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
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
Generating Roadside LiDAR Datasets from Vehicle-Side Datasets via Novel View Synthesis
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai 200240, China（自动化与智能感知学院，上海交通大学，上海200240，中国）；Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai 200240, China（系统控制与信息处理重点实验室，中华人民共和国教育部，上海200240，中国）；Global College, Shanghai Jiao Tong University, Shanghai 200240, China（全球学院，上海交通大学，上海200240，中国）
本文提出VRS框架，通过LiDAR新颖视角合成从车辆侧数据生成标注道路侧LiDAR数据集，缓解车辆到道路域差距，提升道路侧感知模型的泛化能力。
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
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
Range Image-based LiDAR Localization for Autonomous Vehicles
University of Bonn（波恩大学）
鲁棒和准确的，基于地图的定位是自主移动系统的关键。在本文中，我们利用从三维激光雷达扫描生成的距离图像来解决在由三角形网格表示的大规模户外环境的地图中定位移动机器人或自动驾驶汽车的问题。我们使用泊松曲面重建生成基于网格的地图表示。基于当前LiDAR扫描生成的距离图像和基于网格的地图的合成渲染视图，我们提出了一种新的观察模型，并将其集成到Monte Carlo定位框架中，该框架实现了更好的定位性能，并很好地推广到不同的环境。我们在不同环境中使用不同的LiDAR扫描仪收集的多个数据集上测试了所提出的定位方法。实验结果表明，该方法能够在不同环境下可靠、准确地定位移动系统，并以LiDAR传感器的帧速率在线运行，跟踪车辆姿态。
2021-05-25 cs.RO
InsClustering: Instantly Clustering LiDAR Range Measures for Autonomous Vehicle
RENAULT S.A.S（雷诺公司）；Magellium S.A.S（马格利姆公司）
激光雷达在距离测量方面通常比相机更精确。因此，人们对将LiDAR应用于自动驾驶有着浓厚的兴趣。不同的现有方法处理丰富的三维点云的目标检测，跟踪和识别。这些方法通常需要两个初始步骤：（1）过滤地平面上的点和（2）将非地面点聚类到对象中。本文针对这两个步骤提出了一种经过现场验证的快速三维点云分割方法。我们专门设计的算法允许即时处理原始LiDAR数据包，从而显著降低处理延迟。在我们对Velodyne UltraPuck（32层旋转激光雷达）的测试中，对所有$360^\circ$激光雷达测量数据进行聚类的处理延迟小于1ms。同时，一个由粗到细的计划，以确保聚类质量。我们在公共道路上的现场实验表明，该方法显着提高了三维点云聚类的速度，同时保持良好的精度。
2020-10-13 cs.RO
Low-cost LIDAR based Vehicle Pose Estimation and Tracking
Carnegie Mellon University（卡内基梅隆大学）
通过低成本的LIDAR检测周围的车辆已经引起了极大的关注。在低成本LIDAR中，车辆呈现多层L形。基于我们以前的优化/标准为基础的L形拟合算法，我们在这里提出了一个数据驱动和基于模型的方法来鲁棒的车辆分割和跟踪。新方法使用T-联动RANSAC采取有限数量的噪声数据，并对噪声进行鲁棒分割。与我们以前的方法相比，T-Linkage RANSAC对观测不确定性更宽容，即，被观察目标的边数，并摆脱了L形假设。此外，车辆跟踪系统与多模型关联（MMA）的分割结果，它提供了平滑的跟踪对象的轨迹。来自低成本多层LIDAR的手动标记数据集也将与论文一起发布。在数据集上的实验表明，新方法优于以前的基于多准则。新算法也可以实时运行。
2019-10-03 cs.CV cs.RO
Loam_livox: A fast, robust, high-precision LiDAR odometry and mapping package for LiDARs of small FoV
Hong Kong University（香港大学）
