提出了一种利用无监督感知分类器自我监督外感图像的像素级语义分割的新型地形分类框架，通过学习极少标注图像的弱监督训练，能够在未知城市环境中为移动机器人提供更安全和高效的导航。

Dec, 2019

本文提出了一种基于自我监督的图像学习方法来训练自主车辆在各种条件下准确地遍历地形，通过生成自我监督的地形穿越标签和使用一元分类算法来识别能够安全穿越的地形，结合视觉表征的自我监督方法，在各种驾驶环境和感知条件下进行全面评估。

May, 2023

这篇论文提出了一种新的半监督方法来对腿式机器人进行地形分类，避免了对长变长数据集的预处理，采用堆叠式长短时记忆架构和新型的损失正则化方法，解决了现有问题并提高了准确性。与现有架构的比较显示出了改进。

Mar, 2024

该篇论文呈现了一种自主方法，用于在火星探测器图像中聚类沉积纹理，以便创建详细的地形类别数据集和地质分析，取得了较高的准确性和地质效验，为火星地形分类的快速识别提供了有前途的方法，并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。

Apr, 2022

本文提出一种基于学习的方法，重建移动机器人行进城市环境中的局部地形，通过算法估计机器人周围的地形，采用 4D 全卷积网络，可以利用合成数据进行训练，并在机器人上取得良好效果。

Jun, 2022

在空间探索中，地形分类是一项重要任务，其中无法预测的环境难以仅依靠外部感知传感器（如视觉）进行观测。通过引入神经网络分类器，可以实现高性能，但由于缺乏透明性，这使得它们在任务规划中做出重要决策时不可靠。本文提出了一种带有不确定性量化的神经网络地形分类方法。我们通过在时间序列可用体系结构中使用只有本体感知数据作为输入的蒙特卡洛 Dropout、DropConnect 和 Flipout，使神经网络得以提高。我们使用超带状贝叶斯优化进行高效的超参数优化，以找到值得信赖的地形分类的最佳模型。

Jul, 2024

使用地面高程模型和自我监督学习的方法，在建筑物分割地图中利用少量标签数据取得了较好的效果，对于在遥感领域中提取特征具有高效性和有效性。

Nov, 2023

本文探索运用物体感知表征学习技术进行机器人任务，自监督学习方法可降低实际世界中收集大量标记数据的成本，该研究展示物体感知表征学习技术在策略学习和物体定位预测方面显著提高了当前技术的效能和表现。

May, 2022

自主车辆的感知问题中，使用雷达来感知的能力使其引起了研究人员的兴趣，然而，由于昂贵和难以标注大规模雷达数据，训练雷达模型一直存在困难。为了解决这个瓶颈问题，我们提出了一种自我监督学习框架，利用大量无标签的雷达数据来预训练仅用于自动驾驶感知任务的雷达嵌入。该方法结合了雷达对雷达和雷达对视觉的对比损失，从配对的无标签雷达热图和相应的相机图像中学习出一种通用表示。在下游目标检测任务中应用时，我们证明了该自我监督框架能够提高现有监督基线方法的 mAP 准确度 5.8%。

Dec, 2023

本文介绍了自监督学习技术在自动驾驶感知中的应用，其能够替代传统手动标注的方式，为自动驾驶中的不同任务提供了有效的替代方法，并提出了未来自监督学习系统设计中的重要挑战。

Oct, 2019