LHMap-loc: Cross-Modal Monocular Localization Using LiDAR Point Cloud Heat Map
Shanghai Jiao Tong University（上海交通大学）；University of Cambridge（剑桥大学）
针对跨模态单目定位存在的地图存储难、大场景鲁棒性差等问题，提出LHMap-loc流水线，通过离线热力点云压缩地图、结合光流与空间注意力的端到端位姿回归网络实现高效定位，并经实验验证了有效性。
2024-03-11 cs.RO
LIDAR-based Stabilization, Navigation and Localization for UAVs Operating in Dark Indoor Environments
Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学电气工程学院）
无人机在封闭环境中的自主操作需要精确和可靠的姿态估计，该姿态估计可以在不使用外部定位系统（例如GNSS）的情况下稳定无人机。在这项工作中，我们关注的是估计的姿态从激光扫描产生的廉价和轻便的激光雷达。我们提出了一个定位系统的轻量级（下200克）激光雷达传感器在任意环境中，其他方法失败的高可靠性。所提出的方法的一般性质允许在广泛的应用中部署。此外，不同类型的环境之间的无缝转换是可能的。LIDAR定位的优点是它对不良照明具有鲁棒性，这对于在黑暗的室内环境中以及在室内和室外环境之间过渡的情况下基于相机的解决方案来说通常是具有挑战性的。我们的方法允许在照明不足的室内位置（如历史建筑和仓库）以及在紧凑的室外环境（如森林）中执行任务，其中基于视觉的方法由于场景的对比度大而失败，并且由于空间有限而无法部署大型装备精良的无人机。
2023-02-03 cs.RO
Fusion of Visual-Inertial Odometry with LiDAR Relative Localization for Cooperative Guidance of a Micro-Scale Aerial Vehicle
Multi-robot Systems Group, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague, Technick\'a 2, Prague, 166 27, Czech Republic
本文提出融合视觉惯性里程计与LiDAR相对定位的协同导航方法，用于引导微型无人机，实现高精度轨迹跟踪和漂移抑制。
2026-03-04 cs.RO
SLAMSpoof: Practical LiDAR Spoofing Attacks on Localization Systems Guided by Scan Matching Vulnerability Analysis
Keio University（庆应义塾大学）；the National Institute of Advanced Industrial Science and Technology（独立行政法人产业技术综合研究所）；University of California, Irvine（加利福尼亚大学欧文分校）；Amano Institute of Technology（天野工业大学）
本研究针对自动驾驶LiDAR定位系统的欺骗攻击风险，提出基于扫描匹配漏洞评分的SLAMSpoof攻击方法，实车实验证实可对3种主流定位算法诱发超4.2米位置误差，并探讨了防御方向。
2025-02-19 cs.RO
Real-time LIDAR localization in natural and urban environments
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
定位是许多机器人应用中的关键挑战。在这项工作中，我们探讨了基于激光雷达的全球定位在城市和自然环境中，并开发了一种适合于在线应用的方法。我们的方法利用高效的深度学习架构，能够直接从3D数据中学习紧凑的点云描述符。该方法使用一个有效的特征空间表示的一组分割的点云之间的匹配当前场景和先验地图。我们表明，在网络的内层下采样可以显着减少计算时间，而不会牺牲性能。我们提出了大量的评估基于激光雷达的全球定位方法的九个场景，从六个数据集之间的城市，公园，森林和工业环境。其中一部分包括来自Oxford RobotCar数据集的30个序列的后处理数据，我们将其公开。我们的实验表明，三个因素的计算减少，70%的内存消耗降低边际损失的本地化频率。所提出的方法允许完整的流水线在具有有限计算有效载荷的机器人上运行，例如无人机、四足动物和UGV，因为它在运行时间不需要GPU。
2023-01-31 cs.RO
Moving Object Localization based on the Fusion of Ultra-WideBand and LiDAR with a Mobile Robot
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）；Southwest University of Science and Technology（西南科技大学）
针对LiDAR在目标被遮挡时定位不准的问题，提出融合UWB测距与LiDAR的三模块方法，通过目标识别、方向估计及位姿图优化，提高移动目标定位精度。
2023-10-16 cs.RO
