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
2D vs. 3D LiDAR-based Person Detection on Mobile Robots
RWTH Aachen（亚琛工业大学）；Visual Computing Institute（视觉计算研究所）
人体检测是移动机器人在人群环境中导航的一项重要任务。LiDAR传感器由于其精确的深度测量和大视场而有望完成这项任务。存在两种类型的LiDAR传感器：扫描单个平面的2D LiDAR传感器和扫描多个平面从而形成体积的3D LiDAR传感器。它们在人员检测任务中的表现如何？为了回答这个问题，我们进行了一系列实验，使用公共的大规模JackRabbot数据集和最先进的基于2D和3D LiDAR的人员检测器（分别为DR-SPAAM和CenterPoint）。我们的实验包括多个方面，从基本的性能和速度比较，更详细的分析定位精度和鲁棒性的距离和场景杂波。这些实验的见解突出了2D和3D LiDAR传感器作为人员检测源的优势和劣势，对于设计将在接近周围人类的地方运行的移动机器人（例如服务或社交机器人）特别有价值。
2022-07-25 cs.CV cs.RO
Change of Scenery: Unsupervised LiDAR Change Detection for Mobile Robots
University of Toronto（多伦多大学）；University of Toronto Robotics Institute（多伦多大学机器人研究所）
本文提出RangeNetCD，一种基于3D LiDAR的无监督深度变化检测方法，将语义分割重构为二值变化检测，无需标签即可训练，在挑战性地形上mIoU达67.4%-82.2%，运行速度超10Hz，并已集成至机器人自主导航系统。
2024-04-29 cs.RO
IndoorBEV: A Lightweight Real-Time LiDAR BEV Perception System for Indoor Mobile Robots
针对室内移动机器人在严格延迟和内存限制下的LiDAR感知难题，IndoorBEV通过高度感知BEV表示和几何条件特征融合，以0.6M参数实现实时语义地图与定向框输出，在精度、延迟和内存间取得良好平衡。
2026-10-02 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
Semantic2D: Enabling Semantic Scene Understanding with 2D Lidar Alone
School of Computing and Data Science, The University of Hong Kong（计算与数据科学学院，香港大学）；Department of Mechanical Engineering, Temple University（机械工程系， Temple大学）
Semantic2D通过仅使用2D激光雷达实现语义场景理解，提出首个公开数据集和细粒度分割算法，提升机器人导航性能。
2026-01-25 cs.RO
GenNav: A Generic Indoor Navigation System for any Mobile Robot
Zen Aerologiks；BMS College of Engineering（BMS工程学院）
导航系统是任何移动机器人的核心，它包括SLAM和路径规划单元，机器人利用该路径规划单元来生成环境的地图，在其中定位自己并确定到达目的地的最佳路径。本文介绍了概念化，开发，仿真和硬件实现GenNav一个通用的室内导航系统的任何移动空中或地面机器人。通过模块化并通过提供来自LiDAR的替代测距源来创建软件计算和硬件致动单元之间的独立性来实现通用化，从而消除对专用测距传感器的需求。来自LiDAR的里程反馈可以由导航计算单元使用，并且该系统可以推广到具有不同类型和取向的致动器的各种机器人
2020-08-01 cs.RO
Real-Time Spatial Reasoning by Mobile Robots for Reconstruction and Navigation in Dynamic LiDAR Scenes
College of Computer Science and Software Engineering, Shenzhen University（深圳大学计算机科学与软件工程学院）；School of Computer Science, University of Guelph（圭尔夫大学计算机科学学院）；School of Computing Science, Simon Fraser University（西蒙弗雷泽大学计算机科学学院）
受大脑空间感知机制启发，提出首个面向户外移动机器人LiDAR数据的实时空间推理框架，结合单帧网格重建与即时自由空间判定，实现动态场景下的重建与导航，性能优于现有方法。
2025-05-18 cs.GR cs.RO
