LiDAR-based SLAM for robotic mapping: state of the art and new frontiers
College of Engineering and Design, Hunan Normal University（湖南师范大学工程与设计学院）；Tsinghua Automotive Research Institute（清华大学汽车工程研究院）
本文系统综述了基于LiDAR的SLAM技术最新进展，重点梳理不同LiDAR类型与配置的应用，并提供代表性算法比较，进而展望该领域的新前沿与待解挑战。
2023-11-01 cs.RO
Ground-SLAM: Ground Constrained LiDAR SLAM for Structured Multi-Floor Environments
提出了一种三维LiDAR SLAM算法Ground-SLAM，该算法利用结构化多层环境中的地面来压缩主要由LiDAR测量偏差引起的姿态漂移。Ground-SLAM是基于著名的姿态图优化框架开发的。在前端，使用LiDAR测距法（LO）进行运动估计，并引入了一种新的以传感器为中心的滑动映射，该滑动映射通过基于误差传播模型过滤过期特征来保持。在每个关键帧处，滑动地图被记录为局部地图。附近的地面提取和建模为一个无限的平面地标的最近点（CP）参数化的形式。然后，在不同的关键帧观察到的地面相关联，地面约束融合到姿态图优化框架，以压缩姿态漂移的LO。最后，进行环路闭合检测，并联合最小化残差，这可能导致全局一致的地图。实验结果表明，所提出的方法的准确性优越的性能。
2021-03-05 cs.RO
Wildcat: Online Continuous-Time 3D Lidar-Inertial SLAM
DATA61, CSIRO（联邦科学与工业研究组织数据61所）
我们提出了野猫，一种新的在线三维激光雷达惯性SLAM系统具有特殊的通用性和鲁棒性。在其核心，野猫结合了一个强大的实时激光雷达惯性里程计模块，利用连续时间轨迹表示，与一个高效的姿态图优化模块，无缝支持单智能体和多智能体设置。野猫的鲁棒性最近在DARPA地下挑战赛中得到了证明，在各种类型的感知退化和感知挑战环境中，它的表现优于其他SLAM系统。在本文中，我们在各种新的和公开的真实世界数据集中广泛评估了野猫，并展示了其优于现有的两个最先进的激光雷达惯性SLAM系统的鲁棒性和多功能性。
2022-05-25 cs.RO
A Benchmark for Multi-Modal Lidar SLAM with Ground Truth in GNSS-Denied Environments
University of Turku（图尔库大学）
基于激光雷达的同时定位与地图构建（SLAM）方法在自主机器人系统中获得了相当大的成功。这在一定程度上是由于强大的SLAM算法的高精度以及新的低成本激光雷达产品的出现。这项研究对当前最先进的激光雷达SLAM算法进行了基准测试，其中多模态激光雷达传感器设置展示了不同的扫描模式（旋转和固态）和传感技术，以及安装在移动传感和计算平台上的激光雷达相机。我们扩展了我们以前的多模态多激光雷达数据集与额外的序列和新的来源的真值数据。具体而言，我们提出了一种新的多模态多激光雷达SLAM辅助和ICP为基础的传感器融合方法生成真值地图。有了这些地图，我们然后使用自然分布变换（NDT）方法匹配实时点云数据，以获得具有全6自由度位姿估计的真值。这种新颖的真值数据利用了高分辨率旋转和固态激光雷达。我们还包括新的开放道路序列与GNSS-RTK数据和额外的室内序列与运动捕捉（MOCAP）真值，补充以前的森林序列与MOCAP数据。我们进行了十个不同的SLAM算法和激光雷达组合实现的定位精度的分析。我们还报告了四种不同计算平台和总共五种设置（Intel和Jetson ARM CPU）的资源利用率。我们的实验结果表明，目前最先进的激光雷达SLAM算法执行不同类型的传感器非常不同。更多结果、代码和数据集可以在以下位置找到：\href{https://github.com/TIERS/tiers-lidars-datase…
2022-10-03 cs.RO
RGB-L: Enhancing Indirect Visual SLAM using LiDAR-based Dense Depth Maps
Technical University of Munich（慕尼黑工业大学）
在本文中，我们提出了一种新的方法，将三维激光雷达深度测量到现有的ORB-SLAM 3的RGB-D模式的基础上。我们提出并比较了两种深度图生成方法：传统的计算机视觉方法，即逆膨胀操作，以及基于监督的深度学习方法。我们通过添加一个所谓的RGB-L（LiDAR）模式直接将前者集成到ORB-SLAM 3框架中，该模式直接读取LiDAR点云。所提出的方法进行评估的KITTI Odometry数据集，并相互比较和标准的ORB-SLAM 3立体方法。我们证明，根据环境的不同，可以实现轨迹精度和鲁棒性的优势。此外，我们证明了ORB-SLAM 3算法的运行时间可以减少40%以上的立体声模式相比。ORB-SLAM 3 RGB-L模式的相关代码将在https://github.com/TUMFTM/ORB SLAM 3 RGBL下作为开源软件提供。
2022-12-06 cs.RO
6-DOF Feature based LIDAR SLAM using ORB Features from Rasterized Images of 3D LIDAR Point Cloud
Shanghai Jiaotong University（上海交通大学）
