本文介绍了一种名为PERCH的算法，它通过产生可能性场景，寻找最佳的传感器数据解释，解决了多物体识别和定位任务中常见的遮挡问题，并在实际RGB-D测试数据上验证了其优越性。

Oct, 2015

该研究论文针对使用深度学习技术学习机器人控制策略，对深度强化学习和模仿学习两种主要学习控制范式进行了综述，包括了应对从模拟环境到现实场景中真实性差距的挑战，并总结了机器人仿真平台用于开展深度强化学习研究，同时介绍了三种主要的模仿学习范式及其相应的机器人应用，最终讨论了开放性挑战和研究前沿。

Dec, 2016

本文提出了一种简单但有效的数据增强层，以缩小机器人视觉和常规图像分类之间的差距，并在三个不同的基准数据库实验中获得高达7％的目标识别性能提升。

May, 2017

该论文提出了一种利用深度学习技术进行分层定位的方法，仅在候选位置上计算2D-3D匹配的精确位姿估计，从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能，为机器人研究带来了新的前景。

Sep, 2018

本文提出了一种基于单片式CNN的分层定位方法HF-Net，通过利用粗到细的定位范例实现了在大规模环境和重要外观变化的情况下更准确地进行6自由度定位。除此之外，通过利用学习描述符，使我们的方法在大幅度外观变化的情况下实现了卓越的定位鲁棒性，并为大规模定位的两项具有挑战性的基准设定了新的标准。

Dec, 2018

通过相对位姿来实现的视觉定位方法中，经典的基于特征点的方法具有最好的表现，替换为深度学习的方法后其性能不佳，本文分析了原因并给出了未来工作的建议。

Aug, 2019

本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到SMIS中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

Jun, 2020

通过综述和提出分类法，本文基于深度学习对定位和制图的研究方法进行探讨，并希望成为将来研究人员应用深度学习解决视觉定位和制图问题的指南。

Aug, 2023

本研究旨在使用三元组卷积神经网络解决移动机器人定位问题，并测试其对光照条件变化的鲁棒性。我们使用在动态条件下捕获的真实室内环境的全景图像。文章提出了两种方法来通过三元组神经网络解决定位问题。第一种是分层定位，它包括两个阶段：粗定位和细定位。第二种是全局定位，它在一步中估计机器人在整个地图中的位置。此外，对损失函数对网络学习过程的影响进行了全面研究。实验证明，三元组神经网络是解决室内环境中移动机器人定位问题的高效且稳健的工具，能考虑到真实操作条件。

Apr, 2024

本文利用猫眼视觉系统捕获的全景图像解决定位问题，探索了使用Siamese神经网络对室内环境进行建模的潜力。通过测量描述符之间的距离来计算图像的不相似度，使Siamese神经网络特别适用于图像检索任务，并在不同光照条件下的全球定位问题中优于以前的技术。

Jul, 2024