Realistic Counterfactual Explanations for Machine Learning-Controlled Mobile Robots using 2D LiDAR
Department of Engineering Cybernetics, Norwegian University of Science and Technology (NTNU)（工程 cybernetics 系，挪威科学技术大学）
针对2D LiDAR移动机器人中DRL控制难以解释的问题，提出用简单形状参数化LiDAR空间并以遗传算法和光线投射生成模型无关、真实反事实解释的方法。
2025-05-11 cs.LG cs.RO cs.SY
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
Robust Fusion of LiDAR and Wide-Angle Camera Data for Autonomous Mobile Robots
Institute for Digital Technologies, Loughborough University（拉夫堡大学数字技术研究所）
协助人类完成日常生活任务的自主机器人正变得越来越受欢迎。自主移动机器人通过感知和感知周围环境来做出准确的驾驶决策。利用几种不同传感器的组合，例如LiDAR、雷达、超声波传感器和相机，来感测自动驾驶车辆的周围环境。这些异构传感器同时捕获环境的各种物理属性。这种多模态和冗余感测需要积极利用可靠和一致的感知环境通过传感器数据融合。然而，这些多模态传感器数据流在许多方面彼此不同，例如时间和空间分辨率、数据格式和几何对齐。对于后续的感知算法，利用多模态传感提供的多样性，数据流需要在空间上，几何上和时间上彼此对齐。在本文中，我们解决的问题，融合输出的光探测和测距（LiDAR）扫描仪和广角单目图像传感器的自由空间探测。LiDAR扫描仪和图像传感器的输出具有不同的空间分辨率，并且需要彼此对准。一个几何模型是用来空间对齐的两个传感器的输出，然后由高斯过程（GP）的回归为基础的分辨率匹配算法来插值缺失的数据与量化的不确定性。结果表明，所提出的传感器数据融合框架显着帮助后续的感知步骤，如不确定性感知的自由空间检测算法的性能改善所示
2018-08-23 cs.CV cs.RO
Towards 6D MCL for LiDARs in 3D TSDF Maps on Embedded Systems with GPUs
Osnabrück University（奥斯纳布吕克大学）；Fulda University of Applied Sciences（富尔达应用科学大学）；DFKI Niedersachsen（下萨克森德国人工智能研究中心）
针对六自由度3D地图全局定位计算量过大、无法实时运行的问题，研究了嵌入式GPU上TSDF场中激光雷达MCL粒子评估的大规模并行化，实现了30倍速度提升与50倍以上能效提升。
2023-10-06 cs.RO
Radar-on-Lidar: metric radar localization on prior lidar maps
Zhejiang University（浙江大学）
雷达和激光雷达由两种不同的距离传感器提供，在移动机器人或自动驾驶上的各种感知任务中各有优缺点。在本文中，蒙特卡洛系统被用来定位机器人与旋转雷达传感器上的二维激光雷达地图。我们首先训练一个条件生成对抗网络，将原始雷达数据转换为激光雷达数据，并从生成器获取可靠的雷达点。然后，一个有效的雷达里程计包括在蒙特卡洛系统。结合里程计的初始猜测，提出了一种测量模型，以匹配雷达数据和先前的激光雷达地图，以进行最终的2D定位。我们证明了所提出的本地化框架的有效性在公共多会话数据集。实验结果表明，该系统可以实现高精度的长期定位在户外场景。
2020-10-12 cs.RO
Reinforcement Learning for Navigation of Mobile Robot with LiDAR
提出了一种基于深度Q网络（DQN）和门控递归单元（GRU）的移动机器人导航方法。与GRU集成的DQN允许跳过操作以提高导航性能。该技术的目的是高效的移动机器人，如自主停车机器人的导航。强化学习的框架可以应用于DQN结合GRU在现实环境中，它可以建模的部分可观察马尔可夫决策过程（POMDP）。通过允许动作跳过，可以提高DQN与GRU结合学习关键动作的能力。通过ROS-Gazebo仿真器验证了该算法在实际环境中的可行性，仿真结果表明，与DQN单独使用以及DQN与GRU结合使用时相比，该算法在导航和避碰方面都有明显的改善。
2021-12-07 cs.RO cs.SY eess.SY
Lidar-based exploration and discretization for mobile robot planning
Caltech（加州理工学院）