LiDAR测距和测绘（LOAM）在自动驾驶汽车中发挥着重要作用，因为它能够同时定位机器人的姿态并构建周围环境的高精度，高分辨率地图。这实现了自动驾驶车辆的自主导航和安全路径规划。在本文中，我们提出了一个强大的，实时的LOAM算法的激光雷达小视场和不规则的采样。通过在前端和后端上的努力，我们解决了这些LiDAR所带来的几个基本挑战，并在精度和效率方面实现了与现有基线相比更好的性能。为了分享我们的发现并为社区做出贡献，我们在Github上开源了我们的代码
2019-09-15 cs.CV cs.RO eess.IV
Simultaneous Location of Rail Vehicles and Mapping of Environment with Multiple LiDARs
精确、实时的轨道车辆定位以及轨道环境监测对铁路安全至关重要。在这封信中，我们提出了一个多激光雷达为基础的同时定位与地图构建（SLAM）系统的铁路应用。我们的方法从测量预处理开始，对多个LiDAR输入进行降噪和同步。根据LiDAR的放置使用不同的帧到帧配准方法。此外，我们利用提取的轨道的平面约束，以提高系统的精度。利用绝对位置测量进一步将局部地图与全局地图对准。考虑到不可避免的金属磨损和螺钉松动，在长时间的操作过程中，唤醒了在线外部细化。所提出的方法被广泛验证收集超过3000公里的数据集。结果表明，该系统实现了准确和强大的定位以及有效的映射大规模的环境。该系统已应用于某货运铁路的监控任务中。
2021-12-25 cs.RO
Ground vehicle mapping of fields using LiDAR to enable prediction of crop biomass
Aarhus University（奥胡斯大学）
利用三维激光雷达将田间环境映射成点云，有能力成为在线估计田间作物生物量的新方法。预计农业作物生物量的估计与冠层高度密切相关。本文的工作有助于农业领域的制图和文本分析。作物和环境状态信息可用于针对特定地点定制处理。本文介绍了目前的结果与我们的地面车辆激光雷达测绘系统广泛英亩的农田。所提出的车辆系统和方法促进实验性冬小麦田中的LiDAR记录。LiDAR数据与全球导航卫星系统（GNSS）和惯性测量单元（IMU）传感器的数据相结合，对点云进行环境测绘。利用机器人操作系统（ROS）和点云库（PCL）的功能记录、映射和分析来自车辆的传感数据。本试验以冬小麦（Triticum aestivum L.）在田间地块中，使用具有厘米级点密度的3D点云进行映射。该实验的目的是创建田间地块的3D激光雷达点云，使冠层体积和纹理分析能够区分不同的作物处理。估计的作物体积范围从3500-6200（立方米）每公顷相关的人工收集的样品切割的生物量提取的实验田。
2018-05-03 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
Lidar for Autonomous Driving: The principles, challenges, and trends for automotive lidar and perception systems
RENAULT S.A.S（雷诺）
自动驾驶汽车依靠其感知系统来获取有关其周围环境的信息。有必要检测其他车辆、行人和其他相关实体的存在。安全问题和对准确估计的需求导致了光探测和测距（LiDAR）系统的引入，以补充基于相机或雷达的感知系统。本文介绍了最先进的汽车LiDAR技术以及与这些技术一起使用的感知算法。首先介绍了激光雷达系统的主要组成部分，从激光发射器到光束扫描机构。介绍和比较了各种解决方案的优缺点和现状。然后，从自动驾驶汽车的角度详细介绍了用于LiDAR数据处理的特定感知管道。模型驱动的方法和新兴的深度学习解决方案进行了审查。最后，我们概述了汽车LiDAR和感知系统的局限性、挑战和趋势。
2020-04-17 cs.RO
A Novel Perception Entropy Metric for Optimizing Vehicle Perception with LiDAR Deployment
School of Transportation and Logistics, Southwest Jiaotong University（西南交通大学交通运输与物流学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
提出一种基于车辆网格占据概率的新型LiDAR感知熵指标，并利用基于差分进化的粒子群优化算法构建部署优化模型，显著提升了多种LiDAR的检测性能。
2024-07-25 cs.IT cs.RO math.IT
Estimation of Closest In-Path Vehicle (CIPV) by Low-Channel LiDAR and Camera Sensor Fusion for Autonomous Vehicle
College of Interdisciplinary（交叉学院）；Robotics Engineering（机器人工程学院）；Interdisciplinary Engineering, Daegu Gyeongbuk Institute of Science and Technology(DGIST)（大邱庆北科学技术院交叉工程学院）
