提出一种基于 RGBD 重建和语义分割的机器人操作主动理解未知室内场景的新方法，利用离线估计的离散视野分数场来驱动机器人的勘探扫描，结合基于体素的实时语义标注，优化遍历路径和相机轨迹，从而实现高效准确的在线场景解析。

Jun, 2019

通过引入基于前沿探索任务的全局覆盖和基于隐式表面不确定性的重建任务，结合使用颜色不确定性实现隐式表面不确定性的方法，提出了一种自适应策略来在视角路径规划中切换模式，以减少时间并保持卓越的重建质量。该方法在所有规划方法中展示了最高的重建质量和在涉及重建任务的方法中的优越规划效率。我们在一架无人机上部署了我们的方法，并且结果显示我们的方法可以计划多任务视图并以高质量重建场景。

Apr, 2024

本文提出了一种基于二个子策略的框架，即 角落导向探索策略 和 类别感知识别策略，用于提高基于 3D 场景表示的目标导航能力，从而大大改善 ObjectNav 的性能，并在 Matterport3D 和 Gibson 数据集上实现最佳表现，同时训练时的计算成本较其他模块化方法降低了 (高达 30 倍)。

Dec, 2022

本研究致力于解决机器人在三维物体场景中远距离导航的问题，通过引入一种新的基于图反向传播的算法提高了导航的准确性并在包括 objective ambiguity 的复杂环境中进行了测试。

Mar, 2021

该文提出了一种用于机器人地图实时构建的方法，其中，在实时扫描的同时，使用语义实例识别和多帧数据关联技术来构建基于物体的语义地图。评估结果表明，该方法能够有效地识别和跟踪预测的物体实例，并与最先进的方法竞争。

Mar, 2019

本文探究了如何利用多传感器数据融合和最先进的机器学习算法，实现名为视觉语义导航的任务，在不需要先验环境知识的情况下使用自我中心视觉观测来到达属于目标语义类别的物体。我们的方法在 Habitat Challenge 2021 ObjectNav 的 Minival 阶段和 Test-Standard 阶段中，取得了第四名的成绩。

Jun, 2021

本文提出了一种基于监督深度学习的最佳视角规划方案，该方案包括自动生成数据集的算法和原始三维卷积神经网络 (3D-CNN)，用于学习下一个最佳视角，并与类似网络进行了比较，并进行了多个实验验证了该方案的有效性，以实现对不知名对象的重建。

May, 2019

通过使用深度学习框架与增强学习方法，我们提出了一个新的基于 Next-Best-View 策略的 3D 重建模型，该模型在多个数据集上取得了优异的性能，同时具备跨数据集泛化能力。

Feb, 2024

本文介绍了一种名为 AutoRecon 的新型框架，该框架利用自我监督的 2D 视觉转换器功能，通过多视图图像自动发现和重建对象，并使用分解的神经场景表示进行密集监督，从而实现了准确的对象重建和分割。

May, 2023

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022