在机器人应用中，控制和驱动处理系统和环境的连续描述，而高级规划通常使用离散描述。本文研究了通过传感器数据连接机器人系统的底层控制和高层规划的问题。特别是，我们提出了一个离散化算法，通过激光雷达点云数据识别自由多面体。然后构造一个转移图，其中每个节点对应于一个自由多面体，如果两个相应的自由多面体相交，则两个节点与一条边相连。此外，距离测量与每个边缘相关联，这允许评估用于高级规划的过渡的质量（或成本）。对于低级别的控制，自由多面体作为一个方便的环境编码，并允许规划无碰撞的轨迹，实现高级别的计划。结果在高保真ROS模拟和无人机和赛格威实验中得到了证明。
2020-11-19 cs.RO cs.SY eess.SY
CNN-based Lidar Point Cloud De-Noising in Adverse Weather
Daimler AG（戴姆勒股份公司）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
激光雷达传感器经常用于自动驾驶汽车和移动机器人的环境感知，以补充相机，雷达和超声波传感器。不利的天气条件会导致不期望的测量点，进而影响遗漏检测和误报，从而显著影响基于激光雷达的场景理解的性能。在大雨或浓雾中，水滴可能会被误解为车辆前方的物体，从而使移动机器人完全停止。在本文中，我们提出了第一个基于CNN的方法来理解和过滤点云数据中的不利天气影响。使用在受控天气环境中获得的大型数据集，我们证明了我们的方法在最先进的几何滤波方面的显着性能改善。数据可在https://github.com/rheinzler/PointCloudDeNoising上查阅。
2020-02-12 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
DXQ-Net: Differentiable LiDAR-Camera Extrinsic Calibration Using Quality-aware Flow
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
激光雷达摄像机的精确外标定是移动机器人多传感器系统的前提。大多数校准方法依赖于费力的手动操作和校准目标。在线工作时，校准方法应该能够从环境中提取信息，以构建跨模态数据关联。卷积神经网络（CNN）具有强大的特征提取能力，已被用于标定。然而，大多数过去的方法解决外部作为一个回归任务，而不考虑所涉及的几何约束。在本文中，我们提出了一种新的端到端的外部校准方法命名为DXQ-Net，使用可微的姿态估计模块进行推广。我们制定了一个概率模型的激光雷达相机校准流程，产生的不确定性的预测来衡量激光雷达相机数据关联的质量。测试实验表明，我们的方法在平移分量上达到了与其他方法相竞争的水平，在旋转分量上达到了最先进的性能。泛化实验表明，该方法的泛化性能明显优于其他基于深度学习的方法。
2022-03-17 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
AdaSplats: Adaptive Splatting of Point Clouds for Accurate 3D Modeling and Real-time High-Fidelity LiDAR Simulation
ANSYS France（ANSYS法国公司）；ENSTA Paris, Institut Polytechnique de Paris（巴黎高等先进技术学院，巴黎理工学院）
LiDAR sensors provide rich 3D information about their surrounding{s} and are becoming increasingly important for autonomous vehicles tasks such as {localization}, semantic segmentation , object detection , and tracking. {Simulation} accelerates the testing, validation, and deployment of autonomous vehicles while {also} reducing cost and eliminating the risks of testing in real-world scenarios. We address the problem of high-fidelity LiDAR simulation and present a pipeline that leverages real-world point clouds acquired by mobile mapping systems. Point-based geometry representations, more speci…
2022-12-26 cs.RO
Target-free Extrinsic Calibration of Event-LiDAR Dyad using Edge Correspondences
The University of Hong Kong（香港大学）；Centre for Transformative Garment Production（变革性服装生产中心）；Peng Cheng Laboratory（鹏城实验室）