LiDAR-based HD Map Localization using Semantic Generalized ICP with Road Marking Detection
UISEE Technology (Beijing) Co., Ltd.（北京佑驾科技有限公司）
针对GPS拒止下的自动驾驶定位，提出融合实时道路标记检测与SG-ICP配准的LiDAR在线高精地图定位方法，提升了定位精度、效率与鲁棒性。
2024-07-02 cs.RO
MIL-LC: A Robust Magnetometer-Inertial-LiDAR Fusion Multimodal Localization Framework
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；Centre for Advanced Robotics Technology Innovation (CARTIN)（先进机器人技术创新中心）
提出MIL-LC框架，融合磁力计、惯性和LiDAR，解决GNSS缺失、几何重复或无纹理环境下的定位问题，通过磁地图与LiDAR退化检测实现鲁棒定位。
2026-06-25 cs.RO
LIDAR data based Segmentation and Localization using Open Street Maps for Rural Roads
Texas A&M University（德州农工大学）
准确的位姿估计是所有移动机器人必须具备的基本能力，以便在给定的环境中鲁棒地穿越。就像人类一样，这种能力取决于机器人对给定场景的理解。对于自动驾驶车辆（AV），预先创建的详细3D地图被广泛用于增强感知能力并基于当前传感器测量来估计姿态。然而，这种方法不太适合于联系稀少和覆盖面积大的农村社区。为了应对在农村环境中定位车辆的挑战，本文提出了一个农村道路场景的数据集，以及使用激光雷达点云快速分割道路的方法。与来自开放街道地图（OSM）的道路网络信息相一致的分割的点云用于姿态估计。我们提出了两种测量模型，与最先进的方法进行比较，定位OSM跟踪以及全球定位。实验结果表明，该算法能够在2平方米的范围内估计出机器人的姿态。平均精度为6.5米。
2022-02-19 cs.RO
Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights
Robotics Institute University of Toronto（机器人研究所，多伦多大学）
本文提出一种基于深度学习的加权预处理方法，结合可微ICP库，通过过滤雷达伪影和噪声点，提升雷达-激光雷达定位精度与收敛性，并公开代码。
2025-05-27 cs.LG cs.RO
Cross-Session 3D LiDAR and Camera Fusion for Robust Localization of Unmanned Aerial Vehicles in GPS-Denied Environments
School of Electrical and Data Engineering, University of Technology Sydney（悉尼大学电气与数据工程学院）；Institute of Aerospace Engineering and Technology, Duy Tan University（杜益大学航空航天工程与技术学院）；College of Engineering and Computer Science, VinUniversity（Vin大学工程与计算机科学学院）；Smart Green Transformation Center (GREEN-X), VinUniversity（Vin大学智能绿色转型中心 (GREEN-X)）；Department of Artificial Intelligence and Robotics, Sejong University（成均馆大学人工智能与机器人系）
提出Cross-Fusion方法，融合3D LiDAR和单目相机数据，通过跨会话融合策略整合多代理基线调查数据，实现GPS拒止环境下无人机的实时高精度定位。
2026-06-27 cs.RO
Robust Lifelong Indoor LiDAR Localization using the Area Graph
ShanghaiTech University（上海科技大学）；School of Information Science and Technology (SIST)（信息科学与技术学院）；Key Laboratory of Intelligent Perception and Human-Machine Collaboration（智能感知与人机协同重点实验室）
本文提出基于 Area Graph 的终身室内 3D LiDAR 定位方法，通过语义建筑特征、点云滤波及加权点到线 ICP 实现鲁棒全局定位与位姿跟踪。
2024-12-04 cs.RO
Balancing Act: Trading Off Odometry and Map Registration for Efficient Lidar Localization
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
本文研究了如何通过整合轻量级里程计与优化更新频率，提高激光雷达定位效率，同时保持高性能表现。
