本文介绍了一个高精度的激光雷达标题（LOCUS）用于在具有挑战性的感知条件下实现稳健和实时操作，该系统具有准确的多阶段扫描匹配单元和能够无缝融合附加传感模态的健康感知传感器集成模块，并在机器人探索 Satsop 发电厂时通过与其他技术的比较证明了其卓越的本地化准确性和鲁棒性。

Dec, 2020

本文提出 Locus，一种使用 3D LiDAR 点云的新型地点识别方法，在大规模环境中提取和编码场景中与组件相关的拓扑和时间信息，并使用二阶池化和非线性变换聚合这些多层特征以生成不变于输入特征排列的固定长度全局描述符。该方法在 KITTI 数据集上优于最先进的方法，并证明对 3D LiDAR 点云中的多种挑战性情境具有鲁棒性。

Nov, 2020

本文介绍了一种利用城市规模激光雷达地图的准确高效的视觉地点识别方法 VOLoc，该方法通过几何相似性在实时捕获的图像序列中直接查询压缩的激光雷达地图，实现了比激光雷达到激光雷达地点识别更好的定位精度。

Feb, 2024

本文提出了一个计算高效、准确的 LiDAR 基于 SLAM 的通用解决方案，主要采用了非迭代两阶段畸变补偿方法、两个匹配模块，并考虑了局部光滑性进行迭代姿态优化，实验结果表明在自主驾驶和仓库自动引导车的定位上表现均相当好，提供了一个性能和计算成本之间很好的平衡。

Jul, 2021

该研究论文介绍了一种 LiDAR 里程计系统，能够在不同操作条件下正常运行，并实现与特定领域方法相当的性能。该系统使用基于 PCA 的 kd 树实现的 ICP 范式，用于提取待配准点云的结构信息并计算对齐的最小化度量。通过根据估计的姿态不确定性管理局部地图，将漂移控制在一定范围内。为了使研究社区受益，我们发布了一个开放源代码的 C++ 实现，可实时应用在任何时候。

May, 2024

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

在大规模、未知和复杂的地下环境中进行同时定位和地图构建（SLAM）是一个具有挑战性的问题。本文在 DARPA Subterranean Challenge 的背景下，实施和测试了一种基于激光雷达的多机器人 SLAM 系统，包括准确的激光雷达前端和自动排除异常闭环的灵活和强健后端。在具有挑战性的地下环境中进行了大规模的评估并讨论了未来的研究方向。

Mar, 2020

FAST-LIO2 是一种快速、健壮、通用的 LiDAR 内部定向框架，通过直接将原始点注册到地图上并使用增量数据结构 ikd-Tree 实现增量更新，从而实现了高效、鲁棒、准确的 LiDAR 导航和建图。

Jul, 2021

COMO 系统是一个实时单目建图和里程计系统，通过一组三维锚点来编码密集几何信息，通过锚点投影解码密集几何，保证深度图在可见锚点处完整连接，该表示允许相机位姿和密集几何的联合优化，实现内在的三维一致性和高效的二阶推断，并引入一个前端来跟踪和初始化可能在帧间视觉上无法区分的三维点，整体上，提出了一个能够估计准确位姿和一致几何的实时系统。

Apr, 2024

本研究提出了一种新的实时 LiDAR-only 里程计方法（CT-ICP）和一种新的环路检测程序，结合弹性形变和高频运动鲁棒性，使用 2D 匹配进行纯激光雷达回环检测和构建完整的 SLAM，应用于自动驾驶汽车的定位和感知任务。测试结果表明，相对位移误差（RTE）平均值为 0.59％，每次扫描的平均时间为 60 毫秒，是 KITTI 里程计排行榜上代码公开最优秀的之一。

Sep, 2021