本文提出一种无需标定板的事件相机与激光雷达外部参数标定方法，通过关联事件和点云中的边缘特征，实现高鲁棒性的标定。
2023-05-06 cs.RO
Elastic and Efficient LiDAR Reconstruction for Large-Scale Exploration Tasks
University of Oxford（牛津大学）；Imperial College London（帝国理工学院）
我们提出了一个高效的，弹性的3D激光雷达重建框架，可以重建最大的激光雷达范围（60米），每秒多帧，从而使机器人探索大规模的环境。我们的方法只需要一个CPU。我们专注于大规模重建的三个主要挑战：以高频率集成远程LiDAR扫描，检测到环路闭合后变形重建的能力，以及长期探索的可扩展性。我们的系统扩展了最先进的高效RGB-D体积重建技术，称为supereight，以支持激光雷达扫描和新开发的子映射技术，以允许动态校正的3D重建。然后，我们引入了一种新的姿态图聚类和子地图融合功能，使所提出的系统更具可扩展性的大型环境。我们使用两个公共数据集来评估性能，包括使用手持设备和无人机进行户外探索，以及使用移动机器人探索地下房间网络。实验结果表明，我们的系统可以重建在3 Hz与60米的传感器范围和~5厘米的分辨率，而国家的最先进的方法只能重建到25厘米的分辨率或20米的范围内，在相同的频率。
2021-04-09 cs.RO
Comparison of Various SLAM Systems for Mobile Robot in an Indoor Environment
Institute of Robotics（机器人研究所）；Innopolis University（因诺波利斯大学）
本文构建搭载激光雷达与单目、立体相机的移动机器人，在同一办公室数据集上评测多类基于ROS的SLAM系统，并指出Cartographer、单目ORB SLAM与RTAB Map表现突出。
2025-01-16 cs.CV cs.RO
Automatic Multi-Sensor Extrinsic Calibration for Mobile Robots
Biomedical Research Institute of Malaga (IBIMA)（马拉加生物医学研究所（IBIMA））；University of Malaga（马拉加大学）
为了融合来自安装在移动机器人上的多个传感器的测量值，需要通过它们的相对空间变换在公共参考系中表示它们。在本文中，我们提出了一种方法来估计多个异构传感器（激光雷达，深度和RGB相机）的全6DoF外部校准参数，适合于在移动机器人上自动执行。我们的方法通过基于运动的方法计算2D校准参数（x，y，yaw），而对于其余3个参数（z，pitch，roll），它需要在短时间内观察地平面。该提议与其他提议的区别在于：i）所有校准参数以封闭形式初始化，以及ii）明确处理来自单目相机的运动估计所固有的尺度模糊性，使得能够组合这些传感器和度量传感器（激光雷达、立体钻机等）。在相同的优化框架下。%此外，由局部传感器漂移引起的异常值观测值将自动检测并从校准过程中删除。我们提供了一个正式的定义的问题，以及贡献的方法，其中的C++实现已公开。该方法的适用性进行了评估，在模拟和室内和室外场景的真实数据。最后，通过实验评估显示了对最先进的基于运动的校准建议的改进。
2019-06-11 cs.RO
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
Knowledge Transfer across Imaging Modalities Via Simultaneous Learning of Adaptive Autoencoders for High-Fidelity Mobile Robot Vision
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
使移动机器人能够解决具有高保真视觉的具有挑战性和多样性的形状，纹理和运动相关任务，需要集成新型多模态成像传感器和先进的融合技术。然而，它与高成本、功率、硬件修改和计算要求相关联，这限制了其可扩展性。在本文中，我们提出了一种新的同时学习自动编码器领域自适应（SAEDA）为基础的迁移学习技术，使噪声传感与先进的传感器套件的能力。在这方面，SAEDA在单个图上一起训练源和目标自动编码器，以在同时收集的数据上获得源和目标域之间的域不变特征空间。然后，它使用域不变的特征空间，不同的信号模态之间的知识转移。评估已经完成了两个收集的数据集（激光雷达和雷达）和一个现有的数据集（激光雷达，雷达和视频），这提供了一个显着的改进，在四足机器人为基础的分类（家庭地板和人类活动识别）和回归（表面粗糙度估计）的问题。我们还将我们的传感器套件和SAEDA框架集成在两个实时系统（真空清洁和Mini-Cheetah四足机器人）上，以研究其可行性和可用性。
2021-09-02 cs.RO
