本文提出了一种端到端的雷达里程计系统，其基于学习的嵌入空间提供鲁棒、实时的姿态估计，不受感知失真和干扰因素影响。该系统采用全微分、基于相关性的雷达匹配方法，具有与传统扫描匹配方法相同的可解释性，并允许进行不确定性估计。使用自监督训练信号，我们用 280 公里的城市驾驶数据证明了我们的方法优于先前的雷达里程计最新技术，误差降低了高达 68％，运行速度提高了一个数量级。

Sep, 2019

提出了一种多用途的自监督 LiDAR 里程计估计方法，该方法在训练期间有选择地应用几何损失，无需任何标签或地面数据，适用于精度难以获得的应用中的姿态估计。

Nov, 2020

本文提出一种基于深度学习的 RaLL 框架，将雷达和激光雷达嵌入到共同的神经网络特征空间中，利用激光雷达现成的映射技术来实现雷达在室外环境下的精准定位和低成本的雷达地图构建。实验结果表明，该系统在 90km 的驾车中具有优异的性能，甚至在 UK 训练，South Korea 测试的泛化场景中仍然表现出色。

Sep, 2020

使用深度学习模型产生语义信息以提高 LiDAR 扫描的点对线和点对面匹配，并构建环境的语义地图，应用于快速移动平台，提高 LiDAR 测距与建图的鲁棒性。

Mar, 2024

本文提出一种混合逐点雷达 - 光学融合方法，结合了来自范围 - 多普勒频谱和光学图像的密集上下文信息，用于自动驾驶场景中的目标检测，表现优于最近的 FFT-RadNet 方法。

Jul, 2023

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

自主车辆的感知问题中，使用雷达来感知的能力使其引起了研究人员的兴趣，然而，由于昂贵和难以标注大规模雷达数据，训练雷达模型一直存在困难。为了解决这个瓶颈问题，我们提出了一种自我监督学习框架，利用大量无标签的雷达数据来预训练仅用于自动驾驶感知任务的雷达嵌入。该方法结合了雷达对雷达和雷达对视觉的对比损失，从配对的无标签雷达热图和相应的相机图像中学习出一种通用表示。在下游目标检测任务中应用时，我们证明了该自我监督框架能够提高现有监督基线方法的 mAP 准确度 5.8%。

Dec, 2023

本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位，可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51％、37％和 28％。

Aug, 2022

本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

Dec, 2022

本研究提出一种深度学习的惯性里程计方法，将传统的状态估计递归方法引入到深度学习领域。该方法结合了真实位置先验知识，使用自我注意力来捕捉惯性数据中的空间特征和长程相关性，并能学习运动特征和系统误差偏差漂移，成功实现无需外部观察者的自主运动估计。

Mar, 2023