基于深度学习的拓扑定位

Jun, 2017

Topometric Localization with Deep Learning

Gabriel L. Oliveira, Noha Radwan, Wolfram Burgard, Thomas Brox

TL;DR该论文提出了一种基于视觉和 LiDAR-based 的深度学习网络联合的、采用较为经济实惠的相机作为被动传感器的方法，将它们训练后进行优化以提高室外定位的精度，其误差比传统的视觉定位方法小至少 10 倍，通过对行人行为的不同研究，成功避免了多种不同时间、气候带来的问题。

Abstract

Compared to lidar-based localization methods, which provide high accuracy but rely on expensive sensors, visual localization approaches only require a camera and thus are more cost-effective while their accuracy

lidar-based localization visual localization vision-based localization deep networks pedestrian-based dataset

发现论文，激发创造

深度学习在视觉定位和地图构建中的应用综述

通过综述和提出分类法，本文基于深度学习对定位和制图的研究方法进行探讨，并希望成为将来研究人员应用深度学习解决视觉定位和制图问题的指南。

Aug, 2023

基于立体视觉和深度学习的 GPS 缺失战场环境中的基准点定位

提出一种新的框架，利用仅使用被动相机传感器和作为锚点的自然存在或人工地标，实现在非 GPS 战场环境中的定位。该方法使用经过校准的双目相机进行距离估计，并使用基于我们的真实世界数据集训练和微调的 YOLOv8s 模型进行地标识别。通过提取地标深度特征，利用地标识别模型预测的边界框确定地标距离。然后，利用最小二乘法算法获得未知节点的位置，并使用 L-BFGS-B 方法进行优化。实验结果表明，我们提出的框架在定位误差 (RMSE) 方面优于现有的基于锚点的 DV-Hop 算法，并与效率最高的基于视觉的算法竞争。

Feb, 2024

基于学习的本地可定位性估计用于强鲁棒性激光雷达定位

提出了一种基于神经网络的方法，用于检测在机器人运行期间的定位问题，着重关注激光雷达测距定位模块，该方法通过模拟数据训练，可以适用于不同的环境和传感器类型，并在挑战性环境下进行了实地实验测试。

Mar, 2022

SelfVoxeLO: 使用基于体素深度神经网络的自监督 LiDAR 里程计

本文提出了一种自监督的 LiDAR 测距法 ——SelfVoxeLO，通过使用 3D 卷积网络对点云数据进行特征提取，利用 LiDAR 点云的内在属性设计了多种新颖的损失函数，并引入了一种不确定性感知的机制来减轻运动物体 / 噪声的干扰，该方法在 KITTI 和 Apollo-SouthBay 数据集上的性能超过了现有的无监督方法，并且可以通过添加更多未标记的训练数据来进一步提高性能，可与有监督的方法相媲美。

Oct, 2020

通过地面图像和手机 GPS 定位的准确深度直接地理定位

本文提出了一种利用普通地面图像和低精度手机 GPS 训练地理空间深度神经网络以准确预测车辆地理位置 (纬度和经度) 的方法。我们在一个公开数据集和我们自己采集的在雾都旧金山市中心的图像上验证了该方法，结果表明模型可以在实际业务应用中足够预测质量位置，同时避免了使用地图或 SFM 模型的当今经典视觉定位或姿态估计方法所遇到的问题。

Apr, 2018

基于 2D-3D 线对应的先前 LiDAR 地图中的单目相机定位

本文提出了一种基于 2D-3D 线对应的高效单目相机在先前 LiDAR 地图中的定位方法，并使用位姿预测和离群值排除来优化相机位姿和 2D-3D 对应关系的投影误差，实验结果表明该方法可以在结构化环境中高效地估计相机位姿。

Apr, 2020

使用稀疏语义 3D 地图的视觉定位

本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

Apr, 2019

大规模实时视觉惯性定位重访

本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

Jun, 2019

通过共享 2D-3D 嵌入空间在 LiDAR 地图中进行全局视觉定位

本研究使用深度神经网络方法来创造一个共享的嵌入空间，将图像和 LiDAR-Map 映射到同一空间中，通过大量实验评估发现，该方法适用于全球定位和场所识别。

Oct, 2019

基于单目摄像机和单线激光雷达的大规模场景弱监督三维多人姿态估计

本文提出了一种基于单目摄像头和单个 LiDAR 的方法，用于大规模场景下的 3D 多人姿态估计。通过设计一种有效的多模态融合策略，并充分利用时间信息来指导网络学习自然和连贯的人类运动，以点云的固有几何约束为自我监督，用图像上的 2D 特征点进行弱监督，无需依赖于任何 3D 姿态注释。实验结果表明了该方法的优越性和泛化能力。

Nov, 2022