UrbanLoco: A Full Sensor Suite Dataset for Mapping and Localization in Urban Scenes
Hong Kong Polytechnic University（香港理工大学）；University of California, Berkeley（加州大学伯克利分校）
地图定位是自动驾驶的关键模块，国内外在这一领域的研究取得了重要成果。除了全球导航卫星系统（GNSS）之外，点云配准、视觉特征匹配和惯性导航方面的研究极大地提高了不同场景下地图和定位的准确性和鲁棒性。然而，高度城市化的场景仍然具有挑战性：基于LIDAR和相机的方法在处理大量动态对象时表现不佳;基于GNSS的解决方案存在信号丢失和多路径问题;惯性测量单元（IMU）存在漂移问题。不幸的是，目前的公共数据集要么没有充分解决这一城市挑战，要么没有提供足够的传感器信息相关的地图和定位。在这里，我们介绍了UrbanLoco：一个在高度城市化的环境中收集的地图/定位数据集，带有完整的传感器套件。该数据集包括在旧金山和香港收集的13条轨迹，总长度超过40公里。我们的数据集包括各种各样的城市地形：城市峡谷，桥梁，隧道，急转弯等。更重要的是，我们的数据集包括来自LIDAR，相机，IMU和GNSS接收器的信息。现在，数据集可以通过脚注中的链接公开获取。数据集链接：https://advdataset2019.wixsite.com/urbanloco。
2020-04-03 cs.CV cs.RO
A LiDAR-based real-time capable 3D Perception System for Automated Driving in Urban Domains
我们提出了一个基于激光雷达和实时的【形】能力的三维感知系统，在城市领域的自动驾驶。分层系统设计能够在实时的【形】条件下同时对环境的固定和可移动部分进行建模。我们的方法通过创新的细节增强功能扩展了最先进的技术水平，即使在不平坦的地面和悬垂或突出的元素的情况下，也能感知道路使用者和可驾驶的走廊。我们描述了一个运行时高效的点云处理管道，包括自适应地面估计，3D聚类和运动分类阶段。基于流水线的输出，静止环境表示在多特征映射和融合的方法。在能够使用多个参考点来考虑视点变化的对象跟踪系统中表示可移动元素。我们进一步提高了跟踪系统明确考虑遮挡和模糊的情况下。我们的系统使用TUBS道路用户数据集的一个子集进行评估。我们通过考虑现实世界流量场景的应用驱动方面来增强常见的性能指标。感知系统显示出令人印象深刻的结果，并能够应付所解决的情况下，同时仍然保持实时的【形】能力。
2020-05-07 cs.RO
Pole-Image: A Self-Supervised Pole-Anchored Descriptor for Long-Term LiDAR Localization and Map Maintenance
本文提出 Pole-Image，自监督地以杆状物为锚点编码周围点云，并通过对比正样本对学习视角不变描述子，以提升长期 LiDAR 自定位与地图变化检测能力。
2025-10-20 cs.RO
Realtime Rooftop Landing Site Identification and Selection in Urban City Simulation
University of Michigan（密歇根大学）
在城市中安全自主着陆是不断发展的无人机系统（UAS）行业的必要条件。在紧急情况下，建筑物屋顶，特别是平屋顶，可以为小型UAS提供局部安全着陆区。本文研究了基于激光雷达和摄像机传感器反馈的屋顶安全着陆区的实时识别和选择。在虚幻游戏引擎中构建了一个视觉高保真度的模拟城市，特别注意准确地生成屋顶和常见的障碍物，例如，空调水塔通风口AirSim是Unreal的机器人模拟器插件，提供无人机模拟和控制，并能够从模拟的Unreal世界输出视频和LiDAR传感器数据流。在随机模拟城市上训练神经网络以提供像素分类模型。提出了一种新的算法，该算法通过融合激光雷达和视觉数据，找到最佳的无障碍着陆位置附近的屋顶。
2019-03-09 cs.RO
LiHi-GS: LiDAR-Supervised Gaussian Splatting for Highway Driving Scene Reconstruction
Latitude AI；Department of Robotics, University of Michigan（机器人学系，密歇根大学）
LiHi-GS通过LiDAR监督提升高速公路场景重建与合成，解决传统方法在高速场景和LiDAR利用上的不足。
2025-11-25 cs.CV cs.RO
UnIRe: Unsupervised Instance Decomposition for Dynamic Urban Scene Reconstruction
Zhejiang University（浙江大学）
提出基于3DGS的无监督方法UnIRe，通过4D superpoints实现动态城市场景的实例分解与重建，支持灵活的实例级编辑。
2025-09-15 cs.CV cs.RO
Why semantics matters: A deep study on semantic particle-filtering localization in a LiDAR semantic pole-map
University of Macau（澳门大学）
提出基于 mask-range transformer 的多层语义 pole-map 及语义粒子滤波定位方案，利用杆状结构语义提升自动驾驶车辆在不确定性下的定位精度。
2023-05-23 cs.CV cs.RO
Learning an Overlap-based Observation Model for 3D LiDAR Localization
University of Bonn（波恩大学）
定位是移动机器人和自动驾驶汽车的关键能力。在本文中，我们解决了使用3D LiDAR数据学习Monte-Carlo定位的观察模型。我们提出了一种新的，基于神经网络的观察模型，计算两个三维激光雷达扫描的预期重叠。该模型预测当前传感器读数与从预构建地图生成的虚拟帧之间的重叠和偏航角偏移。我们将这个观测模型集成到蒙特卡洛本地化框架中，并在不同季节用汽车收集的城市数据集上进行了测试。本文提出的实验表明，我们的方法可以可靠地定位在典型的城市环境中的车辆。此外，我们提供了一个光束的终点和基于直方图的方法，表明我们的方法具有更少的粒子优越的全局定位性能的比较。
