Efficient and Accurate Mapping of Subsurface Anatomy via Online Trajectory Optimization for Robot Assisted Surgery
University of Utah（犹他大学）
本文提出一种基于贝叶斯希尔伯特图三维占据地图和A*图搜索轨迹优化的机器人手术皮下解剖结构自动感知方法，实验表明其能以更短轨迹实现高效精确的解剖映射。
2023-09-18 cs.RO
Equivalence and Divergence of Bayesian Log-Odds and Dempster's Combination Rule for 2D Occupancy Grids
Constructor University（Constructor大学）；JetBrains LTD（JetBrains公司）
本文提出了一种基于猪性转换的方法，用于比较贝叶斯对数几率与德普斯特组合规则在二维占用网格映射中的表现，证明贝叶斯融合在多数情况下表现更优。
2026-02-21 cs.RO
Planning Oriented 3D Scene Completion via Coupled TUDF Occupancy Representation Learning from Partial Observations
Institute of Cyber-System and Control, College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院网络系统与控制研究所）
本文提出面向路径规划的3D场景补全框架，通过耦合TUDF连续几何表示与体素占用图，利用双向学习提升重建质量并直接支持轨迹规划，实验验证了其有效性。
2026-09-30 cs.RO
Path Evaluation via HMM on Semantical Occupancy Grid Maps
Bielefeld University（比勒费尔德大学）
在机器人中绘制环境地图的传统方法利用空间离散化表示，例如占用网格地图。现代系统，例如在农业或汽车应用中，配备了各种不同的传感器，以从环境中收集不同的过程相关模态。大量的数据及其相关的语义信息需要更广泛的数据结构和框架，如语义占用网格图（SOGM）。这种多模态表示也需要新的路径规划方法。由于作为任务的连续执行的路径规划的顺序性质以及它们处理由SOGM提供的多模态数据的能力，马尔可夫模型（诸如隐马尔可夫模型（HMM）或部分可观察马尔可夫决策过程）是适用的。此外，为了有效和高效地应用这些技术，必须提取和细化来自SOGM的数据。超像素算法，起源于计算机视觉，提供了一种方法去噪和重新表示的替代表示的SOGM。该出版物探索并扩展了超像素分割作为后处理步骤的使用，并将马尔可夫模型应用于SOGM上的路径解码。
2018-05-22 cs.RO
Risk Occupancy: A New and Efficient Paradigm through Vehicle-Road-Cloud Collaboration
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与出行学院）；State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与出行国家重点实验室）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
该研究提出车路云协同下的四维风险占用感知范式，其效率优于3D-Occ，在初始制动速度8m/s时提升安全冗余、降低减速度，为智能网联汽车提供紧凑可解释的风险表示。
2026-08-05 cs.RO
Is it Worth to Reason about Uncertainty in Occupancy Grid Maps during Path Planning?
Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了在路径规划过程中的障碍物的不确定性存在的推理的有用性，这通常源于使用概率占用网格地图表示的环境时，通过一个嘈杂的传感器，如立体相机映射。传统的规划模式规定使用一个硬阈值的占用概率来宣布一个细胞是一个障碍，并相应地规划一个单一的路径，同时对待未知的空间作为自由。我们将这种方法与一种新的不确定性感知规划器进行比较，该规划器规划两种不同的路径假设，然后将其初始轨迹段合并为一个以“下一个最佳视图”姿势结束的单一轨迹段。在这个信息视图被采取后，计划者承诺其中一个假设，或者如果碰撞即将发生，则承诺一个全新的假设。仿真结果表明，该规划器与传统规划器相比，具有更好的规划效果。结果表明存在规划方案-如当环境包含死胡同，或当目标被放置在障碍物附近-其中推理的不确定性可以显着减少机器人的行驶距离，并增加达到目标的机会。新的规划器也在一个真正的Clearpath Jackal机器人上进行了验证，该机器人配备了ZED 2立体摄像机。
2022-05-27 cs.RO
Occupancy Grids: A Stochastic Spatial Representation for Active Robot Perception
IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
