本文提出了一个名为 S-Graphs + 的环境感知模型，它由五层优化图组成，包括度量层、关键帧层、度量 - 语义层、新颖房间层和新颖地板层，该模型可以提高机器人的位姿估计和室内环境信息提取的性能，从而扩展机器人的情景感知能力。

Nov, 2022

本论文提出了一种新的实时在线构建的 Situational Graph（S-Graph）方法，将环境的几何，语义和关系维度与机器人姿态结合起来。该方法利用里程计读数和来自 3D LiDAR 扫描的平面表面，构建和优化三层 S-Graph，不仅展示了机器人姿态估计的最先进结果，而且贡献了一种度量 - 语义 - 拓扑环境模型。

Feb, 2022

通过利用层次结构和压缩冗余机器人姿态来减小图的规模，我们提出了改进版的 S-Graphs，相较于基线，实现了类似的准确性，并在计算时间上减少了 39.81%。

Aug, 2023

研究了一种基于局部参照的定位系统，利用图像和激光雷达数据达到在不精确建筑模型中精确定位的效果，并通过带有新型图像外点检测算法的融合算法实现对杂波点的去除，该方法在具有挑战性的真实建筑场地中得到验证，优于传统的基于 ICP 的定位算法，定位误差至少减少 30%。

Jun, 2020

本文介绍了如何使用图神经网络来学习从低级因子图中推断出的高级语义关系概念，提出了一个可以更准确、更高效地推断房间实体及其与映射墙面的关系的方法，同时演示了如何引入墙面的语义概念及其与墙面的关系。该方法已经集成到 S-Graphs + 中，并在模拟和实际数据集上进行了验证。我们将提供包含该软件的 Docker 容器供科学界使用。

Sep, 2023

本文提出了一种基于信息感知的图块网络 (I-GBNet)，通过模仿学习和集中采样的专家求解器来训练，可以实现在一个由机器人组成的移动团队中定位和跟踪动态目标的应用。

Sep, 2022

该文章介绍了如何用稀疏 BSOS 分层算法将姿态 - 图和地标 - 图问题表述为多项式优化问题，并以全局最小化解决了这些问题，同时通过实验展示了该方法的卓越性能。

Sep, 2018

本研究提出了一个轻量级、全 CPU 基于的 “图神经本地化器” 框架，旨在解决语义定位问题。该框架结合了场景图和图神经网络技术，首先训练了一个场景图分类器用于被动视觉，然后将其知识转移到强化学习规划器用于主动视觉。实验表明，该方法在自我监督学习和无监督域适应两个场景下都具有效果。

May, 2023

本文提出了一种在不确定情况下，让机器人根据场景分析算法构建的场景图，并利用图像信息进行机器人规划，从而在部分可观察性的领域中实现上下文感知机器人规划。实验结果表明，在目标搜索领域，该算法比标准机器人规划和场景分析方法具有更高的任务完成效率和准确性。

Feb, 2022

通过图形化表示机器人环境，结合经典计算机视觉工具和现代计算机视觉云服务，以达到语义理解的目标。

Sep, 2023