2021-05-25 cs.RO
LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
Sun Yat-sen University（中山大学）
LiDAR测距是LiDAR同时定位与地图构建（SLAM）的重要组成部分。然而，现有的LiDAR测距法倾向于简单地迭代地将新扫描与先前的固定姿势扫描相匹配，从而逐渐积累误差。此外，作为一种有效的联合优化机制，光束法平差（BA）不能直接引入到实时里程计由于大规模的全球地标密集的计算。因此，本文设计了一种新的策略，称为里程碑地图的光束法平差测距（LMBAO）的LiDAR SLAM解决这些问题。首先，BA为基础的里程进一步发展与积极的地标维护策略，更准确的本地注册，避免累积误差。具体地说，本文保留了整个稳定的地标在地图上，而不仅仅是他们的特征点在滑动窗口中，并删除地标根据其活动的等级。接下来，减小滑动窗口长度，并且执行边缘化以保留窗口外但对应于地图上的活动地标的扫描，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中实现了实时性能，并且优于最先进的LiDAR SLAM算法，包括Lego-LOAM和VLOM。
2022-09-19 cs.CV cs.RO
Neural Rendering based Urban Scene Reconstruction for Autonomous Driving
Qualcomm Technologies, Inc.（高通技术公司）；QT Technologies Ireland Limited（QT技术爱尔兰有限公司）
本文提出结合神经隐式表面和辐射场的多模态3D场景重建框架，融合LiDAR与相机数据，生成稠密准确的3D结构、隐式地图表示及网格，并动态过滤动态物体，为自动驾驶提供高质量场景重建。
2024-02-09 cs.CV cs.RO
BEV-SLD: Self-Supervised Scene Landmark Detection for Global Localization with LiDAR Bird's-Eye View Images
Institute for Photogrammetry and Geoinformatics, University of Stuttgart, Germany（摄影测量与地理信息研究所，斯图加特大学，德国）
本文提出BEV-SLD，通过自监督学习利用鸟瞰图像发现特定场景模式，实现鲁棒的全局定位，优于现有方法。
2026-03-17 cs.CV cs.RO
Tunnel Facility-based Vehicle Localization in Highway Tunnel using 3D LIDAR
Konkuk University（建国大学）
公路隧道中的车辆定位是自主车辆导航的一个挑战性问题。由于在公路隧道内无法接收到来自卫星的GPS信号，因此地图辅助定位至关重要。然而，隧道周围的环境主要由椭圆形的墙壁组成。因此，与室外的情况不同，用于地图匹配的唯一特征点很少。因此，利用现有的地图辅助定位在隧道中执行车辆导航是非常困难的条件。在本文中，我们提出了基于隧道设施的精确车辆定位在公路隧道中使用三维激光雷达。对于公路隧道中的车辆定位，使用存储隧道设施的中心点的点地标地图和存储车道标记的概率分布的概率分布地图。如果仅可以提取对象的代表点，则无论特征点的数量如何，基于点地标的定位都是可能的。因此，该方法适用于特征点较少的公路隧道定位。隧道设施点的提取使用三维激光雷达。位置估计使用基于EKF的导航滤波器进行。利用高速公路实际行驶数据对所提出的定位算法进行了实验验证。实验结果表明，基于隧道设施的车辆定位方法能够实时的得到准确的定位结果。
2020-12-24 cs.RO cs.SY eess.SY
A Biologically Inspired Global Localization System for Mobile Robots Using LiDAR Sensor
Technical University of Munich（慕尼黑工业大学）；Sun Yat-sen University（中山大学）
环境中的定位是动物和移动机器人的基本导航能力。在室内环境中，全局定位问题仍然具有挑战性，可以完美地解决概率方法。然而，动物能够本能地定位自己少得多的努力。因此，从动物身上寻找生物学的灵感是一件耐人寻味、大有可为的事情。在本文中，我们提出了一个生物启发的全球定位系统，使用激光雷达传感器，利用海马模型和基于地标的重新定位方法。实验结果表明，该方法与蒙特卡罗定位方法相比具有较强的竞争力，在不同的定位场景下，具有较高的准确性、适用性和可靠性。
2021-09-27 cs.RO
Semantic-Aware Particle Filter for Reliable Vineyard Robot Localisation
Lincoln Centre for Autonomous Systems (L-CAS), University of Lincoln, UK（林肯自主系统中心（L-CAS），林肯大学，英国）；MAVLab, TU Delft, Netherlands（MAV实验室，代尔夫特理工大学，荷兰）；Robotics Systems Lab, ETH Zurich, Switzerland（机器人系统实验室，苏黎世联邦理工学院，瑞士）
本文提出一种语义感知粒子滤波方法，通过融合葡萄树干和支撑柱的语义检测、语义墙约束及自适应GPS先验，解决葡萄园中因行结构重复导致的定位混叠问题，并在真实环境中验证其优于AMCL和RTAB-Map。
2025-09-22 cs.CV cs.RO
Geographical Map Registration and Fusion of Lidar-Aerial Orthoimagery in GIS
Australian Center for Field Robotics, the University of Sydney（悉尼大学澳大利亚野外机器人中心）
厘米级的全球精确和一致的地图自动驾驶车辆导航长期以来一直是通过车载实时动态（RTK）-GPS在开放地区。然而，当处理城市环境时，GPS在城市峡谷、桥下、隧道内和地下环境中会经历多径和阻塞。在本文中，我们提出了战略，有效地注册本地地图的地理坐标系，通过战术整合的GPS和信息提取精确的地理参考高分辨率航空正交图像。从移动车辆获得的密集激光雷达点云向下投影到水平面，精确配准并叠加在航空正射影像上。稀疏，鲁棒和长期的杆状地标被用作锚点链接激光雷达和航空图像传感，并约束剩余的激光雷达点，不能直接测量和识别的空间不确定性。我们使用精确的地理参考航空图像作为地面实况，实现了15- 75厘米的绝对平均全球精度。这在实现地面车辆车载传感器特征与从空中图像提取的特征（例如交通和车道标记）的融合方面是有价值的。它也是有用的合作感测有一个公正的和准确的全球参考。实验结果表明，在大面积操作时，地图的准确性和一致性。