在自动驾驶中，使用各种传感器识别中长距离的前车，有助于提高驾驶性能和开发各种功能。然而，如果在识别阶段仅使用LiDAR或相机，则由于每个传感器的限制，很难获得必要的数据。提出了一种利用激光雷达点投影方程将视觉跟踪数据转换为鸟瞰图坐标的方法，以及激光雷达与视觉跟踪数据的融合方法。因此，新提出的方法是有效的，通过检测在各种情况下的最接近的路径车辆（CIPV）的结果。此外，即使在使用融合结果进行EuroNCAP自动紧急制动（AEB）测试协议的实验时，AEB性能也会通过提高认知性能而得到改善。在实验结果中，通过各种场景下的实车测试证明了所提出的方法的性能。因此，它是令人信服的，新提出的传感器融合方法显着改善自主机动的ACC功能。我们期望这种感知性能的改善将有助于提高ACC的整体稳定性。
2021-03-25 cs.RO cs.SY eess.SY
A Survey on LiDAR-based Autonomous Aerial Vehicles
Mechatronics and Robotic Systems (MaRS) Laboratory, Department of Mechanical Engineering, University of Hong Kong（机械与机器人系统实验室，机械工程系，香港大学）
本综述全面回顾了基于LiDAR的自主无人机在传感器演进、感知、规划、控制及应用方面的最新进展，并指出了现有挑战与未来研究方向。
2025-09-12 cs.RO
MetroLoc: Metro Vehicle Mapping and Localization with LiDAR-Camera-Inertial Integration
Wuhan University（武汉大学）
我们提出了一个准确和强大的多模态传感器融合框架，MetroLoc，对最极端的情况之一，大规模的地铁车辆定位和地图。MetroLoc构建在以IMU为中心的状态估计器之上，该状态估计器将光探测和测距（LiDAR），视觉和惯性信息紧密耦合，并具有松耦合方法的便利性。该框架由三个子模块组成：IMU里程计、LiDAR惯性里程计（LIO）和视觉惯性里程计（VIO）。惯性测量单元作为主传感器，利用LIO和VIO的观测值约束加速度计和陀螺仪的偏差。与以前的点LIO方法相比，我们的方法通过将线和平面特征引入运动估计来利用更多的几何信息。VIO还通过采用线和点来利用环境结构信息。我们提出的方法已被广泛测试，在长期的地铁环境与维护车辆。实验结果表明，该系统具有更高的准确性和鲁棒性比国家的最先进的方法与实时性能。此外，我们还开发了一系列虚拟现实（VR）应用程序，以实现高效、经济和交互式的轨道车辆状态和轨道旁基础设施监控，并已部署到室外测试铁路。
2021-11-01 cs.RO
Multi-Observer Vehicle Localization Case Study with Roadside Radar and Connected Vehicle Sensing
Aalto University（阿尔托大学）
本文提出融合路侧雷达与网联车辆感知的多观测器车辆定位框架，经实测数据验证，其性能受场景影响，AEKF可小幅优于仅用LiDAR的基线，相关成果与代码已开源。
2026-08-19 cs.CV cs.RO
LiDAR point clouds correction acquired from a moving car based on CAN-bus data
IRSEEM, ESIGELEC（IRSEEM，ESIGELEC）；CEREMA；University of Rouen（鲁昂大学）
在本文中，我们研究了不同类型的汽车轨迹对激光雷达扫描的影响。事实上，激光雷达的扫描速度比汽车的速度慢得多，这会导致失真。我们提出了一种方法来克服这个问题，以及基于CAN总线数据的新指标。我们的研究结果表明，车辆轨迹时，应考虑到从安装在移动车辆上的激光雷达构建三维大规模地图。
2017-06-19 cs.RO
An Efficient L-Shape Fitting Method for Vehicle Pose Detection with 2D LiDAR
College of Automotive Engineering, Tongji University（同济大学汽车学院）；Technical University of Munich（慕尼黑工业大学）
鲁棒性强、效率高的车辆检测已成为全自动驾驶汽车的关键能力之一。这个主题已经通过使用图像传感器和3D LiDAR的GPU加速的深度学习方法进行了广泛的研究，然而，很少有研究试图通过水平安装的2D激光扫描仪来解决这个问题。二维激光扫描仪以其视场大、光照不变性、精度高、价格相对低廉等优势，几乎每一辆自动驾驶汽车都配备了二维激光扫描仪。在本文中，我们提出了一种高效的基于搜索的L形拟合算法检测的位置和方向的车辆与二维激光扫描仪。与将LShape拟合问题转化为复杂优化问题的方法不同，该方法将L-Shape拟合问题分解为两个步骤：L-Shape顶点搜索和L-Shape角点定位。我们的方法是计算效率，由于其最小化的复杂性。在道路实验中，我们的方法是能够适应各种情况下的高效率和鲁棒性。