A Successful Integration of the Robotic Technology Kernel (RTK) for a By-Wire Electric Vehicle System with a Mobile App Interface
Lawrence Technological University（劳伦斯理工大学）
我们能够使用激光雷达和GPS传感器将机器人技术核心（RTK）完全集成到电动汽车的线控系统中。该解决方案包括一个移动应用程序，用于与支持RTK的自动驾驶车辆进行交互。总的来说，该系统被设计成模块化的，使用基于消息的软件设计的概念，该设计被内置到机器人操作系统（ROS）中，这是RTK的基础。该团队逐步开发工作软件，以展示成功完成RTK集成的道路上的每个里程碑，以开发称为车辆召唤系统（VSS）的应用程序。
2022-08-06 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
Enhancing Robotic Perception and Adaptability through Sensor Fusion and Origami-Inspired Designs
IIT Madras（印度理工学院马德拉斯分校）；e-Yantra, IIT Bombay（e-Yantra，印度理工学院孟买分校）
本研究提出一种紧凑移动机器人，利用折纸轮子调节传感几何，通过传感器融合提升深度覆盖，在室内外环境中显著降低无效深度比例。
2026-10-08 cs.RO
Viking Hill Dataset: A Lidar-Radar-Camera Dataset for Detection and Segmentation in Forest Scenes
Örebro University（奥雷布罗大学）；AASS research centre（AASS研究中心）；Robot Navigation and Perception Lab（机器人导航与感知实验室）
提出首个包含4D成像雷达的森林多传感器数据集，通过MinkowskiUNet实现雷达与激光雷达点云的语义分割，并评估树干分割质量与树木尺寸的关系。
2026-06-18 cs.RO
UAV Tracking with Lidar as a Camera Sensors in GNSS-Denied Environments
University of Turku（图尔库大学）
提出融合单个 LiDAR-as-a-camera 传感器生成的全景图像与点云，利用自定义 YOLOv5 检测并实时持续跟踪无先验初始位置的无人机。
2023-08-14 cs.RO
Offline-Online Hierarchical 3D Global Relocalization With Synthetic LiDAR Sensing and Descriptor-Space Retrieval
School of Electrical Engineering, Southwest Jiaotong University（西南交通大学电气工程学院）
本文提出一种离线-在线分层框架，通过分离搜索空间提升大规模空间中的重定位效率和精度，实测平均重定位时间3秒，精度8厘米，计算效率提升一个数量级。
2026-05-08 cs.RO
PERAL: Perception-Aware Motion Control for Passive LiDAR Excitation in Spherical Robots
Centre for Advanced Robotics Technology Innovation (CARTIN), School of Electrical and Electronic Engineering, Nanyang Technological University（先进机器人技术创新中心（CARTIN）、电气与电子工程学院、南洋理工大学）
PERAL框架通过建模球形机器人差速驱动与传感器姿态的耦合，叠加有界非周期振荡实现被动LiDAR激励，在不增加硬件的情况下提升垂直扫描多样性，实验证明其地图完整度达96%、轨迹误差降低27%，并优于静态倾斜、主动旋转和固定水平基线。
2025-09-18 cs.RO
MissionGPT: Mission Planner for Mobile Robot based on Robotics Transformer Model
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
本文提出基于Transformer和大语言模型的MissionGPT方法，仅凭相机数据即可为移动机器人规划并执行任务，基本动作成功率超50%，可扩展至任意类型和数量的机器人。
2024-11-07 cs.RO
Robots for Kiwifruit Harvesting and Pollination
The University of Auckland（奥克兰大学）
本文开发了用于猕猴桃棚架果园的移动机器人，实现了超过80%果实可达的采摘机构、定向花粉喷洒以及基于3D激光雷达和计算机视觉的自主导航，并验证了其在30公里以上驾驶中的可靠性。