在本文中，我们提供了一个新的框架，机器人感知，真实世界的建模和导航，使用一个随机的镶嵌表示的空间信息称为占领网格的概述。Occupational Grid是一个多维随机场模型，它维护空间网格中每个单元的占用状态的概率估计。贝叶斯估计机制，采用随机传感器模型允许增量更新的占领网格使用多视图，多传感器数据，多个地图的组成，决策，并纳入机器人和传感器位置的不确定性。我们提出了潜在的随机制定的占领网格框架，并讨论其应用程序的各种机器人獠牙。这些包括基于范围的映射，多传感器集成，路径规划和避障，处理机器人位置的不确定性，纳入预编译的地图，恢复的几何表示，以及其他相关的问题。实验结果表明，Occupational Grid方法生成密集的世界模型，在传感器不确定性和误差下是鲁棒的，并且允许显式处理不确定性。它支持开发强大而灵活的传感器解释方法，增量发现程序以及来自多个来源的信息组合。此外，结果表明，机器人任务可以通过直接在Occupational Grid上执行的操作来解决，并且这些操作与在图像处理域中执行的操作具有很强的相似性。
2013-03-27 cs.AI cs.RO
DS-K3DOM: 3-D Dynamic Occupancy Mapping with Kernel Inference and Dempster-Shafer Evidential Theory
Massachusetts Institute of Technology（麻省理工学院）
占据地图已被广泛用于表示自主机器人执行任务，如导航和操作的环境。虽然占用映射在2-D环境中已经得到了很好的研究，有几个方法适合3-D动态占用映射，这是必不可少的空中机器人。本文提出了一种新的三维动态占用映射算法DS-K3 DOM。首先，我们建立了一个贝叶斯方法，顺序更新占用地图的测量流的基础上随机有限集理论。然后，我们用Dempster-Shafer域中的粒子近似它，以实现实时计算。此外，该算法应用基于核的推理与Dirichlet基本信念分配，使稀疏测量的密集映射。通过仿真和实际实验证明了该算法的有效性。
2023-02-25 cs.RO
Real-time Semantic 3D Dense Occupancy Mapping with Efficient Free Space Representations
University of Michigan（密歇根大学）
提出了一种实时的【形】语义三维占位映射框架。映射框架是基于贝叶斯核推理策略从文献中。提出了两种新的自由空间表示方法，以有效地构建训练数据并提高映射速度，这是现实世界部署的主要瓶颈。我们的方法甚至在消费级CPU上实现实时的【形】映射。另一个重要的好处是，我们的方法可以处理动态场景，由于所提出的算法的覆盖完整性。在真实点云扫描数据集上进行了实验。
2021-07-07 cs.RO
What the HoloLens Maps Is Your Workspace: Fast Mapping and Set-up of Robot Cells via Head Mounted Displays and Augmented Reality
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Karlsruhe University of Applied Sciences（卡尔斯鲁厄应用技术大学）
传统的建模和映射机器人工作单元的方法是耗时的，昂贵的，涉及专业知识。我们提出了一种新的方法来映射和单元设置使用现代盔装显示器（HMD），具有自我定位和映射能力。我们利用这些功能来创建环境的点云并构建一个三维地图-机器人工作空间的体素占用网格表示，用于路径规划。通过使用增强现实（AR）交互，用户可以编辑所创建的Octomap并添加安全区域。我们对HoloLens的深度传感能力和生成的点云质量进行了全面测试。高端激光扫描仪用于为点云质量评估提供地面实况。还测试了在VEGFMap中的假阳性和假阴性体素的量。
2020-05-26 cs.RO
Warped Gaussian Processes Occupancy Mapping with Uncertain Inputs
University of Technology Sydney（悉尼科技大学）
在本文中，我们研究了高斯过程（GP）连续占用映射问题的扩展。有两类占用映射问题，我们特别调查。第一个问题是关于姿态不确定性下的映射以及如何将姿态估计不确定性传播到地图推理中。我们开发了预期的内核和预期的子映射的概念来处理不确定的输入。在第二个问题中，我们使用扭曲高斯过程（WGPs）来解释机器人感知噪声的复杂性。这种方法允许观察空间中的非高斯噪声，并且比标准GP更好地捕获该空间中可能的非线性。所开发的技术可以单独或同时应用于一个标准的GP占用映射问题。根据我们的实验结果，虽然考虑到姿势的不确定性导致，正如预期的那样，更多的不确定性地图，通过建模的非线性存在于观察空间WGP提高地图质量。
2017-01-04 cs.RO
Confidence-rich grid mapping
Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；University of Southern California（南加州大学）；Google AI Research（谷歌人工智能研究院）