精确且计算高效的SLAM算法对于现代自动驾驶车辆至关重要。为了使算法轻量化，大多数SLAM系统依赖于视觉SLAM的图像特征检测或基于激光的方法的点云。通过3D点云进行特征检测成为一项具有挑战性的计算任务。在本文中，我们提出了一种特征检测方法，通过投影三维点云形成一个图像，并应用基于视觉的特征检测技术。所提出的方法在各种环境中提供了可重复和稳定的功能。基于这些功能，我们建立了一个6自由度SLAM系统，包括跟踪，映射，和循环闭合线程。对于循环检测，我们采用了两步的方法，即最近的关键帧检测和循环候选人验证匹配特征提取光栅化的激光雷达图像。此外，我们利用关键帧结构来实现一个轻量级的SLAM系统。该系统的KITTI数据集和密歇根大学福特校园数据集的实施进行评估。实验结果表明，本文提出的算法在获得准确结果的同时，能够大幅降低点云特征检测的计算量，从而降低整个SLAM系统的计算量。
2021-03-19 cs.RO
CURL-SLAM: Continuous and Compact LiDAR Mapping
Department of Electrical and Electronic Engineering, Imperial College London（帝国理工学院伦敦分校电子与电气工程系）；School of Engineering and Physical Sciences, Heriot-Watt University（赫瑞瓦德大学工程与物理科学学院）
本文提出CURL-SLAM，利用CURL的球谐隐式编码生成可变密度连续重建的紧凑3D地图，通过定制优化问题与局部BA实现位姿优化和地图校正，达到最先进的建图质量与10 Hz的CPU实时性能。
2025-06-26 cs.RO
Benchmark of visual and 3D lidar SLAM systems in simulation environment for vineyards
Lincoln Center for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）
在这项工作中，我们提出了一个比较分析的轨迹估计从各种同时定位与地图构建（SLAM）系统在模拟环境中的葡萄园。葡萄园环境对于SLAM方法是具有挑战性的，这是由于视觉外观随时间变化、不平坦的地形和重复的视觉模式。因此，我们专门为葡萄园创建了一个模拟环境，以帮助在如此具有挑战性的环境中研究SLAM系统。我们评估了以下SLAM系统：LIO-SAM，StaticMapping，ORB-SLAM 2和RTAB-MAP在四种不同的场景。本研究中使用的移动机器人配备了2D和3D激光雷达，IMU和RGB-D相机（Kinect v2）。结果表明，RTAB-MAP在这样的环境中表现良好，令人鼓舞的性能。
2021-07-12 cs.RO
GP-SLAM+: real-time 3D lidar SLAM based on improved regionalized Gaussian process map reconstruction
Zhejiang University（浙江大学）；Zhejiang University of Science & Technology（浙江科技学院）
本文提出了一种基于改进的区域化高斯过程（GP）地图重建的三维激光雷达SLAM系统，为机器人应用提供低漂移的状态估计和实时的【形】地图绘制。我们利用空间GP回归对环境进行建模。该工具使我们能够恢复表面，包括稀疏扫描区域中的表面，并获得具有不确定性的均匀样本。这些属性有利于强大的数据关联和地图更新，在我们的扫描到地图注册计划，特别是当工作与稀疏的范围数据。与以往的GP-SLAM算法相比，该算法克服了GP算法过于复杂的计算复杂性，并重新设计了配准策略，以满足3D场景的精度要求。对于大规模的任务，一个双线程的框架，以进一步抑制漂移。空中和地面实验表明，我们的方法允许强大的里程计和精确的映射在实时的【形】。在我们的测试中，它的性能也优于最先进的激光雷达SLAM系统。
2020-08-03 cs.RO
MirrorDrift: Actuated Mirror-Based Attacks on LiDAR SLAM
MirrorDrift利用可动平面镜产生鬼点，通过镜面反射攻击LiDAR SLAM，导致定位误差显著增加。
2026-03-11 cs.RO
An Integrated LiDAR-SLAM System for Complex Environment with Noisy Point Clouds
当前的LiDAR SLAM（同时定位与地图构建）系统在面对复杂环境时存在精度低和鲁棒性有限的问题。从我们的实验中，我们发现，目前的激光雷达SLAM系统具有有限的性能时，在所获得的点云的噪声水平是大的。因此，在这项工作中，我们提出了一个通用框架，以解决在复杂环境中由反射材料引起的许多噪声和离群值的LiDAR SLAM的去噪和环路闭合问题。现有的点云去噪方法主要是针对小规模点云设计的，不能推广到大规模点云场景。在这项工作中，我们首先提出了一个轻量级的网络大规模点云去噪。随后，我们还设计了一个高效的闭环网络用于全局优化的位置识别，以提高整个系统的定位精度。最后，我们通过大量的实验和基准研究证明，当面对噪声点云时，我们的方法可以显着提高LiDAR SLAM系统的定位精度，同时计算成本略有增加。
2022-12-12 cs.RO
When Geometry is not Enough: Using Reflector Markers in Lidar SLAM
Robert Bosch Corporate Research（罗伯特·博世公司研究部）；Bosch Rexroth AG（博世力士乐股份公司）
