und zuverlässige Lokalisierung in verschiedenen Geräteplatzierungen ermöglicht. Darüber hinaus werden umfassende analytische Bewertungen mit einer realistischen Qualitätsbeurteilung unter Verwendung mehrerer Metriken vorgestellt.