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

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

本文介绍了一种基于高斯过程模型的贝叶斯优化方法，能更好的识别安全的地形，解决了移动机器人在荒野独立行走中的定位不确定性问题。

Sep, 2017

通过扩展端到端驾驶网络、定义新颖的可变网络，将深度学习应用于自动驾驶领域，使自动驾驶汽车在没有 GPS 数据的情况下能够执行点对点导航和概率定位，同时给出了汽车可能采取行动的完整概率分布，并能够在观察到的视觉道路拓扑图和地图之间建立的对应关系基础上，进行粗略姿势定位。

Nov, 2018

本文提出了一种利用深度学习的基于模仿学习的概率驾驶模型，可以综合利用摄像机，激光雷达和雷达的信息来应对各种环境条件和动态障碍物，具有优异的泛化性能。

May, 2020

本文提出了一种基于神经网络的运动规划方法，使用学习演示来训练机器人在动态障碍物环境下进行端到端导航，此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。

Sep, 2016

使用非本地可用信息预测进入未知空间的长期目标导航，在部分映射环境中改善可靠性；通过图神经网络依赖于非本地信息进行预测，确保可靠性；在实验证明相比非学习基线和仅使用本地信息的学习参考规划器，成本可降低 9.3％和 14.9％。

Jul, 2023

本研究提出了一种自监督学习方法用于激光雷达帧的语义分割，通过结合 SLAM 和光线追踪算法实现自动化注释，训练预测机器人移动场景中的固定结构和可动目标的深度学习模型，同时改进机器人的导航和本地化性能，为机器人导航和目标定位提供了新的途径。

Dec, 2020

利用 LiDAR 传感器，提出了一种基于传感器融合的离线地图构建和在线定位算法，可以实现高准确性的实时自主导航，并为自动驾驶应用提供了稳健而灵活的环境。

Nov, 2023

本文介绍了一种基于视觉位移估计和任务特定导航策略的点目标导航代理，该代理可适应嘈杂的传感器和动作动态，并在 CVPR 2020 Habitat Challenge 的 PointNav 跟踪中获得亚军。

Sep, 2020