2018-12-23 cs.RO
Where Should We Place LiDARs on the Autonomous Vehicle? - An Optimal Design Approach
Beihang University（北京航空航天大学）；Carnegie Mellon University（卡内基梅隆大学）
自动驾驶汽车制造商认识到，LiDAR可以在高度不确定的驾驶条件下提供准确的3D视图和精确的距离测量。然而，其实际执行仍然代价高昂。研究了以效用最大化为目标的激光雷达最优配置问题。我们使用感知区域和不可检测的子空间来构建设计过程，作为解决最小-最大优化问题，并提出了一个生物启发的措施-体积表面积比（VSR）-作为一个易于评估的成本函数，代表了给定配置的不可检测的子空间的大小的概念。然后，我们采用了一个长方体为基础的方法表明，建议的基于VSR的措施是一个很好的代理目标检测率。结果表明，人工蜂群进化算法产生了一个易于处理的成本函数计算。我们的实验突出了我们提出的VSR措施在成本效益配置方面的有效性，以及提供有见地的分析，可以改善AV系统的设计。
2019-04-07 cs.RO
LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing
Politecnico di Milano（米兰理工大学）
本文提出一种基于LiDAR的车辆检测与跟踪流程，包括快速点云分割、车辆姿态估计和变步长多目标跟踪，应用于自动驾驶赛车，实现在超过275公里/小时速度下的自主超车。
2025-01-24 cs.CV cs.RO
Rail Vehicle Localization and Mapping with LiDAR-Vision-Inertial-GNSS Fusion
在本文中，我们提出了一个全球导航卫星系统（GNSS）辅助激光雷达视觉惯性方案，RailLoMer-V，准确和强大的轨道车辆定位和映射。RailLoMer-V是在因子图上制定的，由两个子系统组成：里程计辅助激光雷达惯性系统（OLIS）和里程计集成视觉惯性系统（OVIS）。这两个子系统都利用了铁路上典型的几何结构。提取的轨道的平面约束用于补充OLIS中的旋转和垂直误差。此外，线特征和消失点被用来约束旋转漂移在OVIS。拟议的框架在超过800公里的数据集上进行了广泛的评估，这些数据集在普速和高速铁路上收集了一年多，不分昼夜。利用来自各个传感器的所有测量的紧密耦合集成，我们的框架对于长期任务是准确的，并且对于严重退化的场景（铁路隧道）是足够强大的。此外，实时性能可以通过机载计算机来实现。
2021-12-16 cs.RO
Precise Synthetic Image and LiDAR (PreSIL) Dataset for Autonomous Vehicle Perception
University of Waterloo（滑铁卢大学）；University of Toronto（多伦多大学）
我们介绍了用于自动驾驶汽车感知的精确合成图像和激光雷达（PreSIL）数据集。侠盗猎车手V（GTA V），一个商业视频游戏，有一个大的详细的世界与现实的图形，这提供了一个多样化的数据汇集环境。现有的为GTA V自动驾驶创建合成LiDAR数据的工作还没有发布他们的数据集，依赖于游戏中的光线投射功能，将人表示为圆柱体，并且可能无法捕获超过30米的车辆。我们的工作在GTA V中创建了一个精确的LiDAR模拟器，它与所有实体的详细模型相碰撞，无论其类型或位置如何。PreSIL数据集由超过50，000帧组成，包括具有全分辨率深度信息的高清图像、语义分割（图像）、逐点分割（点云）以及所有车辆和人员的详细注释。使用我们的框架收集额外的数据是完全自动的，不需要任何形式的人工注释。我们通过在KITTI 3D目标检测基准测试挑战中显示出高达5%的平均精度提高来证明我们数据集的有效性，当最先进的3D目标检测网络使用我们的数据进行预训练时。数据和代码可在https://tinyurl.com/y3tb9sxy上获得
2019-05-07 cs.CV 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
ViLiVO: Virtual LiDAR-Visual Odometry for an Autonomous Vehicle with a Multi-Camera System
Shanghai Jiao Tong University（上海交通大学）；SAIC Motor（上海汽车集团股份有限公司）
在本文中，我们提出了一个多摄像机视觉里程计（VO）系统的自主车辆。我们的系统主要由一个虚拟激光雷达和一个姿态跟踪器。我们使用透视变换的方法来合成一个环绕视图的图像从无失真的鱼眼相机图像。利用语义分割模型，可以提取出自由空间。虚拟激光雷达的扫描是通过离散化自由空间的轮廓来生成的。在姿态跟踪方面，提出了一种融合特征匹配和虚拟激光雷达扫描匹配结果的视觉里程计系统。只有那些位于自由空间区域中的特征点被用来确保用于位姿估计的2D-2D匹配。此外，进行光束法平差（BA），以最小化特征点重投影误差和扫描匹配误差。我们将我们的系统应用于配备四个鱼眼摄像头的自动驾驶汽车。测试场景包括室外停车场和室内车库。实验结果表明，我们的系统实现了更强大的和准确的性能相比，基于鱼眼相机的单目视觉里程计系统。