2019-04-19 cs.RO
PixSet : An Opportunity for 3D Computer Vision to Go Beyond Point Clouds With a Full-Waveform LiDAR Dataset
LeddarTech（莱达科技）
Leddar PixSet是一个新的公开数据集（dataset.leddartech.com），用于自动驾驶研究和开发。该数据集的一个关键新颖之处是来自固态闪光激光雷达Leddar Pixell传感器的全波形数据。全波形数据已被证明可以提高机载应用中感知算法的性能，但尚未被证明用于自动驾驶等地面应用。PixSet数据集包含来自高密度城市地区记录的97个序列的大约29k帧，使用一组各种传感器（相机，LiDAR，雷达，IMU等）。每一帧都用3D边界框手动注释。
2021-07-05 cs.AI cs.CV cs.RO
OpenTwinMap: An Open-Source Digital Twin Generator for Urban Autonomous Driving
Vanderbilt University（范德比大学）
OpenTwinMap是一种基于Python的开源框架，用于生成高保真的3D城市数字孪生，通过整合LiDAR和OSM数据，支持自动驾驶模拟和扩展性。
2025-11-26 cs.RO
GraffMatch: Global Matching of 3D Lines and Planes for Wide Baseline LiDAR Registration
Massachusetts Institute of Technology（麻省理工学院）；Ford Motor Company（福特汽车公司）
与常用的LiDAR点云地图相比，使用线和平面等几何地标可以提高导航精度并降低地图存储要求。然而，基于地标的应用程序，如环路闭合检测注册是具有挑战性的，因为一个可靠的初始猜测是不可用的。在文献中已经研究了全局地标匹配，但是这些方法通常使用3D线和平面地标的特定表示，这些表示对于大的视点变化不是不变的，从而导致不正确的匹配和高配准误差。为了解决这个问题，我们采用仿射格拉斯曼流形来表示3D线和平面，并证明了两个地标之间的距离是不变的旋转和平移，如果在应用格拉斯曼度量之前进行移位操作。这种不变性属性使我们能够使用基于图形的数据关联框架来识别地标匹配，随后可以用于最小二乘意义上的注册。使用公开的LiDAR数据集进行具有挑战性的地标匹配和配准任务评估，与使用视点相关质心和“最近点”表示的方法相比，我们的方法在成功配准方面分别提高了1.7倍和3.5倍。
2022-12-24 cs.CV cs.RO
Offline reconstruction of missing vehicle trajectory data from 3D LIDAR
激光雷达以其在测距和障碍物检测等方面的优势，已成为许多自主车辆的重要组成部分。LIDAR产生的点云具有关于周围环境的重要信息。在本文中，我们收集的轨迹数据的两车道的城市道路上使用Velodyne VLP-16激光雷达。由于数据汇集的动态性质和传感器的有限范围，这些轨迹中的一些具有缺失点或间隙。在本文中，我们提出了一种新的方法来恢复丢失的车辆轨迹数据点，使用微观交通流模型。虽然短的间隙（小于5秒）可以恢复与简单的线性回归，和较长的间隙恢复与所提出的方法，利用汽车跟随模型校准分配权重的基础上接近的间隙的已知点。Newell、Pipes、IDM和Gipps的车辆跟驰模型均采用LIDAR和NGSIM I-80数据集的地面真实轨迹数据进行了标定和测试。Gipps的校准模型产生了最好的结果。
2017-09-16 cs.RO
L-LO: Enhancing Pose Estimation Precision via a Landmark-Based LiDAR Odometry
Chongqing University（重庆大学）
提出基于地标的LiDAR里程计L-LO，通过水平与垂直两阶段估计，利用综合相似度指标匹配地标，在KITTI及自采数据上提升定位精度。
2023-12-28 cs.RO
Brno Urban Dataset: Winter Extention
自动驾驶的研究正在取得巨大进展，需要新的数据和技术才能进一步发展。为了反映这种压力，我们提出了我们最近工作的扩展-布尔诺城市数据集（BUD）。新的数据集中在各种积雪环境中的冬季条件，并配备了额外的激光雷达和雷达传感器，用于车辆前方的目标检测。这一改进也影响了旧数据。我们为数据集中的所有旧RGB图像提供YOLO检测注释。我们的原始算法还将检测结果进一步转移到由热成像相机捕获的红外（IR）图像中。据我们所知，它使该数据集成为目前可用的机器注释热图像的最大来源。该数据集在MIT许可下发布在https://github.com/Robotics-BUT/Brno-Urban-Dataset上。
2021-07-29 cs.RO
Multi Sensor Fusion for Navigation and Mapping in Autonomous Vehicles: Accurate Localization in Urban Environments
University of Turku（图尔库大学）
来自多个传感器的数据的组合，也称为传感器融合或数据融合，是自主机器人设计中的一个关键方面。特别是，能够适应传感器融合技术的算法能够提高准确性，并且对单个传感器的故障更具弹性。自主导航、地图绘制和定位算法的发展在过去二十年中取得了巨大进步。尽管如此，在开发强大的解决方案以在密集的城市环境中进行准确定位方面仍然存在挑战，在密集的城市环境中发生所谓的最后一英里交付。在这些场景中，局部运动估计与实时数据与详细的预构建地图的匹配相结合。在本文中，我们利用收集的数据与自主交付机器人比较不同的传感器融合技术和评估的算法提供最高的精度取决于环境。本文分析和提出的技术利用3D激光雷达数据、惯性数据、GNSS数据和车轮编码器读数。我们展示了激光雷达扫描匹配与其他传感器数据相结合，可以用来提高机器人定位的准确性，因此，它的导航。此外，我们提出了一种策略，以减少对导航性能的影响时，在环境中的变化，使地图数据无效或部分可用的地图被损坏。