2026-05-07 cs.RO
Aerial Imagery based LIDAR Localization for Autonomous Vehicles
Ford AV LLC（福特自动驾驶有限责任公司）；Ford Motor Company（福特汽车公司）
本文提出了一种定位技术，利用航空影像地图和激光雷达地面反射率的自主车辆在城市环境中。使用激光雷达反射率的传统定位技术依赖于从测绘车辆生成的高清晰度反射率地图。维护这种现有地图所需的成本和工作量通常非常高，因为它需要一队昂贵的测绘车辆。在这项工作中，我们提出了一种定位技术，车辆使用航空/卫星图像定位，消除了需要开发和维护复杂的高清地图。所提出的技术已在密歇根州安娜堡的测试轨道上收集的真实世界的数据集进行了测试。这项研究的结论是，基于航空图像的地图提供了实时定位性能，类似于最先进的基于激光雷达的地图，用于城市环境中的自动驾驶汽车，成本更低。
2020-03-25 cs.CV cs.RO
Factor Graph Fusion of Raw GNSS Sensing with IMU and Lidar for Precise Robot Localization without a Base Station
Univ. of Oxford（牛津大学）；Oxford Robotics Inst.（牛津机器人研究所）；Dept. of Eng. Science（工程科学系）；Free Univ. of Bozen-Bolzano（博尔扎诺自由大学）
该研究提出一种基于因子图的多传感器紧融合方法，融合原始GNSS、IMU及可选激光雷达数据，无需基站即可实现机器人在不同环境下的高精度平滑全局定位。
2023-02-28 cs.RO
Accurate Cooperative Localization Utilizing LiDAR-equipped Roadside Infrastructure for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo（东京大学情报学系研究院）
针对传统LiDAR自定位在缺特征环境下可靠性不足的问题，提出利用搭载LiDAR的路侧单元（RSU）通过V2I通信实现协同定位的方法，在AWSIM中验证其精度最高提升80%且抗网络波动能力强。
2024-07-11 cs.CV cs.RO
Neural-Geometric Tunnel Traversal: Localization-free UAV Flight with Tilted LiDARs
Centro Universitario de la Defensa, Zaragoza（萨拉戈萨国防大学中心）；Instituto de Investigación en Ingeniería de Aragón（阿拉贡工程研究院）；University of Zaragoza（萨拉戈萨大学）；Investigación en Ingeniería de Aragón（阿拉贡工程研究院）
本文提出一种基于几何和机器学习算法的无人机导航方法，利用倾斜激光雷达信息实现无定位的隧道飞行，通过深度神经网络确定无人机姿态并计算安全路径。
2026-04-29 cs.RO
Poses as Queries: Image-to-LiDAR Map Localization with Transformers
Tsinghua University（清华大学）；NIO Inc.（蔚来汽车）
提出一种基于Transformer的端到端网络，将2D图像配准到3D LiDAR地图，通过姿态查询迭代更新与多假设聚合实现高精度跨模态定位。
2023-05-07 cs.CV cs.RO
Neural Error Covariance Estimation for Precise LiDAR Localization
Amirkabir University of Technology（阿米尔卡比尔理工大学）；The University of Tokyo（东京大学）
针对 LiDAR 地图匹配因数据退化导致误差协方差难以可靠估计的问题，提出基于神经网络的协方差预测框架及专用数据集生成方法，并在 Kalman 滤波器融合中实现 2 cm 定位精度提升。
2025-01-05 cs.CV cs.RO
Relative Drone-Ground Vehicle Localization using LiDAR and Fisheye Cameras through Direct and Indirect Observations
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；The University of Tokyo（东京大学）；Line Corporation（Line公司）
估计无人飞行器（UAV）或无人机的姿态是一项具有挑战性的任务。它适用于许多应用，如导航，监视，跟踪地面上的物体和3D重建。在这项工作中，我们提出了一种基于激光雷达相机的无人机和地面车辆之间的相对姿态估计方法，使用激光雷达传感器和鱼眼相机在车辆的屋顶和另一个鱼眼相机安装在无人机下。LiDAR传感器直接观察无人机并测量其位置，两个摄像头通过间接观察周围物体来估计相对方位。我们提出了一种基于动态自适应核的无人机检测和跟踪方法，使用激光雷达。我们检测消失点在两个相机，并找到它们的对应关系，以估计相对取向。此外，我们提出了一种旋转校正技术，依靠通过激光雷达观察到的无人机的运动。在我们的实验中，我们能够实现对无人机的快速初始检测和实时跟踪。我们的方法是全自动的。
