本文介绍了 VolMap，它是一种用于自主车辆中 3D LiDAR 环视视图系统的语义分割的实时方法。我们设计了一种经过优化的深度卷积神经网络，可以精确地分割由 360° LiDAR 设置产生的点云，其中输入包括作为输入通道的 LiDAR 高度层的体积视角。我们进一步研究了多 LiDAR 设置的使用及其对语义分割任务性能的影响。我们的评估是在包含 LiDAR cocoon 设置的大规模 3D 物体检测基准测试上进行的，以及 KITTI 数据集，其中点的分割标签来自 3D 边界框。我们展示了 VolMap 在高精度和实时运行在 CPU 上之间的优秀平衡。

Jun, 2019

我们提出了一种新颖的 Voxel-Cross-Pixel（VXP）方法，通过自监督方式建立了体素和像素之间的对应关系，并将其带入共享特征空间，从而解决了在不同领域（2D 图像和 3D 点云）提取一致且鲁棒的全局描述符的挑战。通过在三个基准测试集（Oxford RobotCar、ViViD++ 和 KITTI）上进行的大量实验证明，我们的方法在跨模态检索方面超越了现有技术的很大幅度。

Mar, 2024

本篇研究介绍了 LOCUS 2.0 立体激光雷达测距导航系统，该系统可以实现在复杂的 GNSS 缺失环境中对机器人进行定位和导航，具有高效可靠、节约计算资源等优点，并且适用于大规模环境下进行实时的地下三维建图。

May, 2022

本文提出 Locus，一种使用 3D LiDAR 点云的新型地点识别方法，在大规模环境中提取和编码场景中与组件相关的拓扑和时间信息，并使用二阶池化和非线性变换聚合这些多层特征以生成不变于输入特征排列的固定长度全局描述符。该方法在 KITTI 数据集上优于最先进的方法，并证明对 3D LiDAR 点云中的多种挑战性情境具有鲁棒性。

Nov, 2020

通过引入快速轻量级的框架，将图像和点云转换成具有地点鉴别性的描述符。实验结果表明，所提出的方法在实时执行的同时达到了最先进的性能，具有实际的泛化能力。

Mar, 2024

该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

Dec, 2017

CyberLoc 是一种图像定位管道，可在困难条件下实现稳健且准确的长期位姿估计；该方法由四个模块组成，包括地图构建、基于单个图像的定位、一致性最大化、鲁棒姿态优化，实验结果表明该方法能够在 Map-based Localization for Autonomous Driving 中获胜

Jan, 2023

这篇论文介绍了一种新的混合压缩算法，用于视觉定位，能够在不增加存储要求的情况下获得更完整的场景表示，并且在相同的内存限制下比以前的压缩技术具有更高的姿态准确性。

Jul, 2018

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

本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

Apr, 2023