On the descriptive power of LiDAR intensity images for segment-based loop closing in 3-D SLAM
Institute of Robotics and Machine Intelligence, Poznan University of Technology（波兹南工业大学机器人与机器智能研究所）
我们提出了一个扩展的基于段的全局定位方法的激光雷达SLAM使用的描述符学习考虑段的视觉上下文。提出了一种新的深度神经网络架构，其学习从合成LiDAR强度图像获取的视觉上下文。这种方法允许单个多光束LiDAR产生丰富且高度描述性的位置签名。该方法在两个公共数据集上进行了测试，证明了新描述符的改进的重复性，以及SLAM中更可靠的循环闭合检测。网络的注意力分析被用来显示关注更广泛的背景，而不仅仅是在3-D部分的重要性。
2021-08-03 cs.AI cs.RO
ProClosure: Hierarchical Room-Object Assignment using Progressive Boundary Closure from Monocular Video
IIT Jodhpur（印度理工学院焦特布尔分校）
提出渐进边界闭合方法，从单目视频恢复房间层级并分配物体，通过渐进加厚边界闭合开口，利用相机位姿种子实现确定性分割，显著提升房间和物体分配精度。
2026-09-14 cs.RO
LiPo-LCD: Combining Lines and Points for Appearance-based Loop Closure Detection
视觉SLAM方法通常依赖于环路闭合检测来校正可能在地图和相机轨迹计算期间出现的不一致性，通常利用点特征来检测和闭合现有环路。然而，在低纹理场景中，很难找到足够的点特征，因此，这些解决方案的性能急剧下降。人造场景的另一种选择，由于其结构的规则性，是使用几何线索，如直线段，经常出现在这些环境中。在此背景下，本文介绍了LiPo-LCD，这是一种新颖的基于外观的、集成了线和点的环路闭合检测方法。采用增量Bag-of-Binary-Words方案的思想，我们为每个特征构建单独的BoW模型，并使用它们来检索使用后期融合策略的先前看到的图像。此外，一个简单而有效的机制，基于岛的概念，分组相似的图像在时间上接近，以减少图像候选搜索的努力。最后一个步骤通过借助于包括线特征匹配阶段、随后是鲁棒空间验证阶段的过程合并检测到的线来几何地验证环路候选，现在组合线和点。正如论文中所报道的那样，对于涉及不同环境条件的许多数据集，LiPo-LCD与几种最先进的解决方案相比表现良好。
2020-09-03 cs.CV cs.RO
Hierarchical Unsupervised Topological SLAM
IIIT Hyderabad（海得拉巴国际信息技术学院）；University of Adelaide（阿德莱德大学）
该研究提出一种无监督拓扑聚类的分层框架，通过先拓扑层后图像层的分层回环发现策略，显著提升了基于图像的SLAM回环检测与闭合性能，且拓扑划分可支撑下游导航等任务。
2023-10-07 cs.RO
DSC: Deep Scan Context Descriptor for Large-Scale Place Recognition
Tongji University（同济大学）
基于激光雷达的位置识别是一个重要的和具有挑战性的任务，无论是在循环闭合检测和全球重定位。我们提出了深度扫描上下文（DSC），一个通用的和歧视性的全局描述符，捕捉点云的片段之间的关系。与以前的方法，利用语义或相邻的点云序列更好地识别，我们只使用原始点云，以获得有竞争力的结果。具体地说，我们首先对点云进行自我中心分割，得到线段的质心和特征值。然后，我们引入了一个图神经网络来聚合这些特征到一个嵌入表示。在KITTI数据集上进行的大量实验表明，DSC对场景变体具有鲁棒性，并且优于现有方法。
2021-11-27 cs.CV cs.RO
Calibrated Keyframe-Segment Selection for Descriptor-Agnostic LiDAR Loop Closure in Repetitive Environments
Department of Naval Architecture and Ocean Engineering（naval architecture and ocean engineering department）
该研究提出了一种无描述符的稀疏回环准入策略，用于在重复环境中稳定图结构，通过校准查询级的分段假设并验证代表性配对来减少回环因素的误入，从而提高回环闭合的精度和稳定性。