基于激光雷达的SLAM系统通过依赖于环境的几何形状而在广泛范围的情况下表现良好。然而，当环境包含无结构区域（如长走廊）时，即使是成熟可靠的方法也会遇到困难。为了允许在这样的环境中使用基于激光雷达的SLAM，我们建议在特定位置添加反射器标记，否则这将是困难的。我们提出了一种算法来可靠地检测这些标记和两种方法来融合检测到的标记与基于几何的扫描匹配。所提出的方法的性能表现在现实世界的数据集，从几个工业环境。
2022-11-07 cs.RO
Chain-SLAM: Globally Consistent Backend for Multi-Session LiDAR SLAM via Chained Loop Closure
New York University（纽约大学）
Chain-SLAM提出链式回环机制，通过邻接图传播几何约束，实现大规模多会话LiDAR SLAM的全局一致后端，提升轨迹精度与鲁棒性。
2026-09-14 cs.RO
UWB/LiDAR Fusion For Cooperative Range-Only SLAM
Nanyang Technological University（南洋理工大学）
我们配备了一个超宽带（UWB）节点和一个二维激光雷达传感器a.k.a.移动机器人上的2D激光测距仪，并将UWB信标节点放置在未知环境中的未知位置。所有UWB节点可以互相测距，从而形成一个合作的传感器网络。我们建议将UWB节点和激光扫描信息之间测量的点对点范围（即机器人与附近物体/障碍物之间测量的范围）融合，用于机器人，所有UWB信标和LiDAR映射的同时定位。该融合受到两个事实的启发：1）LiDAR可以提高仅UWB定位精度，因为它给出了周围环境的更精确和全面的图片; 2）另一方面，UWB测距测量可以消除基于LiDAR的SLAM算法中积累的误差。我们的实验表明，UWB/LiDAR融合，使无漂移SLAM实时测距测量的基础上。
2018-11-07 cs.RO
KISS-SLAM: A Simple, Robust, and Accurate 3D LiDAR SLAM System With Enhanced Generalization Capabilities
University of Bonn（波恩大学）
本文提出KISS-SLAM，一个遵循KISS原则的仅用LiDAR SLAM系统，通过LiDAR里程计、局部地图匹配与位姿图优化实现高精度、强泛化和实时运行。
2025-03-16 cs.RO
VIRAL SLAM: Tightly Coupled Camera-IMU-UWB-Lidar SLAM
Nanyang Technological University（南洋理工大学）
在本文中，我们提出了一个紧密耦合，多模态同时定位与地图构建（SLAM）框架，集成了广泛的传感器：IMU，相机，多个激光雷达，超宽带（UWB）距离测量，因此被称为VIRAL（视觉惯性测距激光雷达）SLAM。为了实现这样一个全面的传感器融合系统，一个必须解决的几个挑战，如数据同步，多线程编程，光束法平差（BA），和UWB和机载传感器之间的冲突的坐标系，以确保实时定位和平滑更新的状态估计。为此，我们提出了一个两阶段的方法。在第一阶段，激光雷达，相机和惯性测量单元数据的本地滑动窗口中处理的核心里程线程。从该局部图，评估新的关键帧以允许进入全局图。还执行基于视觉特征的循环闭合，以补充具有循环约束的全局因子图。当全局因子图满足空间分集的条件时，BA过程将被触发以更新UWB和机载SLAM系统之间的坐标变换。然后，系统无缝地过渡到第二阶段，其中所有传感器都紧密地集成在里程线程中。我们的系统的能力是通过高保真图形物理模拟和公共数据集上的几个实验证明。
2021-10-05 cs.RO
Online Robust Sliding-Windowed LiDAR SLAM in Natural Environments
尽管人们对自主环境监测的兴趣越来越大，但在原生栖息地实现有效的SLAM在很大程度上仍未解决。在本文中，我们填补了这一空白，提出了一种新的在线基于图形的SLAM系统的二维激光雷达传感器在自然环境中。通过采用稳健的加权方案、滑动窗口优化、快速扫描匹配器和并行计算等技术，该系统不仅在复杂环境中具有稳定的性能，而且满足实时性要求。仿真和实验结果验证了该系统总体设计的可行性和有效性。
2021-05-31 cs.RO
Evaluation of Lidar-based 3D SLAM algorithms in SubT environment
Luleå University of Technology（吕勒奥理工大学）
在缺乏自然或不良照明的恶劣和GPS拒绝地下（SubT）环境中的机器人自主导航是一项具有挑战性的任务，促进了姿势估计和映射算法的发展。受现实生活中的自主机器人在这样的环境中部署的需要，本文提出了一个实验比较研究的3D SLAM算法。这项研究的重点是最先进的激光雷达SLAM算法与开源实现，i）激光雷达只有像BLAM，LOAM，A-LOAM，ISC-LOAM和hdl图形满贯，或ii）激光雷达惯性像乐高LOAM，制图师，LIO映射和LIO-SAM。这些方法的评估是基于从配备3D激光雷达Velodyne Puck Lite和IMU Vectornav VN-100的Boston Dynamics Spot机器人在地下隧道中执行任务期间收集的数据集进行的。在评估过程中，将SLAM算法的姿态和3D隧道重建进行比较，以找到在姿态精度和地图质量方面具有最可靠性能的方法。
2023-03-13 cs.RO