2021-03-25 cs.RO
Carl-Lead: Lidar-based End-to-End Autonomous Driving with Contrastive Deep Reinforcement Learning
Hong Kong University of Science and Technology（香港科技大学）
在不受管制的交叉路口的城市人群中进行自动驾驶具有挑战性，其中应仔细考虑其他车辆的动态遮挡和不确定行为。传统的方法是启发式的，基于手工设计的规则和参数，但在新的情况下扩展性很差。因此，在所有可预见的场景中，它们需要高劳动力成本来设计和维护规则。最近，深度强化学习（DRL）在城市驾驶场景中显示出了很好的效果。然而，DRL被认为是样本效率低下，大多数以前的作品假设完美的观察，如地面实况的位置和车辆的运动，而不考虑噪声和遮挡，这可能是一个太强的假设政策部署。在这项工作中，我们使用DRL来训练基于激光雷达的端到端驾驶策略，这些策略自然会考虑不完美的部分观测。我们进一步使用无监督的对比表示学习作为辅助任务，以提高样本效率。比较评估结果表明，我们的方法比最先进的（SOTA）基于激光雷达的端到端驾驶网络实现了更高的成功率，比精心调整的基于规则的方法更好地权衡了安全性和效率，并且比基线更好地推广到新场景。演示视频可在https://caipeide.github.io/carl-lead/上获得。
2021-09-17 cs.AI cs.RO cs.SY
CorAl: Introspection for Robust Radar and Lidar Perception in Diverse Environments Using Differential Entropy
Örebro University（厄勒布鲁大学）
鲁棒感知是使移动机器人能够长期运行的重要组成部分。它依赖于通过可靠的传感器数据和预处理实现的故障恢复能力，以及通过内省实现的故障意识，例如自我评估定位性能的能力。本文介绍了Coral：一种原则性、直观且可推广的方法，用于测量点云对之间的对齐质量，该方法学习以自我监督的方式检测对齐错误。CorAl将点云中的微分熵分别与它们的联合中的熵进行比较，以说明场景固有的熵。通过利用双熵测量，我们得到了一个质量度量，是高度敏感的小对齐误差，仍然概括以及看不见的环境。在这项工作中，我们提出了一个两阶段的过滤技术，从嘈杂的雷达扫描产生高质量的点云，将我们以前的工作扩展到雷达数据。因此，我们以两种方式瞄准鲁棒感知：通过引入一种方法，该方法可以评估对准质量，并将其应用于固有的鲁棒传感器模态。我们表明，我们的过滤技术与CorAl相结合，可以应用于对齐分类的问题，它检测到小的对齐错误，在城市设置高达98%的准确度，高达96%，如果只在不同的环境中训练。我们的激光雷达和雷达实验表明，CorAl在ETH激光雷达基准测试（包括几个室内和室外环境）以及城市交通场景的大规模牛津和MulRan雷达数据集上都优于以前的方法。结果还表明，CorAl在不同的环境中具有很好的泛化能力，而无需重新训练。
2022-05-12 cs.RO
MOZARD: Multi-Modal Localization for Autonomous Vehicles in Urban Outdoor Environments
ETH Zürich（苏黎世联邦理工学院）；Sevensense Robotics AG（Sevensense机器人公司）
视觉差的场景是户外环境中视觉定位系统失败的主要原因之一。为了应对这一挑战，我们提出了MOZARD，这是一种使用视觉和LiDAR的城市户外环境多模态定位系统。通过使用语义数据扩展我们先前存在的基于关键点的视觉多会话局部定位方法，可以在截然不同的外观条件下实现改进的定位召回。特别是，我们专注于使用路边石信息，因为它们在城市环境中的广泛分布和可靠性。我们提出了彻底的实验评估在具有挑战性的城市户外环境中行驶几公里，分析我们的定位系统的召回率和准确性，并在案例研究中展示每个子系统可能的故障情况。我们证明，MOZARD能够桥接我们以前的工作VIZARD失败的场景，从而提高召回性能，同时实现0.2m的类似定位精度
2020-03-03 cs.RO
Real Time Semantic Segmentation of High Resolution Automotive LiDAR Scans
Faculty of Engineering, University of Applied Sciences Aschaffenburg（应用科学阿施芬堡大学工程学院）；Intelligent Embedded Systems Lab, University of Kassel（卡塞尔大学智能嵌入式系统实验室）
针对高分辨率车载LiDAR，提出利用表面法线特征的实时语义分割框架，并发布128层LiDAR数据集及ROS2实现，兼顾精度与实时性。
2025-09-10 cs.LG cs.RO
UrbanNav: Learning Language-Guided Urban Navigation from Web-Scale Human Trajectories
UrbanNav通过大规模网络视频数据训练具身智能体，实现基于语言指令的复杂城市导航，展示了在多样城市场景中的高效导航能力。
2026-01-15 cs.CV cs.RO
Lidar SLAM for Autonomous Driving Vehicles
提出了一种基于激光雷达的自动驾驶车辆同时定位与地图构建（SLAM）方法。研究了在自适应卡尔曼滤波器（KF）中融合地标传感器和捷联惯性测量单元（IMU）的数据以及系统的可观测性。除了车辆的状态和地标位置之外，自校正滤波器还估计IMU校准参数以及测量噪声的协方差。离散时间的过程噪声的协方差矩阵，状态转移矩阵，和观测灵敏度矩阵推导出封闭的形式，使它们适合于实时实现。检查3D SLAM系统的可观察性得到这样的结论：系统在地标对准的几何条件下保持可观察。
2022-08-25 cs.RO
Robust GPS-Vision Localization via Integrity-Driven Landmark Attention
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）；Indian Institute of Technology, Bombay（印度理工学院孟买分校）
