该研究论文详细介绍了利用频率调制连续波雷达进行地点识别的应用程序，通过将雷达扫描的旋转不变度量嵌入到视频传感器拍摄的序列轨迹匹配系统中，实现了对车辆行驶方向相反的先前行驶路段的地点匹配检测，并在来自至今最大的面向雷达自动驾驶的城市数据集的 26 公里具有挑战性的都市驾驶中展示了该方法的有效性，其召回率比最近邻方法提高了 30% 以上，精度高。

Mar, 2020

本文提出了一种名为 RaLF 的新型深度神经网络方法，用于通过同时学习处理位置识别和度量定位，将雷达扫描定位到环境中的 LiDAR 地图中。通过跨模态度量学习，在两种模态之间学习共享嵌入空间来解决位置识别任务，同时通过预测像素级流向量将查询雷达扫描与 LiDAR 地图对齐来执行度量定位任务。我们在多个真实世界的驾驶数据集上充分评估了我们的方法，并展示了 RaLF 在位置识别和度量定位方面的表现达到了最新水平。此外，我们证明了我们的方法可以有效地推广到与训练过程中使用的不同城市和传感器设置上。我们在此 http URL 上公开提供代码和训练模型。

Sep, 2023

本文旨在探究利用先前的地图信息对动态场景中的目标进行检测，进而提出了一种基于二进制分类神经网络的算法，该算法能够验证查询图像的检测，并通过参考地图图片得出高精度检测的集合，且证明该方法在不同数据集和环境下能够提升车辆检测性能。

Jun, 2023

提出了一种使用 Vector Neurons Network (VNN) 实现 SO (3) 旋转不变性的新方法，通过提取邻近点的旋转等变特征并通过 VNN 将低维特征映射到高维空间，然后在旋转等变特征空间中计算欧氏距离和余弦距离作为旋转不变特征描述符，最后使用 GeM 池化将特征聚合成全局描述符，实验证明该方法在处理旋转问题时明显优于其他基准方法并与当前最先进的不考虑旋转问题的地点识别方法取得可比较的结果。

Aug, 2023

本文提出一种基于深度学习的 RaLL 框架，将雷达和激光雷达嵌入到共同的神经网络特征空间中，利用激光雷达现成的映射技术来实现雷达在室外环境下的精准定位和低成本的雷达地图构建。实验结果表明，该系统在 90km 的驾车中具有优异的性能，甚至在 UK 训练，South Korea 测试的泛化场景中仍然表现出色。

Sep, 2020

该论文提出了一种将 LiDAR 的几何信息与强有力的外观信息相结合的方法，通过建立新的描述符来在地点识别中优于现有办法，并且利用概率性关键点投票算法，在大规模的建筑和非结构化环境中实现有效的全局定位实验。

Nov, 2018

本文提出了一种基于深度学习算法的雷达目标检测方法，该方法可直接对原始雷达张量数据进行处理，在鸟瞰图空间中为检测到的目标放置概率定向边界框。借助新建的多模态数据集，仅使用原始雷达数据作为输入，发展了一种车辆检测管道，并取得了 77.28％ AP（相对 3D 外接框交并比为 0.3）的最佳性能，实现了对传统角落式汽车雷达中原始雷达数据的目标检测。

Apr, 2020

本文介绍了一种新颖的三通道场所描述符，由图像、点云和融合分支组成，利用相机与激光雷达之间的相关性进行信息交互和融合，从而实现在具有透视变化、季节变化和场景变换等挑战性环境中进行地点识别。在 KITTI、NCLT、USVInland 和校园数据集上的大量实验证明，所提出的场所描述符是当前最先进的方法，证实了它在复杂场景中的稳健性和普适性。

Oct, 2023

本研究提出了一种新的机器人空间数据可视化算法，实现了超紧凑的空间表示，接近次线性存储缩放和极轻量计算需求，并将散列过载方法应用于过程中，使得在匹配 100 帧序列时，每个空间定位点仅需 8 字节存储和 37k 个单元操作即可达到超过 50％的检索率

Jan, 2020

提出了一种名为 LCPR 的新型神经网络，该网络融合 LiDAR 点云和多视角 RGB 图像，生成环境的具有区分性和偏航旋转不变性的表示，从而提高了地点识别性能并保持了对视角变化的强鲁棒性。

Nov, 2023