DCL-SLAM: A Distributed Collaborative LiDAR SLAM Framework for a Robotic Swarm
Sun Yat-Sen University（中山大学）；Hong Kong University of Science and Technology（香港科技大学）
提出DCL-SLAM，一个完全分布式的协作激光雷达SLAM框架，通过轻量级描述符和分布式优化实现机器人集群在未知环境中的协同定位，具有高精度和低通信带宽。
2023-04-13 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
SD-SLAM: A Semantic SLAM Approach for Dynamic Scenes Based on LiDAR Point Clouds
Chongqing University（重庆大学）；Chongqing Changan Automobile Co., Ltd.（重庆长安汽车股份有限公司）
本文提出基于 LiDAR 点云的语义 SLAM 框架 SD-SLAM，通过语义与 Kalman 滤波区分动态及半静态地标，并在 KITTI 上验证其可提升动态场景定位建图效果。
2024-02-28 cs.RO
Mapping While Following: 2D LiDAR SLAM in Indoor Dynamic Environments with a Person Tracker
Guangdong University of Technology（广东工业大学）；Southern University of Science and Technology（南方科技大学）
二维LiDAR SLAM（同时定位与地图构建）由于其稳定性和灵活性而被广泛应用于室内环境。然而，其映射过程通常在静态环境中由操纵杆操作，而室内环境通常是动态的，具有移动的对象，例如人。由于动态物体的存在，生成的地图中含有噪声点，通常是不完整和失真的。为了解决这个问题，我们提出了一个基于2D-LiDAR的SLAM框架，无需手动控制，有效地排除了动态对象（人），并简化了机器人映射环境的过程。该框架包括三个部分：人员跟踪、过滤和跟踪。我们在实验中验证了我们提出的框架与两个经典的基于2D-LiDAR的SLAM算法在室内环境中。结果表明，该框架在处理动态对象和减少映射错误方面是有效的。
2022-04-18 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
Impact of 3D LiDAR Resolution in Graph-based SLAM Approaches: A Comparative Study
University of Coimbra（科英布拉大学）；Data Science Institute, Universität Greifswald（格赖夫斯瓦尔德大学数据科学研究所）；Institute of Computer Science, Freie Universität Berlin（柏林自由大学计算机科学研究所）
本文比较了城市场景中SC-LeGO-LOAM、SC-LIO-SAM、Cartographer和HDL-Graph等3D LiDAR图SLAM方法，并利用KITTI和AUTONOMOS-LABS数据集评估64与128通道LiDAR分辨率对鲁棒性的影响。
2024-10-22 cs.RO
A LiDAR-Inertial-Visual SLAM System with Loop Detection
据我们所知，我们已经提出了第一个激光雷达-惯性-视觉融合同时定位与地图构建（SLAM）系统，具有很强的位置识别能力。我们提出的SLAM系统由视觉惯性测距（VIO）和激光雷达惯性测距（LIO）子系统组成。我们提出了LIO子系统，利用激光雷达和惯性传感器的测量来构建本地里程图，并提出了VIO子系统，它采用视觉信息来构建2D-3D关联地图。然后，我们提出了一个迭代的卡尔曼滤波器为基础的优化功能，以优化投影图像像素和本地3D点之间的基于局部投影的2D到3D的摄影测量误差，使鲁棒的2D-3D对齐。最后，我们还提出了后端姿态图全局优化和精心设计的闭环检测网络，以提高整个SLAM系统的精度。在复杂的现实环境中部署在UGV上的大量实验表明，我们提出的LiDAR视觉惯性定位系统在精度，效率和鲁棒性方面优于当前最先进的。
2023-01-13 cs.RO
PlaneSLAM: Plane-based LiDAR SLAM for Motion Planning in Structured 3D Environments
Stanford（斯坦福大学）
LiDAR传感器是在未知环境中进行机器人同时定位与地图构建（SLAM）的强大工具，但它们产生的原始点云密集，存储计算成本高，不适合下游自主任务（如运动规划）直接使用。为了与运动规划集成，期望SLAM管线产生轻量几何地图表示。这种表示也特别适合人造环境，通常可以被视为建立在笛卡尔网格上的所谓“曼哈顿世界”。在这项工作中，我们提出了一个三维激光雷达SLAM算法的曼哈顿世界环境中提取平面特征点云，实现轻量级，实时定位和映射。我们的方法产生基于平面的地图，占用显着较少的内存比他们的点云等价物，并适合于快速碰撞检查运动规划。通过利用曼哈顿世界假设，我们的目标是提取正交平面来生成比现有的基于平面的LiDAR SLAM方法更结构化和组织化的地图。我们在高保真AirSim模拟器和配备Velodyne LiDAR的地面漫游车的真实实验中展示了我们的方法。对于这两种情况，我们能够以与10 Hz的传感器速率相匹配的速率生成高质量的地图和轨迹估计。