表示环境是使机器人能够在未知环境中自主行动的基本任务。在这项工作中，我们提出了信心丰富的映射（CRM），一个新的算法，空间网格为基础的映射的三维环境。CRM通过其置信度值增加每个体素处的占用水平。通过使用CRM过滤器显式地存储和演化置信度值，CRM以三种方式扩展了传统的网格映射：首先，它部分地保持体素之间的概率依赖性。其次，它放松了手工设计反向传感器模型的需要，并提出了传感器原因模型的概念，该模型可以从正向传感器模型中以原则性的方式导出。第三，最重要的是，它提供了一致的置信度值的占用估计，可以可靠地用于碰撞风险评估和运动规划。CRM在线运行，并启用可能部分占用体素的映射环境。我们展示了该方法在模拟和物理系统中的各种数据集和环境上的性能。我们在现实世界的实验中表明，除了实现比传统方法更准确的地图，建议的过滤方案表现出更高的水平的一致性之间的错误和报告的信心，因此，使一个更可靠的碰撞风险评估运动规划。
2020-06-29 cs.CV cs.RO
Autonomous Navigation in Unknown Environments with Sparse Bayesian Kernel-based Occupancy Mapping
University of California, San Diego（加州大学圣地亚哥分校）
本文主要研究了在未知环境中自主机器人的在线地图绘制和实时碰撞检测问题。常用的体素和八叉树图表示可以在小型环境中轻松维护，但随着环境的增长，内存需求也会增加。我们提出了一个根本不同的方法占用映射，其中占用和自由空间之间的边界被视为决策边界的机器学习分类。这项工作推广了一个内核感知器模型，它保持了一个非常稀疏的支持向量集，以有效地表示环境边界。我们开发了一种基于相关向量机的概率公式，允许测量噪声和概率占用分类的鲁棒性，支持自主导航。我们提供了一个在线训练算法，更新稀疏贝叶斯地图增量从流范围数据，和一个有效的碰撞检查方法一般曲线，代表潜在的机器人轨迹。我们的映射和碰撞检查算法的有效性进行评估，在任务中需要自主机器人导航和主动映射在未知的环境中。
2021-07-11 cs.RO
Efficient Global Occupancy Mapping for Mobile Robots using OpenVDB
Karlsruhe Institute for Technology (KIT)（卡尔斯鲁厄理工学院）；Fraunhofer Institute of Optronics, System Technologies and Image Exploitation（弗劳恩霍夫光电、系统技术与图像利用研究所）；FZI Forschungszentrum Informatik（FZI信息学研究中心）
在这项工作中，我们提出了一个快速占用地图构建方法的基础上的VDB数据结构。现有的基于对数几率的占用映射系统通常不能跟上现代传感器的高点密度和帧速率。因此，我们提出了一个高度优化的方法，基于现代数据结构来自计算机图形背景。多线程插入方案允许以前所未有的速度建立占用地图。多重优化允许在运行时间和地图质量之间进行可定制的权衡。我们首先证明了定量的一组消融研究和典型的基准集的方法的有效性，在我们实际上证明了系统使用足式机器人和无人机。
2022-11-08 cs.RO
Gleanmer: A 6 mW SoC for Real-Time 3D Gaussian Occupancy Mapping
Massachusetts Institute of Technology（麻省理工学院）
Gleanmer通过算法与硬件协同优化，实现低功耗实时3D高斯占用映射，其在地图构建和查询中分别降低能耗63%和81%。
2026-03-30 cs.RO
Uncertainty-Aware Visual-Inertial SLAM with Volumetric Occupancy Mapping
Munich Center of Machine Learning (MCML), Technical University of Munich（慕尼黑机器学习中心,慕尼黑工业大学）
本文提出一种不确定性感知的视觉-惯性SLAM，通过概率化融合深度网络预测与运动立体视觉，将深度不确定性传播到体积占据建图和子图对齐中，在基准数据集上实现超越现有方法的定位与建图精度，并实时输出可用于机器人规划控制的体积占据信息。
2025-03-07 cs.RO
Towards Efficient Occupancy Mapping via Gaussian Process Latent Field Shaping
University of（大学）
针对移动机器人占据栅格地图构建需求，提出直接操控高斯过程潜函数、基于传感器视场整合自由空间先验的方法，区分自由与未知空间，在仿真中验证了方法有效性与竞争力。
2025-06-16 cs.RO
Occupancy Grid Mapping without Ray-Casting for High-resolution LiDAR Sensors
University of Hong Kong（香港大学）
针对高分辨率激光雷达占据地图构建的计算效率问题，提出名为D-Map的高效框架，通过深度图像替代光线投射、树上更新策略、递减式地图管理三项创新，在保证精度与内存效率的同时大幅提升更新速度，并已开源。
2023-10-05 cs.RO
Active Exploration and Mapping via Iterative Covariance Regulation over Continuous $SE(3)$ Trajectories
UC San Diego（加州大学圣迭戈分校）
