本研究旨在探讨基于杆类地标的深度学习模型在视觉定位中的应用，其中考虑了极致稳定性下的杆类地标作为定位的一种可靠标志，并提出了两个关键模块：杆类地图匹配和杆类属性匹配，采取 RANSAC 地图匹配方法以在计算效率和精度之间达成良好的平衡。实验证明，与基线方法相比，杆类地标分类方法对视觉定位系统的提升更加明显。
May, 2023
本文旨在利用具有地标形状的柱状物作为主导式定位地标，创造出一张准确的用于自主车辆或机器人的地图，即 Pole-map。通过利用柱状物的语义信息，在所有帧中检测和聚合检测到的柱状物，创造出一个多层语义 Pole-map，并提出了一个基于语义 Pole-map 的粒子滤波定位方案。经理论分析和公共数据集实验结果表明，本文所提出的基于语义的定位方法比不使用语义的方法在粒子滤波定位中表现更好。
建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。
Dec, 2023
本文表明，高清地图提供了强有力的先验知识，可以提高现代三维物体探测器的效能和稳健性。为此，我们设计了一种从高清地图提取几何和语义特征的单级探测器，并提出了一个地图预测模块，可以从原始 LiDAR 数据中实时估计地图。我们在 KITTI 数据集以及包含 100 万帧的大规模三维检测基准测试中进行了广泛的实验，结果表明本文提出的地图感知探测器在有地图和无地图情况下都始终优于现有技术水平。重要的是，整个框架的运行速度达到了每秒 20 帧。
Dec, 2020
本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。
Jun, 2020
提出了一种新颖的轻量级视觉语义定位算法，通过稳定的语义特征代替低级纹理特征，结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明，该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。
Jun, 2024
本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。
Nov, 2016
无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。
本文介绍 HD 语义地图学习的问题，提出了一种语义地图学习方法 HDMapNet，通过多传感器数据的融合，可以更好地动态地构建地图语义，并且相比于传统基线方法具有更好的性能。
Jul, 2021
本论文介绍了一种从 LiDAR 传感器捕获的一系列点云中检测三维路缘的方法，该方法包括两个主要步骤：利用分割深度神经网络在每次扫描中检测路缘；然后，利用车辆的里程计数据在重建的点云中估计三维路缘。通过实验证实了该方法的有效性并验证了其可以显著减少手动注释时间并保持数据质量水平。