2020-11-17 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
Long-Term Urban Vehicle Localization Using Pole Landmarks Extracted from 3-D Lidar Scans
University of Freiburg（弗赖堡大学）
由于它们的普遍性和长期稳定性，杆状物体非常适合作为城市环境中车辆定位的地标。在这项工作中，我们提出了一个完整的映射和长期定位系统的基础上从3-D激光雷达数据提取的极点地标。我们的方法采用了一种新的极点检测器，映射模块和在线定位模块，其中每一个都有详细描述，我们在www.github.com/acschaefer/polex上提供了一个开源实现。在广泛的实验中，我们证明了我们的方法在长期可靠性和准确性方面提高了最先进的水平：首先，我们通过任务系统在15个月的时间内根据初始地图在城市地区定位移动机器人来证明可靠性，面对不断变化的路线，不同的天气条件，季节变化和建筑工地。其次，我们表明，所提出的方法显然优于最近发表的方法在准确性方面。
2019-10-23 cs.CV cs.RO
EnforceNet: Monocular Camera Localization in Large Scale Indoor Sparse LiDAR Point Cloud
Blacksesame Technologies（黑芝麻科技）
姿态估计是机器人应用（诸如自主车辆、UAV和大规模增强现实）的基本构建块。对于那些应用来说，大规模生产也是一个阻碍因素，因为最先进的厘米级姿态估计通常需要长的映射过程和昂贵的定位传感器，例如LiDAR和高精度GPS/IMU等。为了克服成本障碍，我们提出了一种基于神经网络的解决方案，以在具有可比厘米-水平精度。我们通过引入一种新的网络模块来实现它，我们称之为电阻模块，以加强网络更好地泛化，预测更准确，收敛更快。这些结果是基准的几个数据集，我们收集的大型室内停车场场景。我们计划开放数据和代码，让社区加入推动这一领域发展的努力。
2019-07-16 cs.CV cs.RO eess.IV
GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization
School of Electrical and Electronic Engineering, Yonsei University（延世大学电气与电子工程学院）
针对现有3DGS方法难以准确重建真实尺度几何地图而降低定位性能的问题，提出GeomGS，通过概率方法将LiDAR数据集成到高斯原语中，并引入几何置信度分数优化结构，实现最先进的几何与定位性能。
2025-01-23 cs.CV cs.LG cs.RO
LIP-Loc: LiDAR Image Pretraining for Cross-Modal Localization
Robotics Research Center, KCIS, IIIT Hyderabad（海得拉巴国际信息技术学院KCIS机器人研究中心）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft（微软）
提出LIP-Loc方法，将CLIP对比学习应用于图像与激光雷达跨模态定位，在KITTI-360上以透视图像超越SOTA 22.4%，并实现零样本迁移和首个KITTI基准。
2023-12-27 cs.CV cs.RO
BEVDiffLoc: End-to-End LiDAR Global Localization in BEV View based on Diffusion Model
National Key Laboratory of Equipment State Sensing and Smart Support（装备状态感知与智能支撑国家重点实验室）
本文提出BEVDiffLoc框架，将LiDAR全局定位建模为BEV条件位姿生成，并通过专用数据增强、最大特征聚合、ViT与扩散模型迭代细化提升端到端定位精度和鲁棒性。
2025-03-14 cs.CV cs.RO
Deep Camera Pose Regression Using Pseudo-LiDAR
University of Toronto Mississauga（多伦多大学密西沙加校区）
一个精确而强大的大规模定位系统是自动驾驶汽车和增强现实等活跃研究领域不可或缺的组成部分。为此，已经提出了许多从RGB或RGB-D图像预测6DOF相机姿态的学习算法。然而，以前的方法通常采用与RGB图像相同的方式处理数据，通常将深度图作为附加通道添加到RGB图像中，并将其通过卷积神经网络（CNN）。在本文中，我们表明，将深度图转换为伪激光雷达信号，以前被证明是有用的3D目标检测，是一个更好的表示摄像机定位任务的投影点云，可以准确地确定6自由度摄像机姿态。这是通过首先比较专门在伪LiDAR表示上操作的网络的定位精度与专门在深度图上操作的网络来证明的。然后，我们提出了FusionLoc，一种新的架构，使用伪激光雷达回归6DOF相机姿势。FusionLoc是一种双流神经网络，旨在解决在RGB-D图像上运行的典型2D CNN的常见问题。将此架构的结果与使用7场景数据集的各种其他最先进的深度姿态回归实现进行比较。研究结果表明，FusionLoc的性能优于许多其他相机定位方法，平均比RGB-D PoseNet精确0.33米和4.35°。通过证明在深度图上使用伪LiDAR信号进行定位的有效性，在实现大规模定位系统时存在新的考虑因素。
