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

该研究提出了 SegICP，一种用于实现物体识别和位姿估计的新型解决方案，它采用卷积神经网络和多假设点云注册相结合的方法，实现了强大的像素级语义分割和准确的实时六自由度姿势估计，快速提高了机器人系统的感知速度和稳健性。

Mar, 2017

本文提出了一种快速并具有鲁棒性的 Iterative Closest Point 方法，通过将点对点 ICP 视为主性 - 最小化算法，并采用 Anderson 加速方法加速其收敛速度并引入基于 Welsch 函数的鲁棒误差度量。在具有噪声和部分重叠的数据集上，我们实现了与稀疏 ICP 相似或更好的准确性，而速度至少快一个数量级。最后，我们将鲁棒的形式扩展到了点对平面 ICP，并使用类似的 Anderson 加速 MM 策略解决了相应的问题。

Jul, 2020

本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络，该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。

Jun, 2023

本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

Nov, 2018

该论文介绍了一种名为 SAGE-ICP 的新型语义信息辅助 ICP 方法，通过三维卷积网络提取全扫描的及时有效的语义信息，并将这些点级标签深入应用于配准的各个部分，包括语义体素下采样、数据关联、自适应局部地图和动态车辆去除，实验证明该方法在大规模场景中可以提高定位的准确性，即使语义信息存在一定误差，同时保持实时性能，即快于传感器帧速率。

Oct, 2023

DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

May, 2019

该研究提出了一种通过基于深度学习的攻击评估迭代最近点（ICP）算法在激光雷达点云上的弹性的新方法。

Mar, 2024

设计了一种学习无关的流估计器 ICP-Flow，通过在自动驾驶中包含刚性运动假设来提高目标关联和局部刚性变换估计的性能。在场景流估计中，ICP-Flow 在其他模型无法提供有意义结果的长时间间隔（最高 0.5 秒）内展现出优越性能。

Feb, 2024