通过使用特征提取和聚类技术，我们提出了一种新的黑盒逃避攻击框架，称为 Adversarial-LCD，用于攻击图形化的环路闭合检测系统。我们的实验结果表明，Adversarial-LCD 在攻击性能上优于其他机器学习代理算法，包括 SVM-linear、SVM-polynomial 和贝叶斯分类器，彰显了我们的攻击框架的有效性。此外，我们的特征扰动方法基于特征中心性在效果上优于其他算法，如随机游走和最短路径，突显了 Adversarial-LCD 的选择方法的高效性。

Dec, 2023

本文介绍了使用深度神经网络在自动驾驶汽车记录的 3D 激光扫描数据中基于各种线索发现循环闭合的方法，并将其集成到现有的 SLAM 系统中，结果表明它可以有效地检测循环闭合，从而提高 SLAM 系统的映射效果，并通过 KITI 和 Ford 数据集进行了评估。

May, 2021

本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

Apr, 2023

本研究介绍了一种基于超像素网格的在线闭环检测方法，提出了一种动态节点适应机制，并通过实验结果验证了该方法在提高闭环检测精度和效率方面的有效性，优于当前其他的检测方法。

Apr, 2023

该研究聚焦于解决姿态估计漂移和退化问题，提出了一种名为 LCR-Net 的多头网络模型，通过新颖的特征提取和姿态感知机制来准确估计 LiDAR 扫描之间的相似度和 6-DoF 姿态，将其应用于室外驾驶环境中，实现了强大而准确的在线 LiDAR SLAM，同时在候选项检索、闭环点云配准和连续重定位等三个设置中全面评估并展示了优异的性能，超过了同类方法并表现出卓越的泛化能力，它不依赖于耗时的鲁棒姿态估计器，适用于在线 SLAM 应用。这是首个具有深度闭环检测和重定位能力的 LiDAR SLAM。

Sep, 2023

本文介绍了一种新颖的基于外观的循环闭合检测方法 iBoW-LCD，该方法利用了基于二进制描述符的增量词袋（BoW）方案来检索先前看到的相似图像，避免了通常需要经典词袋模型训练阶段。此外，为了检测循环闭合，iBoW-LCD 建立在动态群岛的概念上，它是一种将接近时间的相似图像分组的简单但有效的机制，从而降低了通常与贝叶斯框架相关的计算时间。我们的方法通过使用多个室内和室外公共数据集进行验证，在不同的环境条件下取得了高精度，并胜过其他最先进的方案。

Feb, 2018

本文介绍了一种新的使用深度学习技术处理雷达数据的方法，该方法利用雷达校准数据进行训练，引入了新的雷达数据增强技术，通过在雷达 4D 检测任务上的实验验证，表现更优秀的性能，极大地减少了对昂贵的雷达校准工艺的需求，从而实现快速准确的示踪和分类检测。

Jun, 2019

本文提出一种基于深度学习的 RaLL 框架，将雷达和激光雷达嵌入到共同的神经网络特征空间中，利用激光雷达现成的映射技术来实现雷达在室外环境下的精准定位和低成本的雷达地图构建。实验结果表明，该系统在 90km 的驾车中具有优异的性能，甚至在 UK 训练，South Korea 测试的泛化场景中仍然表现出色。

Sep, 2020

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

在自动驾驶的三维物体检测领域，LiDAR - 相机融合是性能最佳的传感器配置，但是由于成本较高，阻碍了该技术在消费级汽车中的采用。本研究提出了一种相机 - 雷达知识蒸馏（CRKD）框架，旨在弥合相机 - 雷达融合和 LiDAR - 相机融合之间的性能差距，并通过引入鸟瞰图表示作为共享特征空间，实现有效的知识蒸馏。通过四个蒸馏损失函数帮助学生模型从教师模型中学习关键特征，并在 nuScenes 数据集上进行了广泛的评估，展示了 CRKD 框架的有效性。

Mar, 2024