本文提出了一种新的方法\emph{iterative Covariance Regulation}（iCR），用于主动探索和地图的移动机器人配备了车载传感器。该问题是作为最优控制的$SE(3)$姿态运动学的机器人，以最小化的微分熵的地图条件的潜在的传感器的观察。我们引入了一个可微的视野配方，并通过梯度下降方法迭代更新连续空间中的开环控制序列，使地图估计的协方差最小化，从而获得iCR。我们展示了自主探索和不确定性减少在模拟占用网格环境。
2021-03-10 cs.RO math.OC
Dynamic Occupancy Grids for Object Detection: A Radar-Centric Approach
Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）；Graz University of Technology（格拉茨技术大学）
本文提出一种以雷达为中心的动态占用栅格映射算法，针对雷达测量特性调整状态计算、逆传感器模型和视场，并在真实数据上验证，建立了首个基于雷达的基准。
2024-05-22 cs.RO
Conditional GANs for Sonar Image Filtering with Applications to Underwater Occupancy Mapping
Carnegie Mellon University（卡内基梅隆大学）
本文提出利用条件生成对抗网络（cGANs）对声呐图像进行去噪滤波，并将其应用于水下占用栅格建图，实验表明该方法在自由空间与占用空间推断上优于传统滤波方法。
2023-07-09 cs.RO
Deep Learning-Driven State Correction: A Hybrid Architecture for Radar-Based Dynamic Occupancy Grid Mapping
SETLabs Research GmbH（SETLabs研究有限公司）；Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）；Graz University of Technology（格拉茨技术大学）
本文提出一种融合深度学习状态校正与启发式融合的混合架构，用于提升自动驾驶中基于雷达的动态占用栅格地图构建的精度，并在NuScenes数据集上验证了其对动态物体检测的显著改进。
2024-05-22 cs.RO
Large-Scale Continuous Occupancy Mapping via Variance-Weighted Submap Joining
University of Technology Sydney（悉尼科技大学）；University of Edinburgh（爱丁堡大学）
提出首个连续概率子图拼接框架，通过信息保持稀疏贝叶斯公式压缩观测数据为充分统计量，联合优化子图位姿与全局占据场，实现高精度位姿估计与全局一致性地图。
2026-09-25 cs.RO
Dense 3-D Mapping with Spatial Correlation via Gaussian Filtering
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
构建环境的占用表示是机器人自主性的基本问题。存在许多准确且有效的方法来解决这个问题，但大多数方法都假设地图表示中不同元素的占用状态在统计上是独立的。本文的重点是提供一个模型，捕捉相关的地图元素的占用。相关性不仅对于提高准确性很重要，而且对于量化地图中的不确定性和基于已知和未知区域之间的相关性规划自主测绘轨迹也很重要。最近的工作提出了高斯过程（GP）回归来捕获协方差信息，并实现无分辨率占用估计。基于GP回归（或分类）的技术的缺点是计算复杂度与测量历史的长度成立方比例。我们的主要贡献是一种新的方法占用映射模型的二进制性质的占用测量精确，通过伯努利分布，并提供了一个有效的近似GP分类的复杂性，不随时间的推移。我们证明，我们的方法和GP分类提供的估计之间的误差可以忽略不计。所提出的方法进行评估，使用模拟数据和真实数据收集使用Velodyne帕克3-D范围传感器。
2018-01-23 cs.RO
ReForesight: Occlusion-Robust Re-Identification and Future Occupancy Forecasting for Dynamic Semantic Mapping
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；robotics（168机器人公司）
ReForesight是开源ROS 2工具包，在粒子语义建图中添加实例级未来占用与遮挡后重识别，用36.6k参数MLP预测目标未来3秒状态，在CODa序列上提升预测精度，已发布代码并经户外机器人验证。
2026-10-14 cs.RO
Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping
Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国理工学院）
提出紧耦合 LiDAR-视觉-惯性 SLAM 与三维占据建图框架，利用基于占据场梯度的无对应概率残差和局部子图因子图优化，实现高精度位姿估计与全局一致的大规模建图。
2024-03-04 cs.RO
Gaussian Process Autonomous Mapping and Exploration for Range Sensing Mobile Robots
