本文提出了一种新的深度卷积网络 LO-Net，其可以进行实时激光雷达里程计估计，并通过端到端的方式进行训练。LO-Net 具有一种新的掩码加权的几何约束损失函数，可以有效地学习 LO 估计的特征表达，并可以隐式地利用数据中的时序依赖和动态性。我们还设计了一个扫描到地图的模块，利用 LO-Net 中所学习的几何和语义信息，以提高估计精度。基准数据集上的实验表明，LO-Net 胜过现有的基于学习的方法，并具有与 LOAM 的现有状态 - of-the-art 几何方法相似的准确性。

Apr, 2019

稀疏关键点匹配改善了点云配准的效率和稳健性。该研究提出了一种基于多任务全卷积网络和概率检测损失的紧密耦合的关键点检测器和描述子 (TCKDD)，并通过自监督学习实现描述子的全面自适应及关键点检测器的优化。在室内和室外数据集上的大量实验证明，TCKDD 在点云配准中取得了最先进的性能。此外，我们设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架 (KDD-LOAM)，其实时里程计依赖于基于关键点描述子匹配的 RANSAC。稀疏关键点进一步用于高效的扫描至地图配准和建图。在 KITTI 数据集上的实验证明，KDD-LOAM 明显优于 LOAM，在里程计方面表现出有竞争力的性能。

Sep, 2023

本文介绍了一种新型的基于学习方法的 Deep Matching LiDAR Odometry (DMLO) 框架，它将特征匹配方法应用到 LiDAR 地标测量任务中，该框架将 6-DoF 姿态估计分解为两个部分，一个学习匹配网络，另一个是通过奇异值分解（SVD） 得到的紧密形成解的刚性变换估计。实验结果表明，DMLO 远优于现有的基于学习方法的方法，并可与基于几何的最先进方法相媲美。

Apr, 2020

本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

Apr, 2019

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

本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

Apr, 2023

本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

Dec, 2018

本文提出了一种名为 LoGoNet 的基于 LiDAR 和相机融合的新型神经网络，该网络能够同时在局部和全局层面上对 3D 物体进行检测，并在 Waymo 和 KITTI 数据集上获得了最佳检测表现。

Mar, 2023

通过引入一种基于深度学习的实时 LiDAR 测距法，我们可以联合学习准确的帧间对应关系和模型的预测不确定性，从而为定位预测提供安全保护的证据，同时通过部分最优 LiDAR 特征描述符转换和联合学习的方式提高位置估计的鲁棒性，并展示了预测不确定性能如何在需要时作为位置图优化的证据，在 KITTI 数据集上验证了方法的竞争性性能和优越的泛化能力。

Aug, 2023

使用深度学习基于 LRCN 结构的 LiDAR 里程计估计方法，可精确预测连续机器人运动的姿态，经实验证明其在公共数据集 KITTI 中表现良好。

Mar, 2023