2022-09-29 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
Dynamic Recalibration in LiDAR SLAM: Integrating AI and Geometric Methods with Real-Time Feedback Using INAF Fusion
Department of Earth and Space Science and Engineering, Lassonde School of Engineering, York University（地球与空间科学与工程系，拉索nde 工程学院，约克大学）
本文提出一种基于INAF融合模块的LiDAR SLAM动态重校准方法，结合AI与几何里程计，利用KITTI数据动态调整注意力权重，提升定位与三维建图精度，增强复杂场景下的自主导航能力。
2025-10-17 cs.RO
A real-time global re-localization framework for 3D LiDAR SLAM
同时定位与地图构建（SLAM）是近年来的研究热点。在更实惠的3D LiDAR传感器的背景下，3D LiDAR SLAM的研究变得越来越受欢迎。此外，点云地图的重定位问题是其他SLAM应用的基础。在本文中，提出了一个模板匹配框架，重新定位机器人在全球的三维激光雷达地图。这带来了两个主要挑战。首先，大多数点云的全局描述符只能用于小的局部区域下的位置检测。因此，为了在地图中全局重新定位，通过物理仿真引擎在离线阶段使用重建的网格模型密集地收集点云和描述符（模板），以扩展点云描述符的功能距离。第二，模板采集数量的增加使得匹配速度变慢，不能满足实时的【形】要求，为此提出了一种级联匹配方法，以提高匹配效率。在实验中，所提出的框架实现了0.2米的精度在约10 Hz的匹配速度使用纯Python实现与100k模板，这是有效的和高效的SLAM应用。
2021-09-01 cs.RO
A Sensor-Aware Phenomenological Framework for Lidar Degradation Simulation and SLAM Robustness Evaluation
Turku Intelligent Embedded and Robotic Systems (TIERS) Lab , University of Turku（图尔库智能嵌入与机器人系统实验室，图尔库大学）；School of Information Science and Technology, Fudan University（信息科学与技术学院，复旦大学）
本文提出一种面向传感器的现象学框架，用于模拟激光雷达退化并评估SLAM系统的鲁棒性，通过保留点云结构并应用多种退化方法，实现可控的仿真测试。
2025-12-09 cs.RO
Multi-robot LiDAR SLAM: a practical case study in underground tunnel environments
本文研究了多机器人SLAM在地下隧道环境中的应用，发现环检测是导致假阳性的主要原因，并提出新的启发式方法来解决这一问题。
2026-02-25 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
HP2-SLAM: Adaptive Hybrid ICP for Robust and Efficient LiDAR SLAM
University of Arkansas（阿肯色大学）；VinRobotics（维恩机器人公司）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出HP2-SLAM框架，通过邻域大小自适应混合ICP平衡点到平面与点到点残差，无需学习模块即可提升SLAM在各类环境的鲁棒性与效率，性能优于几何基准且保持实时性。
2026-08-18 cs.RO
Doppler-SLAM: Doppler-Aided Radar-Inertial and LiDAR-Inertial Simultaneous Localization and Mapping
Julius-Maximilians-Universität Würzburg（乌尔姆-马克斯-普朗克大学）；Zentrum für Telematik e.V.（电信研究中心）；Nuremberg Institute of Technology Georg Simon Ohm（纽伦堡技术学院 Georg Simon Ohm）；CARIAD SE（CARIAD SE公司）；University of Bonn（波恩大学）；Center for Robotics（机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（Lamarr机器学习与人工智能研究所）
Doppler-SLAM通过融合多普勒雷达、激光雷达和惯性传感器，提升在复杂环境下的定位与建图精度和鲁棒性。
2026-02-04 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
SKiD-SLAM: Robust, Lightweight, and Distributed Multi-Robot LiDAR SLAM in Resource-Constrained Field Environments
Dept. Electr. and Comput. Eng.（电子与计算机工程系）；Inha University（inha大学）；Laboratory for Information & Decision Systems (LIDS)（信息与决策系统实验室）；Massachusetts Institute of Technology（麻省理工学院）
