本文提出了一种细粒度的室外机器人自定位方法，利用可调数量的机载摄像头和易获取的卫星图像；该方法解决了现有的跨视角定位方法因移动物体和季节变化等噪声源的问题；通过从地面和卫星视图中检测一致的关键点和它们对应的深度特征，去除离地物体，并在两个视图之间建立同伦变换，该方式是第一个仅利用视觉的稀疏方法，以提高动态环境下的感知能力；此外，该方法采用空间嵌入方法，利用相机内外参数信息降低纯视觉匹配的歧义性，从而提高特征匹配和姿态估计的准确性。通过在 KITTI 和 Ford Multi-AV Seasonal 数据集上进行大量实验，证明了该方法优于现有的最先进方法，能够实现横向和纵向方向上低于 0.5 米的中位空间准确性误差，以及小于 2 度的中位方向准确性误差。

Aug, 2023

本研究提供了两种新方法来估计相机和全局姿态传感器之间的准确可靠的时空校准参数。第一种是高精度和一致性的离线基于目标的方法，通过同时优化时空参数、摄像机内参和轨迹。第二种是无需标定目标的在线方法，实现了估计时空参数的时变性，并进行了详细的可观测性分析，从而为校准提供了可解释的指导原则。最后，通过手持实际数据集的评估，验证了两种方法的准确性和一致性，这些数据集在传统手眼校准方法中无法工作。

Mar, 2024

通过对不同类型传感器的定量质量评估，该研究为未来的智能交通基础设施传感器提出了一种多模式框架，有效地用于 ITS-S 应用中。

Apr, 2023

本文提出了一种新方法，通过使用单张卫星图像和相机轨迹合成具有时间和几何一致性的全景视频。该方法使用了 3D 点云表示场景，并通过相应生成的稠密三维到二维相对应关系，实现了几何和时间上的一致性。同时使用级联网络和两个 Hourglass 模块生成粗特征和细特征以及最后生成逼真的视频。该方法在实验中得到了超越其他现有的合成方法的优异结果，并且是首个成功将跨视角图像合成为视频的方法。

Dec, 2020

我们提出了一个鲁棒的外参标定方法，用于自动地进行地理参考相机标定，不需要人与信息交互，同时也不限制其他道路用户通行，我们通过在合成数据集和实际交叉口以及实现对真实基础设施的标定，演示了方法的可行性和准确性。

Apr, 2023

本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

我们提出了一种基于字典的自动化摄像机校准方法，利用定制的空间变换网络（STN）和新颖的拓扑损失函数，改善了 IoU 指标，相对于最先进模型提高了 12％。

Aug, 2023

本文提出了一种新的方法，通过建立街景全景图和卫星图像之间的几何对应关系，生成具有新颖性的街景全景图，并展示它在场景几何上的优越性。

Mar, 2021

本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法，通过追踪短单眼相机序列中的特征点，估计 3D 位置，然后计算 Street View 全景图与估计点之间的刚体变换，进而实现了机器人自动测距。

Mar, 2015

该研究论文使用增量 SfM 和基于地理标记图像的尺度漂移校正方法来解决单眼视频中的尺度漂移问题，并在公共数据集上进行实验验证，成果表现出了在千米尺度环境下实现了准确的地理定位

Aug, 2018