2026-10-14 cs.CV cs.RO
Hydra: A Real-time Spatial Perception System for 3D Scene Graph Construction and Optimization
Massachusetts Institute of Technology（麻省理工学院）
3D场景图最近已经成为3D环境的强大的高级表示。3D场景图将环境描述为分层图，其中节点表示多个抽象级别的空间概念，边缘表示概念之间的关系。虽然3D场景图可以作为机器人的高级“心智模型”，但如何在实时的【形】构建这样丰富的表示仍然是未知的领域。本文介绍了一个实时的【形】空间感知系统，一套算法，以建立一个三维场景图的传感器数据在实时的【形】。我们的第一个贡献是开发实时的【形】算法，以逐步构建场景图的层，机器人探索环境;这些算法围绕当前机器人位置构建一个本地欧几里德符号距离函数（ESDF），从ESDF中提取一个拓扑地图，然后使用社区检测技术启发的方法将这些地方分割成房间。我们的第二个贡献是研究3D场景图中的循环闭合检测和优化。我们表明，3D场景图允许定义层次描述符循环闭合检测;我们的描述符捕获场景图中各层的统计数据，范围从低级别的视觉外观到有关对象和地点的汇总统计数据。然后，我们提出了第一个算法来优化3D场景图，以响应循环关闭;我们的方法依赖于嵌入的变形图，同时纠正场景图的所有层。我们将建议的空间感知系统实现为一个名为Hydra的体系结构，该体系结构将快速的早期和中级感知过程与较慢的高级感知相结合。我们评估Hydra的模拟和真实数据，并显示它能够重建3D场景图的准确性与批量离线方法，尽管在线运行。
2022-06-20 cs.RO
AutoMerge: A Framework for Map Assembling and Smoothing in City-scale Environments
City University of Hong Kong（香港城市大学）；Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
提出AutoMerge框架，通过多视角融合、自适应闭环检测和增量合并技术，实现城市尺度无GPS辅助下大规模LiDAR地图片段的鲁棒拼接与全局平滑。
2023-06-27 cs.CV cs.RO
PLD-SLAM: A Real-Time Visual SLAM Using Points and Line Segments in Dynamic Scenes
本文研究了视觉同时定位与地图构建（SLAM）在实际应用中存在的问题。随着SLAM技术的广泛推广和应用，SLAM系统的实用性成为继准确性和鲁棒性之后的新热点，如何在低纹理和动态环境下保持系统的稳定性并实现精确的位姿估计，以及如何提高系统在真实场景中的通用性和实时的【形】性等问题。本文提出了一种实时的【形】立体间接视觉SLAM系统PLD-SLAM，该系统结合了点和线的特征，避免了高动态环境下动态物体的影响。我们还提出了一种新的全局灰度相似性（GGS）算法，以实现合理的关键帧选择和高效的循环闭合检测（LCD）。得益于GGS，PLD-SLAM可以在大多数真实场景中实现实时的【形】精确位姿估计，无需预先训练和加载庞大的特征字典模型。为了验证所提出的系统的性能，我们将其与现有的最先进的（SOTA）方法在公共数据集KITTI，EuRoC MAV，和室内立体声数据集由我们提供的等进行了比较。实验表明，PLD-SLAM具有更好的实时的【形】性能，同时确保稳定性和准确性在大多数情况下。另外，通过对GGS的实验结果分析，我们可以发现它在关键帧选择和LCD显示方面都有很好的表现。
2022-07-22 cs.CG cs.CV cs.RO
Lvio-Fusion: A Self-adaptive Multi-sensor Fusion SLAM Framework Using Actor-critic Method
Beijing University of Posts and Telecommunications（北京邮电大学）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）
基于传感器的状态估计是移动机器人的一项重要技术。由于传感器在不同环境下的性能不同，如何融合各种传感器的测量值是一个难题。本文提出了一种紧耦合的多传感器融合框架Lvio-Fusion，它基于图优化融合立体相机、激光雷达、IMU和GPS。针对城市交通场景，提出了一种基于GPS和闭环的分段全局姿态图优化方法，消除了累积漂移。此外，我们创造性地使用强化学习中的actor-critic方法来自适应地调整传感器的权重。经过训练后，行动者-评论者智能体能够较好地为系统提供动态的传感器权重。我们评估了我们的系统在公共数据集上的性能，并将其与其他最先进的方法进行了比较，结果表明，该方法具有较高的估计精度和对各种环境的鲁棒性。我们的实现是开源的，具有高度可扩展性。