2022-02-28 cs.CV cs.LG cs.RO
UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input
The University of Western Australia（西澳大学）；King Fahad University of Petroleum and Minerals（法赫德国王石油与矿产大学）
本文提出UnLoc，一种适用于全天候的多传感器统一神经定位方法，通过按需处理LiDAR、相机和RADAR输入并融合3D稀疏卷积与注意力机制，有效提升了自动驾驶定位的鲁棒性与精度。
2023-07-03 cs.AI cs.CV cs.LG
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
Robot Localization and Navigation through Predictive Processing using LiDAR
Radboud University（拉德堡德大学）
了解机器人在世界上的位置对于导航至关重要。如今，贝叶斯滤波器，如卡尔曼滤波器和基于粒子的滤波器，是移动机器人中的标准方法。最近，端到端学习已经允许扩展到高维输入和改进的泛化。然而，提供可靠的激光导航仍然存在局限性。在这里，我们展示了一个概念验证的预测处理启发的方法，感知应用于定位和导航使用激光传感器，而不需要里程计。我们通过自监督学习学习激光器的生成模型，并通过变分自由能界上的随机梯度下降进行在线状态估计和导航。我们评估了一个移动机器人（TIAGo基地）与激光传感器（SICK）在凉亭的算法。结果表明，改进的状态估计性能相比，一个国家的最先进的粒子滤波器在没有里程计。此外，相反，标准的贝叶斯估计方法，我们的方法也使机器人导航时，提供所需的目标，通过推断的行动，最大限度地减少预测误差。
2021-09-09 cs.AI cs.RO
Pit30M: A Benchmark for Global Localization in the Age of Self-Driving Cars
Uber Advanced Technologies Group（优步先进技术集团）；University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
本文提出Pit30M大规模多模态定位数据集，覆盖多样环境并提供亚米级真值，同时提出一种简单有效的LiDAR检索方法，首次建立城市尺度亚米级检索定位基准。
2024-05-01 cs.CV cs.RO
CMRNet++: Map and Camera Agnostic Monocular Visual Localization in LiDAR Maps
University of Freiburg（弗莱堡大学）；Università di Milano - Bicocca（米兰比可卡大学）
本地化是自主机器人的关键和关键推动因素。虽然深度学习在许多计算机视觉任务中取得了重大进展，但它仍然没有对改善度量视觉定位能力产生相当大的影响。主要障碍之一是现有的基于卷积神经网络（CNN）的姿势回归方法无法推广到以前看不见的地方。我们最近推出的CMRNet通过在LiDAR地图中实现地图独立的单目定位，有效地解决了这一限制。在本文中，我们现在通过引入CMRNet++更进一步，CMRNet++是一个更加强大的模型，不仅可以有效地推广到新的地方，而且与相机参数无关。我们通过将深度学习与几何技术相结合，并将度量推理移出学习过程来实现这种能力。通过这种方式，网络的权重不会与特定的相机绑定。CMRNet++在三个具有挑战性的自动驾驶数据集上进行了广泛的评估，KITTI、Argoverse和Lyft5的研究表明，CMRNet++的性能远远优于CMRNet和其他基线。更重要的是，我们首次展示了深度学习方法在全新环境中准确定位的能力，无需任何重新训练或微调，并且独立于相机参数。
2020-05-22 cs.CV cs.LG cs.RO
Learning to Localize Using a LiDAR Intensity Map
Uber ATG（优步先进技术集团）；University of Toronto（多伦多大学）
在本文中，我们提出了一个实时，校准不可知和有效的自动驾驶汽车定位系统。我们的方法学习将在线LiDAR扫描和强度图嵌入到联合深度嵌入空间中。然后通过嵌入之间的有效卷积匹配进行定位。我们的整个系统可以以15 Hz的频率实时运行，同时在不同的LiDAR传感器和环境中实现厘米级的精度。我们的实验说明了所提出的方法的性能超过4000公里的驾驶组成的大规模数据集。
2020-12-20 cs.CV cs.LG cs.RO
Robust and Precise Vehicle Localization based on Multi-sensor Fusion in Diverse City Scenes
Baidu Autonomous Driving Business Unit（百度自动驾驶业务部）