College of Engineering, University of Michigan（密歇根大学工程学院）；University of Technology Sydney（悉尼科技大学）
大多数现有的机器人探索方案使用占用网格表示和称为边界的几何目标。占用网格表示依赖于网格单元之间的独立性的假设，忽略了环境中存在的结构相关性。我们开发了一种高斯过程（GPS）占用映射技术，由于其增量公式化，该技术在计算上易于在线地图构建，并提供了一个连续的地图空间坐标不确定性模型。表示从占用图中提取的几何边界的标准方法是为每个网格单元分配二进制值。我们将这一概念扩展到新的概率前沿地图计算有效地使用GP占用图的梯度。我们还提出了一种基于互信息的贪婪探索技术，该技术建立在考虑到所有可能的未来观测的表示。高维地图推理的一个主要优点是，这种技术需要更少的观测，从而在地图构建场景的探索过程中更快地减少地图熵。使用公开的数据集的评估表明，机器人测绘和探索任务的建议框架的有效性。
2017-10-18 cs.RO
D-BDM: A Direct and Efficient Boundary-Based Occupancy Grid Mapping Framework for LiDARs
Mechatronics and Robotic Systems (MaRS) Laboratory, Department of Mechanical Engineering, The University of Hong Kong（机电系统（MaRS）实验室，机械工程系，香港大学）；Department of Robotics, Perception, and Learning, KTH Royal Institute of Technology（机器人、感知与学习系，皇家理工学院）
本文提出D-BDM框架，通过高效更新方案和直接边界更新机制，降低激光雷达地图更新时间与内存消耗，提升未知环境下的自主机器人应用性能。
2026-04-14 cs.RO
Memory-Efficient Boundary Map for Large-Scale Occupancy Grid Mapping
Mechatronics and Robotic Systems (MaRS) Laboratory, Department of Mechanical Engineering, The University of Hong Kong, Hong Kong SAR, China（机械电子与机器人系统实验室，机械工程系，香港大学，香港特别行政区，中国）；Department of Robotics, Perception, and Learning, KTH Royal Institute of Technology, Stockholm, Sweden（机器人、感知与学习系，皇家理工学院，斯德哥尔摩，瑞典）
本文提出一种高效内存边界图方法，通过仅维护映射体积的边界来减少内存消耗，并设计了新的数据结构支持高效查询。
2026-03-23 cs.RO
OCC-VO: Dense Mapping via 3D Occupancy-Based Visual Odometry for Autonomous Driving
School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）
提出OCC-VO框架，通过深度学习将2D图像转换为3D语义占用，结合专用位姿估计与建图算法，在Occ3D-nuScenes上相比ORB-SLAM3显著提升成功率与轨迹精度，并实现全局一致地图构建。
2024-03-26 cs.RO
Particle-based Instance-aware Semantic Occupancy Mapping in Dynamic Environments
Delft University of Technology（代尔夫特理工大学）
本文提出一种基于粒子的实例感知语义占据地图，通过S$^2$MC-PHD滤波器和记忆模块联合估计占据状态、语义与实例ID，在Virtual KITTI 2及真实数据上验证了其在动态环境中优于现有方法。
2025-01-03 cs.RO
Bayesian Spatial Kernel Smoothing for Scalable Dense Semantic Mapping
University of Michigan（密歇根大学）
本文开发了一个贝叶斯连续的3D语义占用地图从嘈杂的点云通过推广贝叶斯核推理模型的建设占用地图，一个二进制的问题，语义地图，一个多类的问题。所提出的方法提供了一个统一的概率模型的占用和语义概率，并很好地恢复到原来的占用映射框架时，只有一个被占用的类存在于所获得的测量。贝叶斯空间核推理放松了独立网格假设，并为地图推理带来了平滑性和连续性，从而能够利用环境中存在的局部相关性并提高性能。附带的软件使用多线程和矢量化，在笔记本电脑CPU上以约2 Hz的频率运行。使用立体相机和LiDAR数据集的多个序列的评估表明，所提出的方法始终优于当前的基线。我们还提出了一个定性的评估，使用密歇根大学北校区的双足机器人平台收集的数据。
2020-01-26 cs.RO
Monocular Semantic Occupancy Grid Mapping with Convolutional Variational Encoder-Decoder Networks
