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

本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

May, 2021

研究通过精简核心元素实现了一个在各种环境条件下可操作的简单有效的传感器里程计估计系统，该系统在使用不同类型的 LiDAR 传感器时，仅具有少数参数并且不需要计算 IMU 信息，能够广泛应用于不同的应用场景。

Sep, 2022

使用深度传感器在房间中捕获对象的 3D 模型，采用基于深度强化学习的学习式 ICP 方法对 CAD 模型进行对齐，优于先前文献中的 ICP 方法，能够在实际场景中实现高质量结果的对象对齐。

Dec, 2018

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

本文提出一种仅基于立体相机系统完成 3D 语义映射的完整流程，其中包括全局优化的直接稀疏视觉里程表前端和 GNSS 集成，以及语义 3D 点云标记的后端。作者提出了一种简单但有效的时间投票方案，提高了 3D 点标签的质量和一致性，并在 KITTI-360 数据集上进行了定性和定量评估，结果表明了提出的投票方案的有效性和流水线对于大规模高效 3D 语义映射的能力。另外，作者还展示了流水线的大规模映射能力，展示了由车队收集的数据生成的覆盖 8000 公里道路的大规模语义地图。

Mar, 2022

本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

Apr, 2019

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

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