2021-09-16 cs.RO
A Brain-Inspired Compact Cognitive Mapping System
Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University（复旦大学类脑智能科学与技术研究院）；School of Systems Science, Beijing Normal University（北京师范大学系统科学学院）
在同时定位与地图构建（SLAM）系统中，当机器人探索环境时，地图会随着时间的推移而增长，特别是对于大规模环境。不断增长的地图阻止了长期的映射。在本文中，我们开发了一个紧凑的认知映射方法的灵感来自神经生物学实验。受邻域单元的启发，提出了由运动信息（即平移和旋转）确定的邻域场来描述所探索环境的不同片段之一。避免将运动信息低于邻域阈值的顶点和边加入认知图。认知地图的优化问题被表述为一个鲁棒的非线性最小二乘问题，它可以有效地解决作为一般问题的快速开放线性求解器。根据熟悉环境下的认知决策，对循环闭合边按时间间隔进行聚类，然后采用并行计算对认知图进行批量全局优化，保证了计算效率和实时性。在循环闭合过程之后，执行场景整合，其中随后移除重访的顶点以进一步减小认知图的大小。一个单目视觉SLAM系统的开发，以测试我们的方法在一个类似老鼠的迷宫环境。我们的研究结果表明，该方法在很大程度上限制了随着时间的推移，认知地图的大小的增长，同时，紧凑的认知地图正确地代表了整个层的环境作为标准之一。实验表明，我们的方法是非常适合紧凑的认知映射，以支持长期的机器人映射。我们的方法是简单的，但务实和有效的实现紧凑的认知地图。
2019-10-09 cs.RO q-bio.NC
Learning to See the Wood for the Trees: Deep Laser Localization in Urban and Natural Environments on a CPU
University of Oxford（牛津大学）
在森林或林地等具有挑战性的自然环境中进行定位是许多应用的重要能力，从引导机器人沿着森林小径导航到使用手持传感器监测植被生长。在这项工作中，我们探索基于激光的定位在城市和自然环境中，这是适合于在线应用。我们提出了一种深度学习方法，能够通过比较三元组（锚点，正面和负面示例）直接从3D点云中学习有意义的描述符。该方法学习一组分割点云的特征空间表示，这些点云在当前和以前的观测之间匹配。我们的学习方法是针对循环闭合检测量身定制的，从而产生一个可以仅使用CPU部署的小模型。所提出的学习方法将允许整个管道在具有有限计算有效载荷的机器人上运行，例如无人机，四足动物或UGV。
2019-02-26 cs.AI cs.CV cs.LG
Multimotion Visual Odometry (MVO)
Oxford Robotics Institute, University of Oxford, UK（牛津大学牛津机器人研究所）
针对高动态环境多运动估计易受外观依赖、场景约束限制的问题，提出融合运动分割、跟踪与物理先验的MVO流水线，无需外观信息即可估计全SE(3)轨迹，在多基准数据集上精度更优。
2024-04-23 cs.RO
Salience-guided Ground Factor for Robust Localization of Delivery Robots in Complex Urban Environments
HL Klemove Corporation（HL Klemove公司）；Inha University（仁荷大学）
针对城市环境中配送机器人面临的非标准道路特征难分类、传统几何定位易受光照外观影响的问题，提出基于SOD提取独特特征结合MC-IPM补偿畸变的定位方法，经真实场景验证有效提升了回环检测与定位鲁棒性。
2024-05-20 cs.RO
QuickGrasp: Lightweight Antipodal Grasp Planning with Point Clouds
Department of Engineering Design（工程设计系）；Indian Institute of Technology, Madras（印度理工学院马德拉斯学院）
本文提出了一种轻量级的对向抓取规划方法QuickGrasp，通过优化物体表面抓取点而非直接估计末端执行器位姿，在六自由度空间中实现极少采样，并在模拟和真实环境中验证了其优于GPD的有效性。
2025-05-09 cs.AI cs.RO