2019-09-30 cs.CV cs.RO
Joint Optimization-based Targetless Extrinsic Calibration for Multiple LiDARs and GNSS-Aided INS of Ground Vehicles
Institute of Systems Engineering and Collaborative Laboratory for Intelligent Science and Systems, Macau University of Science and Technology（系统工程研究院和智能科学与系统联合实验室，澳门科学技术大学）；Institute for AI Industry Research (AIR), Tsinghua University（人工智能产业研究院（AIR），清华大学）
本文提出一种针对多LiDAR与GNSS辅助INS的无目标外参标定方法，利用GINS安装高度约束平面运动下的不可观测参数，并通过联合优化框架结合几何与运动一致性优化外参和轨迹，适用于异构LiDAR配置。
2025-07-11 cs.RO
Assessing the Robustness of LiDAR, Radar and Depth Cameras Against Ill-Reflecting Surfaces in Autonomous Vehicles: An Experimental Study
ETH Zurich（苏黎世联邦理工学院）
本文通过实验评估弱反射表面对LiDAR、雷达和深度相机三种测距传感器的影响，发现LiDAR性能降至标称条件的33%，而雷达和深度相机保持100%，并在1:10自动驾驶赛车上验证了弱反射对下游任务的不利影响，强调鲁棒距离感知的必要性。
2023-09-19 cs.RO
Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
为了确保自动驾驶汽车在公共道路上安全行驶，其目标检测模块不仅要正确工作，还要显示其预测的可信度。以前由深度学习驱动的对象检测器没有明确地对神经网络中的不确定性进行建模。我们通过提出实用的方法来捕获激光雷达点云的3D车辆检测器中的不确定性来解决这个问题。建议的概率检测器代表可靠的认知不确定性和任意的不确定性分类和定位任务。实验结果表明，认知不确定性与检测精度有关，而任意不确定性受车辆距离和遮挡的影响。实验结果还表明，通过对任意不确定度进行建模，可以使检测性能提高1%~ 5%。
2018-09-07 cs.CV cs.RO
Vehicle Detection from 3D Lidar Using Fully Convolutional Network
Baidu Research – Institute for Deep Learning（百度研究院深度学习研究所）
卷积网络技术最近在基于视觉的检测任务中取得了巨大的成功。本文介绍了我们在将全卷积网络技术移植到三维距离扫描数据检测任务中的研究进展。具体而言，场景被设置为来自Velodyne 64E激光雷达的距离数据的车辆检测任务。我们建议在2D点地图中呈现数据，并使用单个2D端到端全卷积网络来同时预测对象置信度和边界框。通过仔细设计限界框编码，即使使用2D卷积网络，也能够预测完整的3D边界框。在KITTI数据集上的实验表明了该方法的最佳性能。
2016-08-29 cs.CV cs.RO
SalsaNet: Fast Road and Vehicle Segmentation in LiDAR Point Clouds for Autonomous Driving
Halmstad University（哈尔姆斯塔德大学）；Volvo Technology AB（沃尔沃技术公司）
在本文中，我们介绍了一种深度编码器-解码器网络，名为SalsaNet，用于3D LiDAR点云的有效语义分割。SalsaNet通过采用点云的鸟瞰图（BEV）图像投影来分割道路（即可驾驶的自由空间）和场景中的车辆。为了克服缺乏注释的点云数据，特别是对于路段，我们引入了自动标记过程，该过程将自动生成的标签从相机传输到LiDAR。我们还通过比较BEV与球形前视图投影来探索LiDAR数据的类图像投影在语义分割中的作用，并表明SalsaNet是投影不可知的。我们对KITTI数据集进行了定量和定性评估，结果表明，所提出的SalsaNet在准确性和计算时间方面优于其他最先进的语义分割网络。我们的代码和数据可在https://gitlab.com/aksoyeren/salsanet.git上公开获取。
2019-09-18 cs.CV cs.RO