2025-07-21 cs.RO
Task-Driven Implicit Representations for Automated Design of LiDAR Systems
Massachusetts Institute of Technology（麻省理工学院）
针对LiDAR系统设计复杂耗时的问题，提出基于六维设计空间隐式表示与流生成建模的任务驱动框架，通过期望最大化拟合参数分布合成系统，在多三维视觉任务中验证了自动化设计能力。
2025-11-17 cs.CV cs.RO
UADA3D: Unsupervised Adversarial Domain Adaptation for 3D Object Detection with Sparse LiDAR and Large Domain Gaps
KTH Royal Institute of Technology（瑞典皇家理工学院）；Hamburg University of Technology（汉堡工业大学）
本文提出UADA3D，一种不依赖预训练源模型或师生架构的无监督对抗域适应方法，用于在稀疏LiDAR点云和大域差距条件下提升3D目标检测性能，并在自动驾驶汽车与移动机器人场景中验证了有效性。
2024-10-21 cs.AI cs.CV cs.RO
Toward Robust LiDAR Semantic Segmentation for Real-World Deployment: Evaluation under Coarse Labels, Adverse Conditions, and Domain Shifts
Mines Paris, PSL University（巴黎高等矿业学校（PSL大学））；Paris-Saclay University（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）
本文提出一种结构化评估协议，从粗标签、恶劣环境干扰、域泛化及嵌入式平台推理速度维度评估LiDAR语义分割模型的部署就绪性，发现基准性能与实车部署需求存在差距，为相关评估提供参考。
2026-09-03 cs.RO
A real-time multi-constraints obstacle avoidance method using LiDAR
Xi’an Jiaotong University（西安交通大学）；Carnegie Mellon University（卡内基梅隆大学）
避障是自主移动机器人的基本功能之一。现有的解决方案大多基于单一条件约束，不能以实时的【形】方式融合传感器数据，对动态未知环境中的非预期运动障碍物往往无法做出响应。提出了一种新的基于光探测和测距（LiDAR）的实时的【形】多约束避障方法，该方法能够根据机器人位姿和环境的最新估计，在探索区域内找到由多约束函数定义的子目标，并在每个时间步迭代规划相应的最优轨迹，使机器人随着时间的推移接近目标。同时，在每个时间步，改进的蚁群优化算法（ACO）也被用来重新规划最优路径从最新的机器人位姿到最新定义的子目标位置。在确保收敛的同时，该方法中的规划是通过重复的局部优化来完成的，因此可以在每个步骤中充分利用来自LiDAR的最新传感器数据和导出的环境信息，直到机器人到达所需位置。该方法不仅具有实时的【形】性能，而且由于其本身的特性，对存储空间和计算能力的要求也很低，因此该方法在小型低成本自主平台上具有巨大的应用潜力。该方法进行了评估，对现有的几种技术在模拟和现实世界的实验。
2020-07-01 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
FusionLoc: Camera-2D LiDAR Fusion Using Multi-Head Self-Attention for End-to-End Serving Robot Relocalization
Electronics and Telecommunications Research Institute (ETRI)（电子通信研究院）；Polaris3D
本文提出FusionLoc，一种基于相机-2D激光雷达融合与多头自注意力的端到端服务机器人重定位方法，直接预测位姿，性能优于单模态及简单融合方法。
2023-07-25 cs.CV cs.RO
Automatic Calibration of Multiple 3D LiDARs in Urban Environments
The Hong Kong University of Science and Technology（香港科技大学）
自动驾驶汽车上逐渐出现了多个激光雷达，用于呈现宽视场和密集测量。然而，缺乏精确的校准负面影响其在定位和感知系统中的潜在应用。在本文中，我们提出了一种新的系统，使自动多LiDAR校准没有任何校准目标，先验环境信息，和外部参数的初始值。我们的方法开始与手眼校准自动初始化对齐每个传感器的估计运动。然后，通过最小化从点-平面对应构造的成本函数，用基于外观的方法来细化所得到的参数。模拟和真实世界的数据集上的实验结果表明，我们的校准方法的可靠性和准确性。所提出的方法可以校准多个LiDAR系统的旋转和平移误差分别小于0.04 [rad]和0.1 [m]的移动平台。