针对野外环境下分布式激光雷达SLAM的资源受限与关联误差问题，提出轻量鲁棒的SKiD-SLAM多机器人建图框架，经多场景实验验证性能优于现有方法，具备野外应用潜力。
2025-07-30 cs.RO
LiDAR-Inertial 3D SLAM with Plane Constraint for Multi-story Building
Zhejiang University（浙江大学）
与室外环境相比，室内多层建筑最明显的特征是平面的普遍存在和结构的一致性。在本文中，我们提出了一个紧密耦合的激光雷达惯性三维SLAM框架与平面特征的多层建筑。我们提出的框架主要由三个部分组成：紧耦合激光雷达-惯性里程计，提取的代表性平面的结构，因子图优化。通过建立局部地图和惯性测量单元（IMU）的预积分，我们得到激光雷达扫描到局部地图的匹配和IMU测量，分别。最小化联合成本函数以获得LiDAR-惯性测距信息。一旦一个新的关键帧被添加到图中，这个关键帧的所有平面，可以代表结构特征提取，以找到不同的姿势和故事之间的约束。提出了一种基于关键帧的因子图，并利用LiDAR-惯性测距法进行关键帧位姿细化。实验结果表明，与现有的算法相比，该算法在准确率上有着突出的表现。
2022-02-17 cs.RO
Efficient WiFi LiDAR SLAM for Autonomous Robots in Large Environments
Singapore University of Technology and Design（新加坡科技设计大学）；Southwest University of Science and Technology（西南科技大学）
在室内和GPS拒绝环境中运行的自主机器人可以使用LiDAR进行SLAM。然而，LiDAR在几何退化的环境中表现不佳，这是由于环路闭合检测和执行扫描匹配的计算负载的挑战。现有的WiFi基础设施可以用于定位和映射，具有低硬件和计算成本。然而，使用WiFi的准确姿态估计是具有挑战性的，因为由于信号传播的不可预测性，可以在相同位置处测量不同的信号值。因此，我们引入WiFi指纹序列用于SLAM中的姿态估计（即，环路闭合）。这种方法利用了移动机器人移动时获得的位置指纹的空间相干性。这具有更好的校正里程漂移的能力。该方法还结合了LiDAR扫描，从而提高了大型和几何退化环境的计算效率，同时保持了LiDAR SLAM的准确性。我们在室内环境中进行了实验，以说明该方法的有效性。根据均方根误差（RMSE）对结果进行了评估，在测试环境中达到了0.88 m的精度。
2022-06-17 cs.RO
A Decentralized LiDAR-SLAM System with Certifiably Optimal Pose Graph Optimization
The Hong Kong Polytechnic University（香港理工大学）
针对多机器人去中心化LiDAR-SLAM全局一致性问题，提出首个集成可认证最优位姿图优化后端的系统，利用黎曼块坐标下降算法实现全局一致轨迹估计，无需精确初始猜测，轨迹RMSE相比DiSCo-SLAM最高降低48.9%。
2026-06-02 cs.RO
Weighted Conformal LiDAR-Mapping for Structured SLAM
University of León（莱昂大学）；Complutense University of Madrid（马德里康普顿斯大学）；TRESCA Ingeniería S.A.（TRESCA工程公司）
本文提出加权共形LiDAR建图（WCLM），通过共形Möbius变换提取多边形轮廓并传播不确定性，在低成本二维LiDAR数据上验证，显著提升了SLAM的计算效率。
2024-02-03 cs.RO
Improving Map Consistency in Graph-Based LiDAR SLAM Through Information-Aware Odometry and Retroactive Loop Closure
该研究针对3D激光雷达SLAM中地图一致性问题提出解决方案，通过估计信息矩阵加权里程计约束，引入分层及追溯回环闭合模块，实验证明能提升轨迹精度与地图一致性。
2026-07-16 cs.RO
Challenges of SLAM in extremely unstructured environments: the DLR Planetary Stereo, Solid-State LiDAR, Inertial Dataset
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Munich（慕尼黑工业大学）
我们提出了DLR行星立体，固态激光雷达，惯性（S3LI）数据集，记录在山。埃特纳，西西里岛，类似于月球和火星的环境，使用手持式传感器套件，其属性适合在类似太空的移动漫游车上实施。该环境的特征在于视觉和结构外观方面的挑战性条件：严重的视觉混叠对视觉SLAM系统执行位置识别的能力构成了重大限制，而缺乏突出的结构细节，加上所使用的固态LiDAR传感器的有限视场，挑战传统LiDAR SLAM单独使用点云进行姿态估计的任务。这些数据覆盖了在软火山斜坡上超过4公里的行程，我们的目标是：1）提供一种工具来揭示最先进的SLAM系统在环境方面的局限性，这些局限性在广泛可用的数据集中不存在，2）激励开发新的定位和映射方法，有效地依赖于两个传感器的互补能力。可通过以下URL访问数据集：https://rmc.dlr.de/s3li_dataset