Lidar based 3D Tracking and State Estimation of Dynamic Objects
Carnegie Mellon University（卡内基梅隆大学）
提出基于激光雷达的动态物体3D跟踪与状态估计方法，专注于估计非本车状态并处理动态场景，以支持运动规划与决策。
2023-04-03 cs.CV cs.RO
Versatile LiDAR-Inertial Odometry With SE (2) Constraints for Ground Vehicles
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；School of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；KINDI Center for Computing Research, College of Engineering, Qatar University（卡塔尔大学工程学院金迪计算研究中心）
本文提出一种紧耦合 LiDAR-惯性 SLAM 框架，将地面车辆位姿参数化于 SE(2)，并把越界运动扰动纳入噪声模型，融合传感器与运动先验以提升室内外定位精度和鲁棒性。
2023-12-23 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
A Comparison of LiDAR-based SLAM Systems for Control of Unmanned Aerial Vehicles
University of Zagreb（萨格勒布大学）
本文研究了使用激光雷达SLAM作为自主飞行的姿态反馈。制图师，LOAM和HDL图SLAM首先在概念层面上介绍，后来测试了这个角色。它们首先在一系列数据集上进行离线比较，以查看它们是否能够在敏捷和远程飞行场景中产生高质量的姿态估计。第二阶段的测试包括将SLAM算法集成到级联PID无人机控制系统中，并比较控制系统在阶跃激励信号和螺旋轨迹上的性能。比较是基于阶跃响应特性和几个时间积分性能指标，以及规划和执行轨迹之间的RMS误差。
2021-09-11 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
Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization
South China Normal University（华南师范大学）；Charles III University of Madrid（马德里卡洛斯三世大学）
针对高速和累积漂移导致定位失效的问题，提出一种结合全局信息与LIDAR里程计的多传感器定位框架，利用离线点云先验和新配准方法提升收敛速度，实现了高精度鲁棒的陆地车辆定位。
2025-03-29 cs.AI cs.RO
LiDAR Point Cloud-based Multiple Vehicle Tracking with Probabilistic Measurement-Region Association
Beihang University（北京航空航天大学）；Vitalent Consulting（维塔伦特咨询公司）；Linköping University（林雪平大学）；James Cook University（詹姆斯库克大学）
针对车载LiDAR点云的多车辆扩展目标跟踪问题，提出概率量测-区域关联PMRA模型，结合PMBM滤波器提升位置与范围估计精度。
2024-05-18 cs.RO eess.SP
Extrinsic Calibration and Verification of Multiple Non-overlapping Field of View Lidar Sensors
Scania CV AB（斯堪尼亚商用车公司）
提出一种无需外部辅助的大型移动平台多激光雷达外参标定框架，利用对偶四元数插值与手眼标定恢复非重叠视场外参，并通过相机投影语义特征验证，实验证明优于CAD参数且可扩展。
2022-05-14 cs.RO
RailLoMer: Rail Vehicle Localization and Mapping with LiDAR-IMU-Odometer-GNSS Data Fusion
GNSS Research Center, Wuhan University（武汉大学卫星导航定位技术研究中心）
我们在本文中介绍了RailLoMer，以实现轨道车辆的实时准确和强大的里程计和映射。RailLoMer接收来自两个LiDAR、一个IMU、训练里程表和一个全球导航卫星系统（GNSS）接收器的测量结果。作为前端，来自IMU/里程计预积分的估计运动对去噪点云进行去偏斜，并产生用于帧到帧LiDAR里程计的初始猜测。作为后端，基于滑动窗口的因子图制定联合优化多模态信息。此外，我们利用提取的轨道和结构外观描述符的平面约束，以进一步提高系统对重复结构的鲁棒性。为了确保一个全球一致的和不那么模糊的映射结果，我们开发了一个两阶段的映射方法，首先执行扫描到地图在本地规模，然后利用GNSS信息注册的子地图。该方法在许多尺度和场景下长时间收集的数据集上进行了广泛的评估，并表明RailLoMer即使在大型或退化的环境中也能提供分米级的定位精度。我们还将RailLoMer集成到交互式训练状态和铁路监控系统原型设计中，该原型设计已经部署到实验性货运铁路中。