为了在城市地区进行鲁棒的GPS视觉导航，我们提出了一种基于随机可达性的完整性驱动的地标注意力（ILA）技术。受人类认知注意力的启发，我们进行凸优化，从GPS和视觉测量中选择一个地标子集，以最大限度地提高完整性驱动的性能。鉴于已知的测量误差界在非故障条件下，我们的ILA遵循统一的方法来解决GPS和视觉故障，并与任何现成的估计兼容。我们分析测量偏差来估计每个地标的期望位置的随机可达集，该随机可达集通过概率地带性（p-Zonotope）来参数化。我们应用集合并集来制定一个p-Zonotopic成本，它代表了基于地标包含/排除的位置边界的大小。我们共同最小化的p-Zonotopic成本，并通过凸松弛最大限度地提高地标的数量。对于一个城市数据集，我们证明了改进的定位精度和鲁棒的预测可用性的预定义的警报限制。
2021-01-13 cs.CV cs.RO
P3-LOAM: PPP/LiDAR Loosely Coupled SLAM with Accurate Covariance Estimation and Robust RAIM in Urban Canyon Environment
Shanghai Jiao Tong University（上海交通大学）
基于激光雷达（LiDAR）的同时定位与地图构建（SLAM）技术在自动驾驶领域引起了越来越多的关注。然而，LiDAR-SLAM遭受累积误差，这可以通过全球导航卫星系统（GNSS）显著减轻。精密单点定位（PPP）是一种不依赖于基站的高精度GNSS工作模式，在无人系统中越来越受欢迎。针对LiDAR-SLAM和PPP这两种技术的特点，提出了一种将LiDAR-SLAM和PPP相结合的SLAM系统P3-LOAM（PPP based LiDAR Odometry and Mapping）。为了更好地集成，我们通过使用奇异值分解（SVD）雅可比模型推导LiDAR-SLAM定位协方差，因为SVD提供了迭代最近点（ICP）的显式解析解，这是LiDAR-SLAM中的关键问题。然后提出了一种新的方法来评估估计的LiDAR-SLAM协方差。此外，为了提高GNSS在城市峡谷环境中的可靠性，我们开发了一种LiDAR-SLAM辅助GNSS接收机自主完整性监测（RAIM）算法。最后，我们验证P $^3$ -LOAM与UrbanNav，一个具有挑战性的公共数据集在城市峡谷环境。综合测试结果表明，P3-LOAM在精度和可用性方面优于单点定位（SPP）、PPP、LeGO-LOAM、SPP-LOAM以及UrbanNav出版商提出的松耦合导航系统等基准。
2020-12-04 cs.RO
Landmark-based Distributed Topological Mapping and Navigation in GPS-denied Urban Environments Using Teams of Low-cost Robots
Lehigh University（理海大学）
在本文中，我们解决的问题，自主多机器人映射，探索和导航在未知的，GPS拒绝室内或城市环境中使用的机器人群配备有有限的传感能力和有限的计算资源的方向传感器。机器人没有环境的先验知识，并且需要使用现有地标以分布式方式快速探索和构建地图，可以使用机载传感器检测地标的存在，尽管几乎没有度量信息（到地标的距离或方位）可用。为了正确和有效地实现这一点，通过城市/室内环境的设计来确保地标的必要密度/分布的存在。因此，我们分两个阶段来解决这个问题：1）在城市/室内环境的设计/建造过程中，我们可以确保在环境中放置足够的地标。为此，我们开发了一种基于过滤的方法来设计环境中地标的战略位置。2)我们开发了一种分布式算法，使用该算法的机器人团队，没有先验知识的环境，可以探索这样的环境，构建一个拓扑地图，不需要度量/距离信息，并使用该地图在环境中导航。这是使用环境的拓扑表示（称为地标复合体）来实现的，而不是构建完整的度量/像素图。该表示由机器人构建，并通过探索和利用之间的平衡被机器人用于导航。我们使用同源性理论的工具来识别未知环境的覆盖/探索中的"洞"，从而引导机器人实现对环境的完整探索和映射。
2021-03-05 cs.RO
OpenStreetMap-based LiDAR Global Localization in Urban Environment without a Prior LiDAR Map
KAIST（韩国科学技术院）；NAVER LABS（NAVER实验室）
使用公开访问的地图，我们提出了一种新的车辆定位方法，可以应用，而不使用事先的光检测和测距（LiDAR）地图。我们的方法通过计算从OpenStreetMap中的位置以常规角度到建筑物的距离来生成OSM描述符，并通过计算从当前位置以常规角度到建筑物点的最短距离来生成LiDAR描述符。比较OSM描述符和LiDAR描述符产生高度准确的车辆定位结果。与使用先前LiDAR地图的方法相比，我们的方法具有两个主要优点：（1）车辆定位不仅限于先前获得LiDAR地图的地方，（2）我们的方法与基于LiDAR地图的方法相当，特别是在KITTI数据集序列00的前一个候选人方面优于其他方法。
2022-02-15 cs.RO
Point wise or Feature wise? Benchmark Comparison of Public Available LiDAR Odometry Algorithms in Urban Canyons
鲁棒、精确的定位对于具有导航要求的自主系统至关重要。光探测和测距（LiDAR）里程计在过去几十年中被广泛研究，以实现这一目标。使用现有的LiDAR测距（LO）算法，可以在具有丰富环境特征的场景中实现令人满意的精度。不幸的是，激光雷达测距的性能显着下降，在城市峡谷与众多的动态对象和复杂的环境结构。同时，从现有文献中仍然不清楚哪些LO算法在这种具有挑战性的环境中表现良好。为了填补这一空白，本文评估了一系列流行的和广泛研究的LO管道在香港城市峡谷收集的数据集。我们提出的结果在其定位精度和计算效率。本文总结了影响城市峡谷中LO性能的三个主要因素，即自车动力学、运动物体和城市化程度。根据我们的实验结果，逐点实现更好的精度在城市峡谷，而功能明智的实现成本效益和令人满意的定位精度。
2021-06-29 cs.RO
PRISM-Loc: a Lightweight Long-range LiDAR Localization in Urban Environments with Topological Maps
Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所）；Innopolis University（Innopolis大学）