2022-07-14 cs.RO
Direct LiDAR-Inertial Odometry and Mapping: Perceptive and Connective SLAM
University of California Los Angeles（加州大学洛杉矶分校）
针对现有激光雷达SLAM泛化性差、易失效的问题，本文提出兼具前后端创新的DLIOM算法，通过主动防护提升可靠性，在资源受限系统上实现实时运行，且在公开与自采数据集上性能优于现有最优方法。
2023-05-03 cs.RO
Cartographer_glass: 2D Graph SLAM Framework using LiDAR for Glass Environments
University of Maryland, College Park（马里兰大学帕克分校）；U.S. Department of Defense（美国国防部）
本文研究了基于优化的同时定位与地图构建（SLAM）算法中玻璃物体的检测和包含算法。当LiDAR数据是主要的外感受性感官输入时，玻璃物体无法正确配准。当入射光主要穿过玻璃物体或从光源反射时，会发生这种情况，从而导致玻璃表面的距离测量不准确。因此，定位和映射性能受到影响，从而使得在这样的环境中的导航不可靠。基于优化的SLAM解决方案，这也被称为图形SLAM，被广泛认为是最先进的。在本文中，我们利用一个简单的和计算成本低廉的玻璃检测方案检测玻璃物体，并提出的方法，将识别出的对象到占用网格保持这样的算法（谷歌制图）。我们开发本地（子地图级别）和全球算法实现上述目标，并比较我们的方法产生的地图与现有的算法，利用基于粒子滤波器的SLAM。
2022-12-16 cs.RO
LiDAR SLAMMOT based on Confidence-guided Data Association
Shanghai Jiao Tong University (SJTU)（上海交通大学）；École d’Ingénieurs SJTU-ParisTech (SPEIT)（上海交通大学巴黎高科工程师学院）
针对动态场景下漏检导致SLAMMOT跟踪关联失效的问题，提出Conf SLAMMOT，通过置信度引导的因子图数据关联紧耦合LiDAR SLAM与多目标跟踪，显著提升漏检场景性能。
2024-12-02 cs.RO
LiV-GS: LiDAR-Vision Integration for 3D Gaussian Splatting SLAM in Outdoor Environments
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
LiV-GS提出一种室外激光雷达-视觉SLAM系统，首次直接对齐稀疏激光雷达数据与可微分三维高斯地图，并通过条件高斯约束实现视场外更新，以7.98 FPS实现高精度建图与新视角合成。
2024-11-19 cs.RO
ART-SLAM: Accurate Real-Time 6DoF LiDAR SLAM
Politecnico di Milano（米兰理工大学）
地面车辆的实时的【形】六自由度姿态估计代表了机器人技术中的一个相关和充分研究的主题，由于其许多应用，例如自动驾驶和3D地图绘制。虽然已经有了一些系统，但它们要么不准确，要么在实时的【形】设置中很吃力。在本文中，我们提出了一个快速，准确和模块化的激光雷达SLAM系统的批量和在线估计。我们首先应用下采样和离群点去除，以过滤掉噪声并减小输入点云的大小。过滤后的云然后用于姿态跟踪和地板检测，以地面优化估计的轨迹。与过滤过程并行工作的预跟踪器的可用性允许获得预先计算的里程，以在执行跟踪时用作辅助。通过g2 o姿态图实现的高效循环闭合和姿态优化是所提出的SLAM流水线的最后步骤。我们比较了我们的系统的性能与国家的最先进的点云为基础的方法，LOAM，LEGO-LOAM，A-LOAM，LEGO-LOAM-BOR和HDL，并表明，该系统实现了相等或更好的精度，甚至可以很容易地处理没有循环的情况下。使用KITTI和辐射数据集评估估计的轨迹位移进行比较。
2021-09-12 cs.RO
PFilter: Building Persistent Maps through Feature Filtering for Fast and Accurate LiDAR-based SLAM
University of Science and Technology of China（中国科学技术大学）
基于激光传感器的同时定位与地图构建（SLAM）已被移动机器人和自主车辆广泛采用。这些SLAM系统需要以有限的计算资源支持精确定位。特别地，点云配准，即，在全局坐标框架中匹配和对准在多个位置处收集的多个LiDAR扫描的过程被认为是SLAM中的瓶颈步骤。在本文中，我们提出了一个特征过滤算法，PFilter，可以过滤掉无效的功能，从而可以大大缓解这一瓶颈。同时，由于精心策划的特征点，整体配准精度也得到了提高。我们将PFilter集成到完善的扫描到地图LiDAR测距框架F-LOAM中，并在KITTI数据集上评估其性能。实验结果表明，PFilter算法可以去除局部特征图中约48.4%的点，平均减少19.3%的扫描特征点，每帧节省20.9%的处理时间。与此同时，我们提高了9.4%的准确性。
2022-08-31 cs.RO
BIM-SLAM: Integrating BIM Models in Multi-session SLAM for Lifelong Mapping using 3D LiDAR