我们提出了一个强大的和精确的定位系统，实现厘米级的定位精度在不同的城市场景。我们的系统自适应地使用来自GNSS、LiDAR和IMU等互补传感器的信息，以在具有挑战性的场景（如市区、高速公路和隧道）中实现高定位精度和弹性。我们不只是依赖于LiDAR强度或3D几何形状，而是创新性地使用LiDAR强度和高度线索，以显着提高定位系统的准确性和鲁棒性。我们的GNSS RTK模块利用多传感器融合框架的帮助，实现了更好的模糊度解决成功率。采用一种误差状态卡尔曼滤波器对不同来源的定位测量值进行融合，并对融合后的定位测量值进行新的不确定性估计。我们详细验证了我们方法的有效性，实现了5- 10 cm RMS精度，并优于以前最先进的系统。重要的是，我们的系统在部署在大型自动驾驶车队中时，使我们的车辆在拥挤的城市街道上完全自动驾驶，尽管道路建设时有发生。一个数据集，包括超过60公里的实际交通驾驶在不同的城市道路被用来全面测试我们的系统。
2020-03-06 cs.CV cs.RO
An Analytical Lidar Sensor Model Based on Ray Path Information
University of Freiburg（弗赖堡大学）
移动机器人的两个核心能力是构建环境地图，并根据该地图和传入的传感器读数估计自己的姿态。为了考虑该过程中的不确定性，通常采用与特定传感器的模型相结合的概率状态估计方法。在过去的几年里，激光雷达传感器已成为测绘和定位的热门选择。然而，许多常见的激光雷达模型在非结构化、不可预测的环境中表现不佳，它们缺乏用于映射和定位的一致的物理模型，并且它们没有利用传感器提供的所有信息，例如超范围测量。在本文中，我们介绍了一个一致的物理模型，可以应用到映射以及本地化。它自然地处理非结构化环境，并利用范围外的测量值和有关射线路径的信息。该方法可以被视为已建立的反射模型的推广，但除了计算特定地图单元中的射线反射和遍历之外，它还考虑了所有射线在该单元中传播的距离。我们证明了所得到的地图最大限度地提高了数据的可能性，并证明了我们的模型在广泛的现实世界的实验中优于最先进的传感器模型。
2019-10-23 cs.CV 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
An Enhanced LiDAR-Inertial SLAM System for Robotics Localization and Mapping
基于LiDAR和惯性传感器的定位和地图绘制对于无人地面车辆相关应用具有重要意义。在这项工作中，我们已经开发了一种改进的激光雷达惯性定位和测绘系统的无人地面车辆，这是适合于多功能的搜索和救援应用。与现有的基于激光雷达的定位和地图系统，如LOAM相比，我们有两个主要的贡献：第一个是基于粒子群滤波器的激光雷达SLAM的鲁棒性的提高，而第二个是闭环方法开发的全局优化，以提高整个系统的定位精度。实验结果表明，该方法提高了激光雷达SLAM系统的定位精度和鲁棒性。最后，在香港科学园以及其他室内外真实复杂的测试环境中进行了系统的实验测试，验证了本文方法的有效性和效率。实验结果表明，该系统具有较高的精度、鲁棒性和效率。该系统对无人地面车辆在未知环境中的定位和测绘具有重要意义。
2022-12-29 cs.RO
Stereo Visual Inertial LiDAR Simultaneous Localization and Mapping
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
同时定位与地图构建（SLAM）是移动机器人和空中机器人的一项基本任务。与基于视觉的系统相比，基于LiDAR的系统由于其准确性和鲁棒性而被证明是优越的。尽管其优越性，纯基于LiDAR的系统在某些退化情况下会失败，例如通过隧道。我们提出了立体视觉惯性激光雷达（VIL）SLAM，在这些退化的情况下表现更好，在所有其他情况下具有相当的性能。VIL-SLAM通过将紧密耦合的立体视觉惯性里程计（VIO）与LiDAR映射和LiDAR增强的视觉环路闭合相结合来实现这一点。该系统实时生成闭环校正的6-DOF LiDAR姿态和近实时的1cm体素密集图。与最先进的LiDAR方法相比，VIL-SLAM表现出更高的准确性和鲁棒性。
2019-02-27 cs.RO
When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants
Luleå University of Technology（吕勒奥理工大学）
针对地下环境中LiDAR受遮蔽物影响退化的问题，提出单类时序学习框架，通过LSTM自动编码器检测退化，自适应切换LIO与RIO实现稳健定位，相关代码将开源。
2026-10-12 cs.RO
ROLL: Long-Term Robust LiDAR-based Localization With Temporary Mapping in Changing Environments
Shanghai Jiao Tong University（上海交通大学）；Institute of Medical Robotics（医疗机器人研究院）
长期的场景变化对使用预先构建的地图的定位系统提出了挑战。本文提出了一种基于LiDAR的系统，可以针对这些挑战提供强大的定位。我们的方法开始与激活映射过程暂时当全球匹配到预先建立的地图是不可靠的。一旦再次获得可靠的匹配，临时地图将被合并到预先构建的地图上，用于稍后的定位运行。我们进一步集成了激光雷达惯性里程计（LIO），以提供运动补偿激光雷达扫描和可靠的初始姿态猜测的全球匹配模块。为了生成用于导航目的的平滑实时轨迹，我们通过解决姿态图优化问题来融合来自里程计和全局匹配的姿态。我们在NCLT数据集上进行了广泛的实验，包括各种不断变化的室内和室外环境，并对我们的定位系统进行了评估，结果表明，一年多来，我们的定位系统具有强大而准确的定位性能。这些实现在GitHub上开源。
