通过研究路面对 3D 检测提供的额外信息，提出了一种嵌入式神经网络，能够充分利用这些应用程序特定的先验知识，从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。

Feb, 2021

提出了一种基于 RGB-D 相机的实时动态障碍物跟踪和建图系统，该系统使用 “占用格子图” 生成动态障碍物区域，应用卡尔曼滤波和连续滤波来跟踪每个动态障碍物，并提出了一种基于 Markov 链的环境感知轨迹预测方法。实验结果表明，该方法可以在动态环境中实时成功跟踪和避免障碍物。

Sep, 2022

本文提出了一种基于 RGB-D 传感器的道路机器人避障系统，使用两阶段语义分割网络生成语义地图以便进行局部路径规划，采用光流监督和运动模糊增强的训练方法，实现室内外道路机器人的无碰撞自主导航。

Aug, 2019

利用外观、语境和几何线索，通过一个基于深度学习的完全卷积网络，结合基于模型的统计假设检验的最新检测方法，和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统，取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率，在我们的自动驾驶平台上达到了 22 Hz 的操作。

Dec, 2016

本文提出了一种具有挑战性的 referring expression 分割任务，在这里引入了 2D 和 3D 信号来解决寻找遮挡物的问题，并使用 OCID-Ref 数据集验证这一方法的有效性。

Mar, 2021

本文旨在解决在农业等未经整治的地形中进行可靠的障碍物检测和分类仍然是一个具有挑战性的问题，并提出了一种通过概率融合激光雷达和摄像机获取语义分割的几何和外观并行检测方法，表现出了极高的分类准确度。

Jun, 2017

本文提出了一种基于立体视觉的方法，通过对立体图像数据上的离散度空间进行统计假设检验，评估独立局部贴片上的自由空间和障碍假设，能可靠地检测 moving vehicle 上的小障碍物，不依赖于全局道路模型，在对象和像素级别上优于所有考虑的基线，成功检测高达 5 厘米高的小障碍物，并可在 20m 的距离下实现低误报率。

Sep, 2016

建议利用传感器和算法的组合，建立一个适用于视障人士的导航系统，该系统基于传统的 RGB-D 相机，结合鱼眼相机的信息，提供了对环境的鲁棒性与可靠性，使用户能够规划路径并避开障碍物。

Jan, 2024

这篇论文介绍了第一个大规模的 3D 反射检测数据集，包含超过 50,000 个多返回 Lidar、RGB 图像和 2D/3D 语义标签样本，在各种室内环境中，含有不同类型的反射。通过纹理化的 3D 地面真实网格实现自动点云标注，提供精确的地面真实标注。详细的评估对比了三种 Lidar 点云分割方法，以及当前最先进的图像分割网络对玻璃和镜子的检测。该数据集通过提供准确的全局对齐、多模态数据和各种反射物体和材料，推动了反射检测的进一步研究。该数据集可以在指定的 http 链接公开获取。

Mar, 2024

本文介绍了一种基于外观的障碍物检测系统，使用深度神经网络的方法进行训练，能够在高速行驶、长距离、低维度等复杂情况下对障碍物进行检测。

Jul, 2016