Eindhoven University of Technology（埃因霍温理工大学）
在这项工作中，我们研究和评估端到端的学习单目语义度量占用网格映射从弱双目地面真理。该网络学习预测四个类别，以及相机到鸟瞰图的映射。在核心，它利用了一个变分编码器-解码器网络，该网络对驾驶场景的前视视觉信息进行编码，随后将其解码为2-D俯视笛卡尔坐标系。对Cityscapes的评估表明，语义度量占用网格的端到端学习优于平面假设的确定性映射方法，平均IoU超过12%。此外，我们表明，变分采样与一个相对较小的嵌入向量带来了对车辆动态扰动的鲁棒性，和不可见的KITTI数据的推广。我们的网络实现了约实时推理率。对于分辨率为256 x512像素的输入图像和使用Titan V GPU的具有64 x64占用网格单元的输出地图，使用35 Hz。
2018-12-31 cs.CV cs.RO
Volumetric Occupancy Detection: A Comparative Analysis of Mapping Algorithms
Intelligent System Associate Laboratory (LASI)（智能系统联合实验室（LASI））；Institute of Electronics and Informatics Engineering of Aveiro (IEETA)（阿威罗电子与信息工程研究所（IEETA））；University of Aveiro（阿威罗大学）
本文针对协作机器人安全中的体积占用检测，构建仿真评估流程，系统比较 OctoMap、SkiMap 和 Voxblox 三种建图算法及其参数影响，为框架选择提供定性与定量依据。
2023-07-06 cs.RO
Occupancy-SLAM: Simultaneously Optimizing Robot Poses and Continuous Occupancy Map
针对传统占据建图需先获取位姿再建图的问题，提出Occupancy-SLAM方法，通过高斯-牛顿法变体联合优化机器人位姿与连续占据地图，在有较准初值时精度优于现有前沿技术。
2024-05-17 cs.RO
A Multi-Task Recurrent Neural Network for End-to-End Dynamic Occupancy Grid Mapping
Ulm University（乌尔姆大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；Otto von Guericke University Magdeburg（马格德堡奥托·冯·格里克大学）
用于对自动驾驶车辆的环境进行建模的常见方法是动态占用网格地图，其中周围环境被划分为单元格，每个单元格包含其位置的占用和速度状态。尽管建模任意形状的物体的优势，所使用的算法依赖于手工设计的逆传感器模型和语义信息丢失。因此，我们引入了一个多任务循环神经网络来预测网格地图，提供占用率，速度估计，语义信息和可驾驶区域。在训练过程中，我们的网络架构（卷积层和递归层的组合）处理原始激光雷达数据序列，这些数据表示为具有多个高度通道的鸟瞰图像。多任务网络以端到端的方式进行训练，以预测占用网格地图，而无需通常的预处理步骤，包括移除地面点和应用逆传感器模型。在我们的评估中，我们表明，我们学习的逆传感器模型能够克服几何逆传感器模型在表示物体形状和建模自由空间方面的一些限制。此外，我们报告了一个更好的运行时性能和更准确的语义预测，我们的端到端的方法相比，我们的网络依赖于测量网格地图作为输入数据。
2022-05-05 cs.RO
Data-Driven Occupancy Grid Mapping using Synthetic and Real-World Data
RWTH Aachen University（亚琛工业大学）
在自动驾驶汽车（AV）的感知任务中，数据驱动往往优于传统方法。这促使我们开发了一种数据驱动的方法来从激光雷达测量结果计算占用网格图（OGM）。我们的方法扩展了以前的工作，这样估计的环境表示现在包含一个额外的层动态对象所占用的细胞。早期的解决方案只能区分空闲和占用的细胞。障碍物能否移动的信息对于无人机的行为规划起着重要的作用。我们提出了两种方法来生成训练数据。一种方法扩展了我们以前使用合成训练数据的工作，从而生成具有上述三种细胞状态的OGM。另一种方法使用来自nuScenes数据集的手动注释来创建训练数据。我们比较了这两种模型在对现实世界数据集中看不见的数据进行定量分析时的性能。接下来，我们分析了这两种方法应对域转移的能力，即当从不同车辆上的不同传感器获得激光雷达测量结果时。我们建议使用从对真实世界数据的评估中获得的信息来进一步缩小现实差距，并创建更好的合成数据，这些数据可用于为任意传感器配置训练占用网格映射模型。代码可在https://github.com/ika-rwth-aachen/DEviLOG上获得。
2022-11-15 cs.RO
RTISSLAM: In-air Imaging Sonar SLAM using a Robust Pose Graph and Occupancy Grid Mapping
University of Antwerp（安特卫普大学）；Flanders Make Strategic Research Centre（佛兰德斯制造战略研究中心）
RTISSLAM是一种仅用声呐的SLAM系统，结合BatSLAM 2.0后端与占据栅格，可降低轮式里程计轨迹误差，解决室内声呐镜面反射问题，在模拟环境中表现优于激光雷达风格栅格SLAM。