2019-05-13 cs.CV cs.RO
Fast LiDAR Data Generation with Rectified Flows
Kyushu University（九州大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
本文提出R2Flow，一种基于整流流的快速高保真LiDAR生成模型，通过直线轨迹减少采样步骤，并结合高效Transformer架构，在KITTI-360上实现了高效且高质量的LiDAR数据生成。
2025-03-08 cs.CV cs.RO
Applying Evolutionary Optimisation to Robot Obstacle Avoidance
本文提出了一种基于人工进化的立体图像分析方法，并将其应用于移动机器人的实时障碍物检测和避障。它使用巴黎的方法，其中包括在这里分裂成大量的简单的原语，“苍蝇”，这是进化后的生物启发计划，并给出了一个快速，低成本的解决方案，在移动机器人的障碍物检测问题的机器人的环境表示。
2005-10-25 cs.AI cs.RO
Unified Multi-Modal Landmark Tracking for Tightly Coupled Lidar-Visual-Inertial Odometry
University of Oxford（牛津大学）；KTH Royal Institute of Technology（KTH皇家理工学院）；Scania AB（斯堪尼亚公司）
我们提出了一个有效的多传感器里程计系统的移动平台，共同优化视觉，激光雷达和惯性信息在一个单一的综合因素图。这是使用固定滞后平滑以全帧速率实时运行的。为了实现这种紧密集成，提出了一种从激光雷达点云数据中提取三维线和平面基元的新方法。该方法克服了典型的帧到帧跟踪方法的次优性，通过将基元视为地标并在多个扫描上跟踪它们。通过激光雷达和相机帧的微妙被动同步，激光雷达功能与标准视觉功能和IMU的真正集成成为可能。3D功能的轻量级制定允许在单个CPU上实时执行。我们提出的系统已经过测试，在各种平台和场景，包括地下勘探与足式机器人和户外扫描与动态移动的手持设备，为96分钟和2.4公里的总持续时间旅行的距离。在这些测试序列中，仅使用一个外感受性传感器会导致失败，原因是几何结构约束不足（影响激光雷达）或照明变化引起的无纹理区域（影响视力）。在这些条件下，我们的因子图自然使用每个传感器模态提供的最佳信息，而无需任何硬开关。
2021-02-17 cs.CV cs.RO
Learning to Drop Points for LiDAR Scan Synthesis
Kyushu University（九州大学）
LiDAR传感器的3D激光扫描对于移动机器人了解其周围环境起着重要作用。然而，由于硬件限制、天气条件等原因，并非所有系统都具有高分辨率和准确度。将LiDAR数据作为场景先验的生成建模是补偿不可靠或不完整观测的有前途的解决方案之一。本文提出了一种基于生成对抗网络的LiDAR数据生成学习模型。与相关研究一样，我们将LiDAR数据处理为紧凑但无损的表示，即圆柱形深度图。然而，尽管现实世界的物体是平滑的，但深度图上的许多点通过激光测量被丢弃，这导致生成模型的学习困难。为了解决这个问题，我们将测量不确定性引入到生成过程中，这使得模型能够从真实LiDAR数据的集合中学习底层形状和丢弃噪声的解纠缠表示。为了模拟有损测量，我们采用可微采样框架来基于学习的不确定性丢弃点。我们证明了我们的方法的有效性，使用两个数据集的合成和重建任务。我们通过恢复具有各种类型损坏的LiDAR数据来进一步展示潜在的应用。
2021-08-01 cs.CV cs.RO eess.IV
Generative Range Imaging for Learning Scene Priors of 3D LiDAR Data
Kyushu University（九州大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
3D LiDAR传感器对于自主移动机器人的强大视觉不可或缺。然而，部署基于LiDAR的感知算法通常会由于与训练环境的域差距而失败，例如不一致的角分辨率和丢失的属性。现有的研究通过学习域间映射来解决这个问题，而可转移性受到训练配置的限制，并且训练容易受到称为射线下降的特殊有损噪声的影响。为了解决这个问题，本文提出了一种适用于数据级域传输的激光雷达距离图像生成模型。由于激光雷达测量是基于逐点距离成像的，因此我们训练了一个基于隐式图像表示的生成对抗网络，并引入了可区分的光线降效应。我们证明了我们的模型的保真度和多样性相比，基于点和基于图像的国家的最先进的生成模型。我们还展示了上采样和恢复应用程序。此外，我们介绍了一个Sim2Real应用激光雷达语义分割。我们证明，我们的方法是有效的，作为一个现实的射线下降模拟器，并优于国家的最先进的方法。
2022-10-21 cs.CV cs.RO eess.IV
