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

本文研究如何利用深度学习估计点云里程计，并提出了一个称为 DeepPCO 的新型神经网络模型，可通过估计连续点云来预测 6 自由度姿态，实验结果表明该方法在位姿准确性方面表现良好。

Oct, 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

我们提出了一种紧凑但有效的卷积神经网络模型，用于光流预测，名为 PWC-Net，其通过金字塔处理、扭曲变换和成本体积使用学习功能进行设计，该模型在 MPI Sintel 最终传递和 KITTI 2015 基准测试上优于所有发表的光流方法，同时比最近的 FlowNet2 模型小 17 倍且易于训练。

Sep, 2017

本文提出了一种新颖的端对端深度场景流模型 PointPWC-Net，通过粗到细的方式处理 3D 点云数据，包括新型的成本体量、上采样和变形层来有效地处理 3D 点云数据，利用自监督损失进行训练。实验结果表明，在 FlyingThings3D 数据集上超过了现有技术，并且在未经微调的情况下，在 KITTI Scene Flow 2015 数据集上表现出很好的泛化能力，优于所有先前的方法。

Nov, 2019

本文介绍了一种基于深度学习的 LiDAR 测距测速 (lo) 估计方法，将 LiDAR 帧转换成图像空间并提取特征点来匹配，借助于卷积神经网络进行测距估计，并在 KITTI 测距数据集上验证了该方法的高效性。

Sep, 2020

本文探究如何以点云数据为基础，应用深度学习方法以及掌握时间一致性的学习模块，实现对包含大量非刚性变形的 3D 动态场景进行时间插值的问题，并在各项实验中取得了比同类方法更好的效果。

Mar, 2022

本研究提出一种新型的端到端基于学习的 LiDAR 重定位框架，名为 PointLoc，它直接利用单个点云作为输入来推导 6-DoF 位姿，无需预先构建地图。该框架基于 PointNet，使用自我关注机制，能够高效地从 360 度 LiDAR 输入帧估计 6-DoF 位姿，并在实验中表现出较高的重定位精度。

Mar, 2020

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

本文提出了一种基于可微分的表示变换模块的框架，使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练，该框架与大多数目前最先进的神经网络兼容，并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。

Apr, 2020