2026-10-14 cs.RO
Semantic-Aware Predictive Mapping for Exploration and Navigation
ST Engineering（新科工程）；National University of Singapore（新加坡国立大学）
本研究提出语义感知预测建图，利用门语义线索改善机器人探索与导航中模糊区域的占据补全，实验显示局部门区域L1误差显著降低，F1和IoU提升至1.0。
2026-10-08 cs.RO
Multi-Objective Autonomous Exploration on Real-Time Continuous Occupancy Maps
Indiana University-Bloomington（印第安纳大学伯明顿分校）；Wing, Alphabet Inc.（Alphabet公司Wing）
使用移动机器人在未知环境中进行自主探索是许多机器人应用的支柱。现有的探索框架要么选择最近的几何边界，要么选择最近的信息论边界。然而，仅仅因为边界本身是信息化的，并不一定意味着机器人在到达该边界后将处于信息化区域。为了填补这一空白，我们建议使用一个多目标的变体蒙特卡罗树搜索，提供了一个非近视的帕累托最优动作序列，导致机器人的未知区域发现的最大程度的前沿。我们还采用贝叶斯希尔伯特映射（BHM）的连续占用映射，使其更适用于实时的【形】任务。
2021-10-29 cs.RO
Semantic 3D Occupancy Mapping through Efficient High Order CRFs
The Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Language Technology Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
语义3D映射可以用于许多应用，例如机器人导航和虚拟交互。近年来，在语义分割和几何三维映射方面取得了很大的进展。然而，它仍然是具有挑战性的结合这两个任务，从图像的准确和大规模的语义映射。在本文中，我们提出了一个增量和（近）实时语义映射系统。建立了一个3D滚动占用网格地图来表示世界，这是内存和计算效率高，并有界的大规模环境。我们利用CNN分割作为先验预测，并通过一种新的CRF模型进一步优化3D网格标签。利用超像素增强光顺性，形成鲁棒的PN高阶势.一个有效的平均场推理的图形优化。我们在KITTI数据集上评估了我们的系统，并将分割精度提高了10%。
2017-07-24 cs.CV cs.RO
Dynamic Occupancy Grid Mapping with Recurrent Neural Networks
Ulm University（乌尔姆大学）；Robert Bosch GmbH（罗伯特·博世有限公司）
建模和理解环境是自动驾驶的一项重要任务。除了物体的检测，在复杂的交通场景中，其他道路参与者的运动是特别感兴趣的。因此，我们建议使用一个经常性的神经网络来预测一个动态的占用网格地图，划分周围的车辆在细胞，每个细胞包含占用概率和速度估计。在训练过程中，我们的网络被输入测量网格图序列，这些网格图对单个时间步长的激光雷达测量进行编码。由于卷积层和递归层的结合，我们的方法能够使用空间和时间信息来进行静态和动态环境的鲁棒检测。为了应用我们的方法与测量从一个移动的自我车辆，我们提出了一种自我运动补偿的方法，是适用于神经网络架构与工作在不同分辨率的递归层。在我们的评估中，我们将我们的方法与最先进的基于粒子的算法在大型公开数据集上进行比较，以证明速度估计的准确性提高以及静态和动态区域中环境的更鲁棒分离。此外，我们表明，我们提出的自我运动补偿的方法导致类似的结果，在场景中与静止和移动的自我车辆。
2022-05-05 cs.RO
Diagnosing and Dynamically Filtering Occupancy World Models for Active Mapping
Boise State University（博伊西州立大学）；Texas A&M University–San Antonio（德克萨斯农工大学圣安东尼奥分校）
本研究通过固定规划器并改变占用表示，诊断占用误差对主动建图的影响，发现单独纠正假阳性或假阴性无法持续改善覆盖率，并提出一种动态过滤策略以提升覆盖效率。
2026-09-11 cs.CV cs.RO
Dynamic Semantic Occupancy Mapping using 3D Scene Flow and Closed-Form Bayesian Inference
National Institute of Standards and Technology（美国国家标准与技术研究院）；Colorado State University（科罗拉多州立大学）；Applied Research Associates（应用研究联合公司）；US Army CCDC Ground Vehicle Systems Center（美国陆军作战能力发展司令部地面车辆系统中心）
本文报道了一个动态的语义映射框架，将3D场景流测量到一个封闭形式的贝叶斯推理模型。环境中动态对象的存在会在当前的映射算法中引起伪影和痕迹，导致不一致的映射后验。我们利用最先进的语义分割和使用深度学习的3D流估计来为地图推理提供测量。我们开发了一个贝叶斯模型，该模型利用流动来传播场景，并推断出一个3D连续（即，可以以任意分辨率查询）语义占用图优于其静态对应物。使用公开数据集进行的大量实验表明，所提出的框架优于其前辈，并且一致地从深度神经网络输入测量。