2021-11-30 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
Low-cost Retina-like Robotic Lidars Based on Incommensurable Scanning
Livox Technology Ltd.（Livox科技有限公司）
高性能激光雷达在自动驾驶汽车、自动地面车辆和智能机器等自动机器人中至关重要。传统的机械扫描激光雷达在自动驾驶汽车中具有优越的性能，但潜在的大规模应用受到固有制造难度的限制。我们提出了一种基于不可重复扫描的机器人激光雷达传感器，可以直接大规模生产和采用自主机器人。一些独特的功能是额外允许这种不可分割的扫描。与人类视网膜中的中央凹类似，该激光雷达具有峰值中心角密度，可以用于更喜欢眼睛注意力的应用。这种激光雷达的不可分割的扫描方法还可以提供比传统激光雷达高得多的分辨率，这在传感器校准等机器人应用中是有益的。利用这些有利的特点的例子进行了演示。
2020-06-19 cs.RO
Automatic Extrinsic Calibration for Lidar-Stereo Vehicle Sensor Setups
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
由3D距离扫描仪激光器和立体视觉系统组合而成的传感器设置正成为车载感知系统的流行选择;然而，两种信息源的组合使用意味着繁琐的校准过程。我们提出了一种无需用户干预的激光雷达立体相机对的外部校准方法。我们的校准方法旨在应对汽车设置中常见的限制，例如低分辨率和特定的传感器姿势。为了证明我们的方法的性能，我们还介绍了一种新的方法的定量评估的校准结果，基于模拟环境。使用真实的设备进行了测试，以及，证明了系统的可用性和改进现有的方法。代码可在http://wiki.ros.org/velo2cam_calibration上获得
2017-07-27 cs.CV cs.RO
ROLO-SLAM: Rotation-Optimized LiDAR-Only SLAM in Uneven Terrain with Ground Vehicle
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；Southern University of Science and Technology（南方科技大学）
提出ROLO-SLAM，通过前向位置预测、体素内球面旋转配准、运动约束平移估计、子图对齐与全局因子图，提升地面车辆在非平坦地形中的纯LiDAR定位建图精度。
2025-01-04 cs.CV 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
FlowCalib: LiDAR-to-Vehicle Miscalibration Detection using Scene Flows
TUM School of Engineering and Design, Chair of Automotive Technology, Technical University of Munich（慕尼黑技术大学工程与设计学院，汽车技术教授职位）；TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院）
FlowCalib通过分析场景流中的运动线索，首次提出利用神经网络和几何描述符检测激光雷达到车辆的误校准问题。
2026-01-30 cs.CV cs.RO
A LiDAR-Inertial SLAM Tightly-Coupled with Dropout-Tolerant GNSS Fusion for Autonomous Mine Service Vehicles
GNSS Research Center, Wuhan University（武汉大学GNSS研究中心）；CHC NAVIGATION（华测导航）；Beijing Lishedachuan Co., Ltd（北京立世达川科技有限公司）
针对矿山场景卫星信号失锁、观测退化等导航难题，提出一种结合卡尔曼滤波与图优化的紧耦合多模态激光雷达-惯性SLAM系统，通过多激光雷达协同、面元配准与回环重初始化，在GNSS长期失锁下仍能保持米级导航精度。
2023-08-22 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
Ground Edge based LIDAR Localization without a Reflectivity Calibration for Autonomous Driving
Ford Motor Company（福特汽车公司）