2022-03-08 cs.RO
Dr-LiSA: Direct Radar-Lidar Scan Alignment for SE(3) Localization
University of Toronto（多伦多大学）；ETH Zürich（苏黎世联邦理工学院）
Dr-LiSA 提出一种直接配准方法，利用学习的前向模型将 2D 雷达扫描与 3D 激光雷达地图在 $SE(3)$ 中对齐，克服模态差异，在 90 公里数据上优于现有雷达-激光雷达方法，平面精度媲美雷达-雷达系统。
2026-10-06 cs.RO
A decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs
Hong Kong University（香港大学）
LiDAR在自动驾驶车辆中发挥着越来越重要的作用，用于目标检测，自我定位和地图绘制。单个LiDAR经常遭受硬件故障（例如，暂时失去连接）由于恶劣的车辆环境（例如，温度、振动等），或者由于缺乏足够的几何特征而导致的性能下降，特别是对于具有小视场（FoV）的固态LiDAR。为了提高系统的鲁棒性和自定位和映射的性能，我们开发了一个分散的框架，同时校准，定位和映射与多个激光雷达。我们提出的框架是基于扩展的卡尔曼滤波器（EKF），但专门制定分散实施。这样的实现可能会在专用于每个LiDAR的较小计算设备或资源之间分配密集计算，并消除单点故障问题。然后，这种分散式制定实施的无人驾驶地面车辆（UGV）携带5个低成本的激光雷达和移动在$1.3m/s$在城市环境中。实验结果表明，该方法可以成功地同时估计车辆状态（即，姿态和速度）以及所有LiDAR外部参数。在我们收集的两个数据集上，定位精度高达0.2%。为了分享我们的研究成果并为社区做出贡献，同时让读者验证我们的工作，我们将在Github上发布我们所有的源代码和硬件设计蓝图。
2020-07-03 cs.RO
Boosting LiDAR-Based Localization with Semantic Insight: Camera Projection versus Direct LiDAR Segmentation
Department of Technical Cognitive Systems, FZI Research Center for Information Technology（技术认知系统部门，信息技术研究所以暨创新中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄大学）
提出融合相机语义投影与LiDAR分割的方法，利用CoCar NextGen平台和55公里实测数据，显著提升基于LiDAR定位的精度与鲁棒性。
2025-09-24 cs.RO
Lightweight 3-D Localization and Mapping for Solid-State LiDAR
Nanyang Technological University（南洋理工大学）；Carnegie Mellon University（卡内基梅隆大学）
光探测与测距（LiDAR）传感器由于其在同时定位与地图构建（SLAM）中的重要作用而成为最重要的感知设备之一。现有的SLAM方法主要是针对机械LiDAR传感器开发的，这通常被大型机器人采用。最近，固态激光雷达被引入并变得流行，因为它为小型机器人提供了具有成本效益和重量轻的解决方案。与机械LiDAR相比，固态LiDAR传感器具有更高的更新频率和角分辨率，但也具有更小的视场（FoV），这对于现有LiDAR SLAM算法是非常具有挑战性的。因此，有必要为这种新的传感设备提供更鲁棒且计算效率更高的SLAM方法。为此，我们提出了一个新的固态激光雷达传感器的SLAM框架，其中涉及特征提取，里程估计，概率地图的建设。所提出的方法进行评估的仓库机器人和手持设备。在实验中，我们使用Intel L515固态LiDAR演示了我们方法的准确性和效率。结果表明，我们的方法是能够提供精确的定位和高质量的映射。我们在\url{https://github.com/wh200720041/SSL_SLAM}上公开了源代码。
2021-02-17 cs.RO
A Survey on Global LiDAR Localization: Challenges, Advances and Open Problems
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）；National University of Defense Technology（国防科技大学）；University of Bonn（波恩大学）
本文是首篇关于移动机器人全局LiDAR定位的全面综述，系统回顾了涵盖地图、描述子提取及跨机器人定位等方法进展，并围绕位置检索与位姿估计结合、序列化定位和多机器人扩展三大主题探讨了挑战与未来方向。
2024-03-22 cs.RO
Are We Ready for Radar to Replace Lidar in All-Weather Mapping and Localization?