PRISM-Loc提出了一种轻量级的激光雷达定位方法，结合紧凑拓扑表示与新型扫描匹配和车道线检测模块，实现了在城市环境中高精度的实时定位。
2025-12-22 cs.CV cs.RO
Online Pole Segmentation on Range Images for Long-term LiDAR Localization in Urban Environments
Aalto University（阿尔托大学）；University of Bonn（波恩大学）；University of Oxford（牛津大学）
鲁棒和精确的定位是移动自治系统的基本要求。在城市环境中，交通标志、电线杆和路灯等杆状物体由于其局部的独特性和长期的稳定性，经常被用作定位的地标。在本文中，我们提出了一种新的，准确的，快速的极点提取方法的基础上的几何特征，在线运行，并有很少的计算需求。我们的方法直接在从3D LiDAR扫描生成的距离图像上执行所有计算，这避免了显式处理3D点云，并能够为每次扫描快速提取极点。我们进一步使用提取的极点作为伪标签来训练深度神经网络，用于基于深度图像的极点分割。我们测试了我们的几何和基于学习的极点提取方法，用于在具有不同LiDAR扫描仪，路线和季节变化的不同数据集上进行定位。实验结果表明，我们的方法优于其他国家的最先进的方法。此外，通过从多个数据集提取的伪极点标签，我们基于学习的方法可以在不同的数据集上运行，并且与我们基于几何的方法相比，可以实现更好的定位结果。我们向公众发布了我们的极点数据集，用于评估极点提取器的性能以及我们方法的实施。
2022-08-15 cs.CV cs.RO
Complex Urban LiDAR Data Set
Department of Civil and Environmental Engineering, KAIST（韩国科学技术院（KAIST）土木与环境工程系）
本文提出了一种针对复杂城市环境的光探测和测距（LiDAR）数据集。城市环境中的高层建筑和拥挤的交通对许多机器人应用提出了重大挑战。所呈现的数据集是独特的，因为它能够捕捉城市环境的真实特征（例如大都市地区，大型建筑群和地下停车场）。在数据集中提供了作为LiDAR传感器的典型类型的二维（2D）和三维（3D）LiDAR的数据。两个16射线3D激光雷达在两侧倾斜，以获得最大的覆盖范围。一个2D LiDAR面向后，而另一个面向前，分别收集道路和建筑物的数据。来自光纤陀螺仪（FOG）、惯性测量单元（IMU）和全球定位系统（GPS）的原始传感器数据以文件格式呈现，用于车辆姿态估计。应用图同时定位与地图构建（SLAM）算法后，给出了100 Hz下车辆的姿态估计信息。为了方便开发，在Robot操作系统（ROS）环境下的文件播放器和数据查看器也通过网页发布。完整的数据集可在http://irap.kaist.ac.kr/dataset上查阅。在本网站中，使用WebGL提供每个数据集的3D预览。
2018-03-16 cs.RO
Gaussian Semantic Field for One-shot LiDAR Global Localization
提出基于三层场景图的高斯语义场（Outram-GSF），通过连续函数建模语义分布，实现单次LiDAR全局定位，在公开数据集上优于现有方法。
2025-10-14 cs.CV cs.RO
Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving
Institute of Automotive Technology, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑工业大学汽车技术研究所，慕尼黑机器人与机器智能研究所）；Professorship Autonomous Vehicle Systems, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑工业大学自动驾驶车辆系统教授席，慕尼黑机器人与机器智能研究所）
针对城市自动驾驶的精准鲁棒定位建图需求，提出基于四路LiDAR与KISS-ICP的传感器融合流水线，可生成语义地图并集成至Autoware，性能优于现有最优方案。
2023-11-03 cs.CV cs.RO eess.SP
3D LiDAR Aided GNSS NLOS Mitigation for Reliable GNSS-RTK Positioning in Urban Canyons
Huawei Technologies（华为技术有限公司）
GNSS和LiDAR测距法是互补的，因为它们分别提供绝对和相对定位。以松耦合方式将它们整合起来是简单的，但由于全球导航卫星系统信号反射，在城市峡谷中面临挑战。最近提出的3D激光雷达辅助（3DLA）GNSS方法采用点云图来识别GNSS信号的非视线（NLOS）接收。这有助于GNSS接收器获得改进的城市定位，但不能达到亚米级。全球导航卫星系统实时运动学（RTK）使用载波相位测量来获得分米级定位。在城市地区，GNSS RTK不仅面临多路径和NLOS影响测量的挑战，而且还会受到建筑物信号阻塞的影响。后者将在解决载波相位测量内的模糊性方面带来挑战。换句话说，模糊度解算（AR）的模型可观测性大大降低。本文提出了一种利用从累积的3D点云图（PCM）中选择的LiDAR地标生成虚拟卫星（VS）测量值的方法。这些由LiDAR-PCM制成的VS测量与GNSS伪距和载波相位测量紧密耦合。因此，VS测量可以提供补充约束，这意味着在跨街道方向上提供低仰角测量。该实现是使用因子图优化来解决模糊度的精确浮点解，然后将其输入LAMBDA。该方法的有效性已经通过对我们最近开源的具有挑战性的数据集UrbanNav进行的评估进行了验证。结果表明，3DLA GNSS RTK的定位率约为30%，而传统的GNSS-RTK仅达到约14%。此外，所提出的方法在具有挑战性的城市地区收集的大部分数据中实现了亚米级的定位精度。
2022-12-11 cs.RO
Degeneracy-Orthogonal Geometric Constraints for LiDAR SLAM
Sookmyung Women’s University（淑明女子大学）
针对LiDAR SLAM在轴向均匀走廊中的纵向漂移问题，提出简并正交轮廓偏移描述符（DeCOD），利用横截面地标提供几何约束，在公开基准和现场实验中稳定轨迹并校正漂移。
2026-09-30 cs.RO