在这项工作中，我们提出了一个替代配方的问题，地面反射率网格的定位，涉及激光扫描数据从多个激光雷达安装在自动驾驶汽车。我们的定位公式的驱动思想是一个替代的边缘反射率网格表示，这是不变的激光源，入射角，范围和机器人测量运动。这种性质消除了对工厂后反射率校准的需要，其时间要求在大规模生产的机器人/车辆中是不可行的。我们的实验表明，我们可以实现更好的性能比最先进的地面反射率推断地图为基础的定位在没有额外的计算负担。
2017-10-05 cs.RO
V2X-Lead: LiDAR-based End-to-End Autonomous Driving with Vehicle-to-Everything Communication Integration
Huazhong University of Science and Technology（华中科技大学）；Dalian University of Technology（大连理工大学）
本文提出V2X-Lead，融合车载LiDAR与V2X通信数据，利用无模型离策略DRL、奖励设计和多任务学习提升端到端自动驾驶在无信号交叉口及未见场景中的安全性、效率与泛化性。
2023-09-26 cs.LG cs.RO
Regions of Interest Segmentation from LiDAR Point Cloud for Multirotor Aerial Vehicles
Innopolis University（Innopolis大学）
提出了一种新的滤波器，用于从多旋翼飞行器的LiDAR 3D点云中分割感兴趣区域。它专门针对实时应用，可在稀疏LiDAR点云上工作，无需初步映射。我们使用这种过滤器作为一个关键组成部分的快速避障系统的农业无人机在低空操作。作为第一步，每个点云被转换成深度图像，然后通过定位具有高像素密度的区域来识别车辆附近的地方（局部最大值）。之后，我们将原始深度图像与获得局部最大值的像素的强度最大化后识别的位置合并。下一步是基于改进的深度图像计算表示两个连续激光束之间的角度的距离角图像。一旦构造了相应的距离角图像，就应用平滑来减少噪声。最后，我们找到了改进的深度图像内的连接组件，同时结合平滑的距离角图像。这允许分离感兴趣区域。该滤波器已在各种模拟环境以及实际无人机上进行了测试，并提供实时性能。我们在https://github.com/GPrathap/hagen.git上提供我们的源代码和数据集，并且可以在以下链接上找到真实世界的实验结果：https://www.youtube.com/watch? v=iHd_ZkhKPjc在线提供。
2020-05-04 cs.CV cs.RO
CaLiV: LiDAR-to-Vehicle Calibration of Arbitrary Sensor Setups
Technical University of Munich（慕尼黑技术大学）
CaLiV提出了一种基于目标的校准技术，用于多LiDAR系统的传感器到传感器和传感器到车辆的校准，适用于非重叠视野范围，无需外部设备，实现了高精度的平移和旋转误差校正。
2026-01-30 cs.CV cs.RO
Implementation of Tightly-Coupled SLAM Fusion of GPS, IMU, and LiDAR for Autonomous Vehicles
C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems（C-DRiVeS实验室：车辆系统认知驾驶研究实验室）；German University in Cairo（开罗德国大学）
本文实现了一种紧耦合SLAM融合架构，集成GPS、IMU和LiDAR，利用IESKF和GTSAM后端消除传感器盲区与漂移，生成高清地图以支持自动驾驶规划。
2026-09-18 cs.RO
Efficient Extrinsic Calibration of Multi-Sensor 3D LiDAR Systems for Autonomous Vehicles using Static Objects Information
IBEO Automotive Systems GmbH（IBEO汽车系统有限公司）
对于自动驾驶汽车来说，通过融合不同的传感器数据流来感知周围环境并构建环境的整体表示的能力是至关重要的。为此，需要准确地确定所有传感器的姿态。传统的校准方法基于：1）在受控环境中使用专门为校准目的而设计的目标，2）优化在穿越未知但静态环境时收集的点云的质量度量，或3）优化沿着满足特殊要求的运动路径的每个传感器增量运动观测之间的匹配。然而，在实际场景中，这些方法的在线适用性可能受到限制，因为它们通常是高度动态的，包含退化路径，并且需要快速计算。在本文中，我们提出了一种方法，解决了这些挑战，制定了一个联合的校准问题，但结构化的优化问题的所有传感器校准，作为输入的点云信息组成的地面点和极点检测的摘要。我们证明了所提出的方法的效率和质量的结果，在一组实验与激光雷达模拟和城市旅行的真实数据。
2022-11-04 cs.RO