LCE-Calib: Automatic LiDAR-Frame/Event Camera Extrinsic Calibration With A Globally Optimal Solution
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）；CWB Institute of Autonomous Driving（CWB自动驾驶研究院）
LiDAR和摄像头的结合使移动机器人能够感知具有多模态数据的环境，成为实现鲁棒感知的关键因素。传统的框架相机对不断变化的照明条件很敏感，这促使我们引入新型事件相机，使LiDAR相机融合更加完整和强大。然而，联合利用这些传感器，具有挑战性的外在校准问题应得到解决。本文提出了一种自动棋盘为基础的方法来校准之间的激光雷达和帧/事件相机，其中四个贡献。首先，本文提出了一种基于LiDAR点云的自动特征提取和棋盘格跟踪方法。其次，我们从事件流重建真实感帧图像，将传统的角点检测器应用到事件相机。第三，我们提出了一个初始化-细化过程来估计extrinsics使用点到平面和点到线的约束，在一个粗到细的方式。第四，我们引入了一个统一的和全局最优的解决方案，以解决校准中的两个优化问题。我们的方法已经在19个模拟和真实世界的数据集上进行了广泛的实验验证，并优于最先进的方法。
2023-03-17 cs.CV cs.RO
Robust 2D Traversability Mapping for Construction AMRs via Failure-Mode-Aware Fusion of LiDAR Geometry and Monocular Semantics
FloMobility Pvt. Ltd.（FloMobility 私人有限公司）
针对建筑AMR导航，提出基于失效模式感知的LiDAR几何与单目语义融合方法，在Jetson AGX Orin上实时生成2D可通行性地图，并发布多模态数据集，有效纠正互补几何失效模式。
2026-10-06 cs.CV cs.RO
LiDAR Data Synthesis with Denoising Diffusion Probabilistic Models
Faculty of Information Science and Electrical Engineering, Kyushu University（九州大学情报科学与电气工程学院）
本文提出基于 DDPM 的 R2DM 模型，利用距离与反射强度图像表示生成高保真 3D LiDAR 点云，并构建灵活补全流程，在 KITTI 数据集生成与补全任务上超越现有方法。
2024-03-04 cs.CV cs.RO
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
MobileOcc: A Human-Aware Semantic Occupancy Dataset for Mobile Robots
Delft University of Technology（代尔夫特理工大学）
MobileOcc提出了一种面向移动机器人的人感知语义占用数据集，通过结合静态物体注释和新型网格优化框架，实现了对变形人体几何的重建与优化，并用于建立占用预测和行人速度预测的基准测试。
2026-09-02 cs.CV cs.RO
Empirical Analysis of Bi-directional Wi-Fi Network Performance on Mobile Robots in Indoor Environments
University of Georgia（佐治亚大学）
本文提出了一个框架来衡量的重要指标（吞吐量，延迟，数据包重传，信号强度等）。确定由机器人操作系统（ROS）中间件支持的移动机器人的Wi-Fi网络性能。我们通过室内环境中的实验装置分析了移动机器人的双向网络性能，其中移动机器人将重要的传感器数据（如来自摄像机的视频流和LiDAR扫描值）传输到命令站，同时通过从命令站接收的遥控速度命令导航室内环境。实验评估了2.4 GHz和5 GHz信道下的性能，不同的接入点（AP）的位置，每侧最多有两个网络设备。该框架可推广到车辆网络评估，本研究的讨论和见解适用于现场机器人社区，其中无线网络在现实环境中成功执行机器人任务方面发挥着关键作用。
2022-01-13 cs.NI cs.RO
waveSLAM: Empowering Accurate Indoor Mapping Using Off-the-Shelf Millimeter-wave Self-sensing
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；The University of Edinburgh（爱丁堡大学）；IMDEA Networks Research Institute（IMDEA网络研究院）
针对低能见度或含玻璃/镜面墙的室内建图难题，提出waveSLAM系统，仅用移动机器人上现成的激光雷达与毫米波硬件，通过毫米波自感知实现厘米级建图精度，性能与激光雷达相当。
2023-12-12 cs.NI cs.RO