Performance Analysis of NDT-based Graph SLAM for Autonomous Vehicle in Diverse Typical Driving Scenarios of Hong Kong
The Hong Kong Polytechnic University（香港理工大学）
鲁棒的车道级定位对于自动驾驶汽车至关重要。LiDAR作为一种不可替代的传感器，在具备足够的环境特征的前提下，可以通过映射的方式提供连续、高频的位姿估计。映射误差会随着时间的推移而累积。因此，激光雷达通常与其他传感器集成。在不同的城市场景中，环境特征的可用性在很大程度上依赖于交通（移动和静态对象）和城市化程度。常见的基于LiDAR的SLAM演示往往是在交通繁忙和城市化程度较低的地区进行研究。然而，在高度城市化的城市，如香港、东京和纽约，其性能可能会受到严重挑战，这些城市的交通密集，建筑物林立。本文提出了分析独立NDT的基于图形SLAM的性能及其在不同的城市场景中的可靠性估计，以进一步评估基于LiDAR的SLAM的性能和场景条件之间的关系。采用正态分布变换（NDT）计算点云数据帧间的变换。然后，基于计算出的连续变换来执行LiDAR测距。最先进的基于图形的优化被用于集成LiDAR里程测量以实现优化。生成了三维建筑物模型，提出了基于Skyplot的城市化程度定义。在不同的城市化程度和交通条件下进行实验。结果表明，基于激光雷达的无损检测SLAM的性能与交通状况和城市化程度密切相关。
2018-11-01 cs.RO
Online Range Image-based Pole Extractor for Long-term LiDAR Localization in Urban Environments
Aalto University（阿尔托大学）；University of Bonn（波恩大学）
可靠和准确的定位是移动自主系统的关键。杆状物体，如交通标志、杆、灯等，由于其地方独特性和长期稳定性，是城市环境中定位的理想地标。在本文中，我们提出了一种新的，准确的，快速的极点提取方法，在线运行，并有很少的计算需求，使这些信息可以用于定位系统。我们的方法直接在从3D LiDAR扫描生成的距离图像上执行所有计算，这避免了显式处理3D点云，并能够为每次扫描快速提取极点。我们在不同的数据集上测试了所提出的极点提取和定位方法，这些数据集具有不同的LiDAR扫描仪，天气条件，路线和季节变化。实验结果表明，我们的方法优于其他国家的最先进的方法，而在线运行没有GPU。此外，我们还公开了我们的极点数据集，以评估极点提取器的性能，以及我们的方法的实施。
2021-08-19 cs.RO
3D LiDAR Aided GNSS NLOS Mitigation in Urban Canyons
Hong Kong Polytechnic University（香港理工大学）
在本文中，我们提出了一种三维激光雷达辅助全球导航卫星系统（GNSS）的非视线（NLOS）的缓解方法所造成的静态建筑物和动态对象。首先基于来自3D LiDAR传感器的实时3D点云生成描述自我车辆周围环境的滑动窗口地图。然后，NLOS接收检测的基础上的滑动窗口地图使用一个建议的快速搜索方法，这是免费的GNSS接收机的位置的初始猜测。本文提出了一种修正伪距测量模型的方法，即：（1）在滑动窗口地图内检测到NLOS信号的反射点时，对伪距测量值进行修正;（2）采用一种新的加权方案，对NLOS伪距测量值的不确定性进行重构。我们评估了所提出的方法在几个典型的城市峡谷在香港使用汽车级GNSS接收机的性能。此外，我们还评估了潜在的建议NLOS缓解方法在GNSS和惯性导航系统集成通过因子图优化。
2021-12-12 cs.RO
SLIM: Scalable and Lightweight LiDAR Mapping in Urban Environments
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong University（香港大学）
SLIM是一种用于城市环境长期LiDAR建图的可扩展轻量级系统，通过将点云参数化为线和平面，结合位姿稀疏化方法，在保证精度的同时实现低内存消耗（约130 KB/km）。
2025-03-26 cs.RO
LiDAR Road-Atlas: An Efficient Map Representation for General 3D Urban Environment
Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）
提出LiDAR Road-Atlas这一可压缩高效的3D地图表示方法，通过增量合并局部2D占据栅格地图、概率融合方案与稀疏点云编码，解决非结构化及多层城市道路建图问题，并在多个基准数据集上实现了高精度的车辆全局定位。
2023-03-13 cs.RO
Matched Filtering based LiDAR Place Recognition for Urban and Natural Environments
Queensland University of Technology（昆士兰科技大学）；QUT Centre for Robotics（昆士兰科技大学机器人中心）；School of Electrical Engineering and Robotics（电气工程与机器人学院）；Intel Labs（英特尔实验室）
提出一种基于BEV全局描述子与匹配滤波两阶段搜索的免训练LiDAR地点识别方法，在城市和自然场景中同时实现地点识别与相对位姿估计，多项基准达到SoTA。
2024-09-06 cs.RO
Lidar-based Tracking of Traffic Participants with Sensor Nodes in Existing Urban Infrastructure
RWTH Aachen University（亚琛工业大学）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）；University of Alberta（阿尔伯塔大学）
本文提出一种基于激光雷达和边缘计算的路侧跟踪框架，在CPU硬件上实现实时、高精度的交通参与者状态估计，并集成于现有城市基础设施，降低成本并支持隐私友好部署。
2025-09-24 cs.RO
Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR
University of Oxford（牛津大学）
