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

该论文提出了一种新颖的方法来推断场景中的支撑关系和构建语义场景图，以增强场景理解，并构建了一种描述场景内所有上下文关系的语义场景图。

Sep, 2016

本文提出了一种基于场景图的三维场景理解方法，它将场景中的实体组织成图形式，运用基于 PointNet 和 Graph Convolutional Networks（GCN）的学习方法实现了场景图的回归，并且引入了一个新的数据集 3DSSG 来支持该方法的应用和评估。

Apr, 2020

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

通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

Nov, 2022

本文提出了一种基于图形关系推理网络方法 (GR2N) 的社交关系识别方法，该方法相比现有方法能够更快，更准确地构建社交关系图，并显式地抓住不同类型社交关系之间的强逻辑约束，从而提高社交关系图的性能。

Jul, 2020

基于语义的图神经网络（SemanticGNN）是在大规模知识图谱中建模实体、语义概念、协作边和语义边，并对其进行表示学习的一种新颖的图模型，通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。

Dec, 2023

通过基于图神经网络的模型，我们能够有效捕捉语义角色之间的联合依赖关系，从而在预测图像中最显著的动词和填充其语义角色时取得显著提升，实验证明我们的方法在情境识别中表现优异。

Aug, 2017

本文提出了一种基于 GNN 的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在 KITTI 测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

Aug, 2023