School of ..., University of ...（……大学……学院）；Technical University of Munich（慕尼黑工业大学）
本文提出BIM-SLAM方法，利用3D LiDAR测量和BIM模型生成会话数据，通过多会话锚定对齐真实数据以最小化漂移，并重建模型中缺失的新元素，实现了无需初始位姿先验的室内终身建图。
2024-08-28 cs.RO
Elasticity Meets Continuous-Time: Map-Centric Dense 3D LiDAR SLAM
Robotics and Autonomous Systems Group, DATA61, CSIRO（联邦科学与工业研究组织 DATA61 机器人与自主系统组）；School of Electrical Engineering and Computer Science, Queensland University of Technology (QUT)（昆士兰科技大学电气工程与计算机科学学院）；Division of Smart Automotive Engineering, Sun Moon University（鲜文大学智能汽车工程学部）
以地图为中心的SLAM利用弹性作为环路闭合的手段。与以概率为中心的SLAM方法相比，这种方法降低了环路闭合的成本，同时仍然提供大规模的基于融合的密集地图。在本文中，我们提出了一种新的框架，三维激光雷达为基础的地图为中心的SLAM。具有以地图为中心的方法的优点，我们的方法表现出新的功能，以克服现有系统的缺点，与多模态传感器融合和激光雷达运动失真。这是通过使用局部连续时间（CT）轨迹表示来实现的。此外，我们的表面分辨率保存匹配算法和基于Wishart的surfel融合模型，使非冗余但密集的映射。此外，我们提出了一个强大的度量闭环模型，使该方法稳定，无论在哪里发生的闭环。最后，我们证明了我们的方法，通过模拟和真实数据实验，使用多个传感器有效载荷配置和环境，以说明其实用性和鲁棒性。
2020-08-05 cs.RO
Intensity-SLAM: Intensity Assisted Localization and Mapping for Large Scale Environment
Nanyang Technological University（南洋理工大学）；Carnegie Mellon University（卡内基梅隆大学）
同时定位与地图构建（Simultaneous Localization And Mapping，SLAM）是一种基于光探测与测距（Light Detection And Ranging，LiDAR）和摄像机等传感器的观测来估计机器人位置并重建环境的任务。它广泛应用于自动驾驶和无人机交付等机器人应用。传统的基于LiDAR的SLAM算法主要利用场景的几何特征，而忽略了LiDAR的亮度信息。最近的一些基于深度学习的SLAM算法考虑强度特征并以端到端的方式训练姿态估计网络。然而，它们需要大量的数据汇集工作，并且它们对除受过训练的环境之外的环境的普遍性仍然不清楚。在本文中，我们引入强度功能的SLAM系统。我们提出了一个新的完整的SLAM框架，利用几何和强度功能。所提出的SLAM涉及基于强度的前端里程估计和基于强度的后端优化。进行了全面的实验，包括室外自动驾驶和室内仓库机器人操作。实验结果表明，该方法优于现有的仅几何LiDAR SLAM方法。
2021-02-17 cs.RO
LXD-SLAM: LiDAR+X Dense SLAM with $\sum_{i=0}^{5}C_5^i$ Configurable Sensor Combinations
Tongji University（同济大学）；Wuhan University（武汉大学）
提出LXD-SLAM，一种以3D LiDAR为中心的多传感器融合框架，支持32种传感器组合，通过统一的迭代误差状态卡尔曼滤波和混合位姿图实现高保真、全局一致的密集建图。
2026-06-29 cs.RO
Elastic LiDAR Fusion: Dense Map-Centric Continuous-Time SLAM
DATA61, CSIRO（联邦科学与工业研究组织DATA61）；Queensland University of Technology（昆士兰科技大学）
连续时间轨迹表示的概念为现代SLAM中的多模态传感器融合带来了更高的精度和效率。然而，尽管有这些优点，其离线属性所造成的全局批量优化的要求是严重阻碍其相关性的实时和终身的应用程序。在本文中，我们提出了一个密集的地图为中心的SLAM方法的基础上的连续时间轨迹，以应付这个问题。所提出的系统以与传统的连续时间SLAM（CT-SLAM）类似的方式在本地起作用。然而，它通过引入地图变形消除了对全局轨迹优化的需要。该方法的计算复杂性不依赖于运算时间，而只依赖于闭合前探索空间的大小。因此，与传统的CT-SLAM相比，它更适合于长期操作。此外，该方法通过使用概率表面元素（surfel）融合减少重建的稠密地图中的不确定性。实验结果表明，该方法无需全局批量轨迹优化即可生成全局一致的地图，并通过曲面融合有效地降低了LiDAR噪声。
2018-03-05 cs.RO
LONER: LiDAR Only Neural Representations for Real-Time SLAM
University of Michigan（密歇根大学）
本文提出首个实时LiDAR SLAM算法LONER，通过训练MLP实时估计密集地图和传感器轨迹，并设计信息论损失函数加速收敛与提升重建精度，性能媲美现有先进方法。
2024-03-23 cs.RO