近年来，深度学习在城市驾驶场景中的移动（即，具有移动能力）对象的检测方面取得了很大进展。监督方法通常需要对大型训练集进行注释;因此，人们对利用弱监督、半监督或自监督方法来避免这种情况非常感兴趣，并取得了很大的成功。虽然弱监督和半监督方法需要一些注释，但自监督方法使用了运动等线索来完全消除对注释的需求。然而，注释的完全缺失通常会降低它们的性能，并且在运动分组期间出现的歧义会抑制它们找到准确对象边界的能力。在本文中，我们提出了一种新的自监督移动目标检测方法称为SCT。这使用运动线索和预期的对象大小来提高检测性能，并预测3D定向边界框的密集网格来提高对象发现。在KITTI跟踪基准测试中，我们的性能明显优于最先进的自监督移动目标检测方法TCR，并且对于IoU <= 0.5，性能在完全监督PV-RCNN++方法的30%以内。
2022-09-21 cs.CV cs.LG cs.RO
Mitigating Shadows in Lidar Scan Matching using Spherical Voxels
Tufts University（塔夫茨大学）
在本文中，我们提出了一种方法，以减轻阴影误差的激光雷达扫描匹配，通过引入一个基于球面网格的预处理步骤。由于网格与激光雷达光束对齐，因此相对容易消除导致激光雷达扫描匹配中的系统误差的阴影边缘。正如我们通过模拟所示，我们提出的算法提供了更好的结果比地平面去除，最常见的现有的阴影缓解策略。与地平面移除不同，我们的方法适用于任意地形（例如城市墙壁上的阴影，丘陵地形中的阴影），同时保留地面上的关键激光雷达点，这些点对于估计高度，俯仰和滚动的变化至关重要。我们的预处理算法可以与一系列扫描匹配方法一起使用;然而，对于基于体素的扫描匹配方法，它通过降低计算成本和更均匀地在体素之间分布激光雷达点来提供额外的好处。
2022-08-01 cs.CV cs.RO
K-Lane: Lidar Lane Dataset and Benchmark for Urban Roads and Highways
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对现有激光雷达车道检测研究受限于大型公开数据集不足的问题，本文提出全球最大的城市与高速激光雷达车道数据集K-Lane，并设计基于全局特征相关器的基线网络LLDN-GFC，在多场景下实现了SOTA检测性能，同时开源全套开发工具。
2023-11-07 cs.AI cs.CV cs.RO
Panoptic nuScenes: A Large-Scale Benchmark for LiDAR Panoptic Segmentation and Tracking
Motional（Motional 公司）；University of Freiburg（弗赖堡大学）
全景场景理解和动态代理的跟踪对于机器人和自动车辆在城市环境中导航是必不可少的。由于LiDAR提供了场景的精确的照明无关几何投影，因此使用LiDAR点云执行这些任务可以提供可靠的预测。然而，现有的数据集缺乏多样性的类型的城市场景，并有数量有限的动态对象的实例，这既阻碍了学习这些任务，以及可靠的基准的开发方法。在本文中，我们介绍了大规模Panoptic nuScenes基准数据集，该数据集扩展了我们流行的nuScenes数据集，具有用于语义分割，全景分割和全景跟踪任务的逐点地面实况注释。为了便于比较，我们为我们建议的数据集上的每个任务提供了几个强大的基线。此外，我们分析了现有的泛光跟踪指标的缺点，并提出了新的实例为中心的PAT指标，解决的问题。我们提出了详尽的实验，证明泛nuScenes的效用相比，现有的数据集，并使在线评估服务器nuScenes.org。我们相信，这种扩展将加速研究的新方法动态城市环境的场景理解。
2021-12-23 cs.AI cs.CV cs.LG
HDA-LVIO: A High-Precision LiDAR-Visual-Inertial Odometry in Urban Environments with Hybrid Data Association
College of Intelligent Systems Science and Engineering, Harbin Engineering University（哈尔滨工程大学智能系统科学与工程学院）；National Innovation Institute of Defense Technology, Academy of Military Sciences China（中国军事科学院国防科技创新研究院）；Tianjin Artificial Intelligence Innovation Center (TAIIC)（天津人工智能创新中心）
本文提出 HDA-LVIO，通过融合激光雷达-惯性建图、视觉光流跟踪、对极约束恢复及混合数据关联，提升城市环境中的车辆定位精度。
2024-03-11 cs.RO
Self-Localization of Parking Robots Using Square-Like Landmarks
Tongji University（同济大学）；Technical University of Munich（慕尼黑工业大学）
在本文中，我们提出了一个框架的停车场机器人的自定位在停车场创新地使用方形地标，旨在提供一个定位解决方案，成本低，但精度高。它利用停车场常见的方形结构，如柱子，角落或充电桩作为鲁棒的地标，并结合离线地图推导出机器人的全局姿态。定位是通过粒子滤波进行实时使用单线扫描激光雷达作为主要传感器，作为辅助信息源的里程计。该系统已在V-REP仿真环境中进行了测试，结果表明其定位精度低于0.20 m，相应的航向误差小于1°。
2018-12-23 cs.RO
Planning Paths through Occlusions in Urban Environments
OPPO US Research Center（OPPO美国研究中心）；Cornell University（康奈尔大学）
本文提出了一种新的框架规划在未知和闭塞的城市空间。我们特别关注转弯和交叉口，在这些地方，遮挡会显著影响导航性。我们的方法使用修复模型来填充稀疏，闭塞，语义激光雷达点云，并计划动态可行的路径，车辆穿越开放和修复的空间。我们使用具有实时遮挡的汽车激光雷达数据演示了我们的方法，并表明通过修复遮挡区域，我们可以规划更长的路径，与没有修复相比具有更多的转弯选项;此外，与其他最先进的方法相比，我们的方法更紧密地遵循来自没有遮挡的规划器的路径（称为地面实况）。
2022-12-29 cs.RO
