本研究使用深度神经网络方法来创造一个共享的嵌入空间，将图像和LiDAR-Map映射到同一空间中，通过大量实验评估发现，该方法适用于全球定位和场所识别。

Oct, 2019

本文介绍了一种名为 Patch-NetVLAD 的方法，它提供了一种将局部和全局描述符方法的优点相结合的新方法，通过从 NetVLAD 剩余变量中导出局部级别的特征，我们的方法使深度学习的局部特征定义在特征空间网格上，能够聚合和匹配这些特征，并通过积分特征空间进行互补尺度（即块大小）的块特征的多尺度融合，显示出在其状态-of-the-art视觉地点识别结果上具有高度不变性，超过了基于全局和局部特征描述符的方法，同时还具有可配置框架中的改进计算效率，适合于增强独立场所识别能力和 SLAM 系统的整体性能。

Mar, 2021

本研究介绍了一种基于 LiDAR 和 RGB 相机图像的判别式多模态描述符 MinkLoc++，该描述符可用于机器人或自动驾驶应用的位置识别、重新定位和环路闭合，同时使用深度度量学习方法来减轻多模态描述符训练过程中可能存在的主导模态问题，该方法在标准的位置识别基准测试上实现了最先进的性能。

Apr, 2021

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

提出了一种新的融合网络EINet，利用LiDAR和摄像头数据实现了多模态特征的显式交互，并在nuScenes数据集上建立了一个新的基准，实验结果表明，相比现有的融合式地点识别方法，EINet具有更好的识别性能和稳健的泛化能力。

Feb, 2024

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

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

通过利用 JIST 和 SeqGeM 提出的多任务学习框架和序列嵌入池化方法，本研究旨在通过视觉线索识别之前访问过的地点，以解决标记数据获取困难的问题，并在速度、嵌入大小、架构轻量化和处理多长度序列等方面优于现有技术。

Mar, 2024

这篇论文在研究机器人领域中呈现了地点识别（PR）的关键技术作用，特别是在同时定位与建图（SLAM）2.0的框架下。通过综述PR的最新技术进展和挑战，强调了PR在机器人领域广泛应用的重要性，并提供了一个面向新开发和基准测试的开源包，以及一个讨论PR未来发展方向的结论。

May, 2024

使用多模态大语言模型(MLLMs)来进行视觉地点识别，结合视觉观测和语言推理，借助视觉特征和MLLMs的推理能力，提供有效的地点识别解决方案。

Jun, 2024