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
本研究基于Boreas数据集对比纯雷达、纯激光雷达及跨模态雷达-激光雷达定位系统的全天候性能，发现激光雷达定位抗降水能力被低估，雷达可凭小地图实现可比精度，未来可在极端天气或冗余备份场景发挥作用。
2023-06-08 cs.RO
A Biologically-Inspired Simultaneous Localization and Mapping System Based on LiDAR Sensor
Technical University of Munich（慕尼黑工业大学）；Sun Yat-sen University（中山大学）；Pazhou Laboratory（琶洲实验室）
受啮齿类动物海马体启发，提出基于LiDAR与边界、位置等细胞模型的仿生SLAM系统，在室内环境构建认知地图并估计位姿，性能优于相机方法且媲美传统LiDAR SLAM。
2023-06-23 cs.RO
DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots
Universidad de Sevilla（塞维利亚大学）；Universidad Pablo de Olavide（巴勃罗·德·奥拉维德大学）
本文介绍了DLL，一种快速直接基于地图的定位技术，使用三维激光雷达的应用于空中机器人。DLL基于点和地图的距离的非线性优化实现点云到地图的配准，因此不需要特征，也不需要点对应。给定一个初始姿态，该方法能够跟踪的姿态的机器人通过细化从测距法预测的姿态。通过使用真实数据集和模拟的基准测试，我们展示了该方法的性能如何优于Monte-Carlo定位方法，并实现了与其他基于优化的方法相当的精度，但运行速度要快一个数量级。该方法在里程计误差下也是鲁棒的。该方法已在机器人操作系统（ROS）下实现，并且是公开可用的。
2021-07-27 cs.RO
Scene-Aware Error Modeling of LiDAR/Visual Odometry for Fusion-based Vehicle Localization
Peking University（北京大学）
定位是移动机器人中的一项关键技术。在复杂的环境中，需要融合不同的定位模块以获得更鲁棒的定位结果，其中误差模型起着至关重要的作用。然而，基于外感受传感器的里程计（ESO），例如LiDAR/视觉里程计，通常提供具有场景相关误差的结果，这是难以精确建模的。针对这一问题，本文设计了一个场景感知的ESO误差模型，并在此基础上提出了一个多模态定位融合框架。此外，提出了一种端到端的学习方法来训练这种误差模型使用稀疏的全球位姿，如GPS/IMU的结果。将该方法应用于LiDAR/视觉里程计的误差建模，并与航位推算法进行融合，检验车辆定位的性能。实验结果表明，基于学习的场景感知误差模型，车辆定位精度得到了很大提高，并在非体验场景中表现出了自适应性。
2020-03-29 cs.RO
Adaptive Motorized LiDAR Scanning Control for Robust Localization with OpenStreetMap
提出一种基于OSM引导的自适应LiDAR扫描框架，通过结合全局先验与局部可观测性预测，利用不确定性感知模型预测控制自适应分配扫描精力，显著降低了轨迹误差并提升了复杂环境下的定位鲁棒性。
2025-09-15 cs.RO
Redundant and Loosely Coupled LiDAR-Wi-Fi Integration for Robust Global Localization in Autonomous Mobile Robotics
Luleå University of Technology（吕勒奥理工大学）；University of Parma（帕尔马大学）
本文提出一种冗余且松耦合的LiDAR与Wi-Fi融合框架，利用两种传感器独立预测并评估置信度，以提升自主移动机器人在复杂环境中的全局定位鲁棒性与准确性。
2023-10-10 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
From LiDAR Maps to Visual Localization: Unified Visual Association for Robust Point-Line-Plane Pose Estimation
Shanghai Jiao Tong University（上海交通大学）；Beijing Jiaotong University（北京交通大学）
本文提出一种统一视觉关联框架，将LiDAR地图渲染为准图像，利用共享视觉特征实现点-线-面对应，并结合分布感知优化策略，在仅有LiDAR先验下实现鲁棒的全局定位与连续6自由度位姿估计。
2026-09-24 cs.RO
Real-Time, Environmentally-Robust 3D LiDAR Localization
Hong Kong University of Science and Technology（香港科技大学）
定位是机器人研究中的一个重要问题。在本文中，我们提出了一种新的方法，长期定位在不断变化的环境中使用三维激光雷达。我们首先使用GPS和LiDAR创建真实环境的地图。然后，我们将地图分成几个小的部分作为云配准的目标，这不仅可以提高鲁棒性，也减少了注册时间。PointLocalization允许我们融合不同类型的里程表，这可以优化定位结果的精度和频率。我们评估我们的算法上的无人驾驶地面车辆（UGV）使用激光雷达和车轮编码器，并获得定位结果后，在超过20 Hz的融合。该算法还可以在180度视场（FOV）中定位UGV。使用6个月前拍摄的过时地图，这种算法表现出了很大的鲁棒性，测试结果显示它可以达到10厘米的精度。PointLocalization已经在一个拥挤的工厂中进行了六个多月的测试，并成功运行了超过2000公里的距离。
2019-10-28 cs.RO
