通过在基于体素的网络中添加可见性输入流，结合虚拟物体的合成数据增强和多个时间帧上的 LiDAR 扫描的时间聚合，我们在 NuScenes 3D 检测基准测试中展示了一个状态良好的 3D 检测器整体精度的显着提高。

Dec, 2019

本文介绍了一种高效计算户外场景中高质量 3D 重建的视点和轨迹的新方法，利用搭载在自主导航四旋翼飞行器上的 RGB 摄像机采集图像，并利用分层的体积表示区分未知、自由和占据空间，利用信息增益来处理遮挡，避免障碍并规划无碰撞的飞行路径，以限制四旋翼的总飞行距离，获得了多项令人信服的 3D 重建结果，并证明了此方法的量化提升。

May, 2017

UAV 任务常需要满足地面位置与飞行器位置之间的特定几何约束。本文描述了一种能够快速计算包围所有三维坐标的三维体积的系统的理论与实现；并将其称为可见性体积。该方法通过使用 GPU 加速的深度图计算和几何布尔运算来计算可见性体积。这种算法提供了感知和导航敏感性的解决方案，产生了一个满足任务路径和感知需求的三维坐标体积。

Feb, 2024

提出了一种从无结构点云中重建网格的新框架，通过利用虚拟视图中三维点的可见性和基于传统图割的网格生成。与其他基于学习的方法相比，该方法只在二维二分类任务上进行学习，更加普适和实用。实验表明，在小型复杂物体上，该方法具有良好的可传递性和鲁棒性，并与最先进的学习方法相比具有竞争优势，并且在大型室内和室外场景中表现出色。

Aug, 2021

本文提出了一个可学习的基于几何的先验模型，改善图像重采样来提高实时物体探测性能，从而在自主导航和城市尺度传感方面得到了明显的改善。

Mar, 2023

我们提出了一种方法来从彩色图像和相关稀疏深度测量中推断出密集的深度图。我们采用自适应加权方案，结合正则化和共视性关系，利用每个像素点的残差来指导优化过程，以提高训练性能。该方法有效地应用于多种无监督深度完成方法，并在公共基准数据集上改善其性能，不会产生额外的可训练参数或增加推理时间。

Jun, 2021

当我们结合计算机光学合成孔径感测和人类融合立体图像的能力时，人类和计算方法都能够更好地区分隐藏在树叶下的物体深度。这项研究通过使用由无人机在茂密树林上方拍摄的视频，证明当采用计算合成孔径感测和分层立体视频时，人类观察者能够成功地区分深度，而单独使用计算方法或单眼视觉则无法做到。这揭示了计算方法和人类视觉相结合的系统在执行任务方面的潜力。

Oct, 2023

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

通过深度学习模型以及半监督学习方法来重建天线可见度数据以提高图像质量。

Mar, 2024

提出了一种新的点云采样方法，通过降低点云中的冗余，减少在几何对称和无结构环境下实时估计漂移的影响。该方法在机器人的几何运动估计中最大化梯度流的熵，从而最小化点的冗余。实验结果表明，该采样技术在良好条件和几何退化环境下的准确度和速度优于现有方法。

Dec, 2023