该论文介绍了一种名为 SAGE-ICP 的新型语义信息辅助 ICP 方法，通过三维卷积网络提取全扫描的及时有效的语义信息，并将这些点级标签深入应用于配准的各个部分，包括语义体素下采样、数据关联、自适应局部地图和动态车辆去除，实验证明该方法在大规模场景中可以提高定位的准确性，即使语义信息存在一定误差，同时保持实时性能，即快于传感器帧速率。

Oct, 2023

使用深度传感器在房间中捕获对象的 3D 模型，采用基于深度强化学习的学习式 ICP 方法对 CAD 模型进行对齐，优于先前文献中的 ICP 方法，能够在实际场景中实现高质量结果的对象对齐。

Dec, 2018

DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

May, 2019

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018

该研究提出了一种基于深度学习的统一框架，通过将相机视频、运动传感器（GPS/IMU）和三维语义地图进行传感器融合，以实现自主驾驶、自我定位和场景分类等多个应用领域中场景解析和相机姿态同时处理的目的。研究使用的技术包括渲染技术，使用相机姿态和三维语义地图生成标注地图，并在深度神经网络中进行联合训练，以提高姿态估计精度。该研究表明，相较于单一传感器，传感器融合对于目标跟踪及姿态估计具有更高的鲁棒性和准确性。

May, 2018

研究通过精简核心元素实现了一个在各种环境条件下可操作的简单有效的传感器里程计估计系统，该系统在使用不同类型的 LiDAR 传感器时，仅具有少数参数并且不需要计算 IMU 信息，能够广泛应用于不同的应用场景。

Sep, 2022

该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

Apr, 2022

本文提出了一种基于球形图像的实时端到端语义分割方法 PointSeg，它以从 3D LiDAR 点云转换来的球形图像为输入，并利用卷积神经网络（CNNs）来预测点级语义映射，它采用了轻量级网络 SqueezeNet 进行模型构建，并在 KITTI 3D 目标检测数据集上进行了训练，实验结果表明在单个 GPU 1080ti 上可达到每秒 90 帧的竞争精度，适用于自动驾驶应用。

Jul, 2018

设计了一种学习无关的流估计器 ICP-Flow，通过在自动驾驶中包含刚性运动假设来提高目标关联和局部刚性变换估计的性能。在场景流估计中，ICP-Flow 在其他模型无法提供有意义结果的长时间间隔（最高 0.5 秒）内展现出优越性能。

Feb, 2024

本研究提出了一种基于深度神经网络的视觉损失函数，通过对凸形物体外轮廓的对齐来驱动位姿更新进行模型为 6D 姿态精修的处理，方法无需确定外观模型、免除了手动图像分割、同时能够处理遮挡问题和几何不对称性与视觉模糊问题，并且能够在没有深度数据的情况下准确地估算物体位姿。

Oct, 2018