2022-09-06 cs.CV cs.RO
Deep Inverse Sensor Models as Priors for evidential Occupancy Mapping
Ford Werke GmbH（福特汽车有限公司）；RWTH Aachen University（亚琛工业大学）
随着最近自动驾驶的发展，人们越来越关注雷达作为占用地图的输入。除了它们的许多优点之外，基于雷达检测的占用空间的推断是非常困难的，因为数据稀疏性和环境相关噪声（例如，多径反射）。最近，基于深度学习的逆传感器模型，从这里开始称为深度ISM，已经被证明在检索占用信息方面优于其几何对应物。然而，这些方法执行数据驱动的插值，这必须在以后的测量中进行验证。在这项工作中，我们描述了一种新的方法来集成深度ISM连同几何ISM到证据占用映射框架。我们的方法利用数据驱动方法的能力来初始化几何模型尚未观察到的细胞，有效地提高感知场和收敛速度，同时使用几何ISM的精度来收敛到尖锐的边界。我们进一步定义了一个下限的深度ISM估计的确定性，连同分析证明的收敛，我们用来区分细胞，仅分配的深度ISM从细胞已经验证了使用几何方法。
2020-12-02 cs.LG cs.RO
Information correlated Levy walk exploration and distributed mapping using a swarm of robots
University of Southern California（南加州大学）；Arizona State University（亚利桑那州立大学）
在这项工作中，我们提出了一种新的分布式方法，用于构建一个未知环境的占用网格地图，使用一群具有全局定位能力和有限的机器人间通信的机器人。机器人探索域通过执行Levy步行，其中它们的标题是通过最大化机器人的估计其环境的占用网格地图的形式和距离测量，它很可能获得当它在该方向上移动时，最大化之间的互信息来定义的。每个机器人都配备了激光测距传感器，它通过反复将自己的距离测量与相邻机器人广播的地图信息相结合来构建其占用网格地图。使用结果的平均共识随时间变化的图形拓扑结构，我们证明了所有的机器人的地图将最终收敛到实际的地图的环境。此外，我们证明了一种基于拓扑数据分析的技术，在我们以前的工作中开发的拓扑地图，可以很容易地扩展为自适应阈值的占用网格地图。我们通过一系列的二维仿真和多机器人实验验证了我们的分布式探索和映射策略的有效性。
2020-06-18 cs.RO
Robust Robotic Exploration and Mapping Using Generative Occupancy Map Synthesis
本文提出了一种基于生成占用地图合成的鲁棒机器人探索方法，通过实时融合预测提升地图质量和可通行性，实验表明其在不同环境中提升了探索一致性。
2025-12-29 cs.AI cs.RO
Autonomous Navigation in Unknown Environments using Sparse Kernel-based Occupancy Mapping
University of California, San Diego（加利福尼亚大学圣地亚哥分校）
本文主要研究在未知环境中自主机器人导航时的实时占位映射和碰撞检测问题。我们提出了一种新的地图表示，其中占用和自由空间是由内核感知器分类器的决策边界分开。我们开发了一个在线训练算法，保持一个非常稀疏的支持向量集，以表示障碍物的边界配置空间。我们还推导出条件，允许完整的（不采样）碰撞检查分段线性和分段多项式机器人轨迹。我们证明了我们的映射和碰撞检查算法的阿克曼驱动机器人在未知环境中的自主导航的有效性。
2020-02-05 cs.LG cs.RO cs.SY
Collaborative Learning of Local 3D Occupancy Prediction and Versatile Global Occupancy Mapping
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（智能机器人与先进制造学院，复旦大学）；State Key Laboratory of Intelligent Vehicle Safety Technology, Chongqing Changan Automobile Co., Ltd.（智能车辆安全技术重点实验室，重庆长安汽车有限公司）
本文提出LMPOcc框架，通过整合全局占用先验提升局部预测性能，并实现全局地图的持续更新，适用于自动驾驶中的3D语义占用预测与大规模地图构建。
2026-03-05 cs.CV cs.RO
Rethinking Learned Occupancy in Autonomous Active Mapping with Observation-Gated Filtering
Boise State University（博伊西州立大学）；Texas A&M University–San Antonio（德州农工大学圣安东尼奥分校）
本研究通过闭环基准诊断学习占用率对主动建图规划的双重影响，提出观测门控滤波器以在观测不足时保留补全、重复暴露后抑制预测，无需重训即可改善易失败场景的覆盖率。
2026-09-09 cs.CV cs.RO
PanOVOcc: Panoramic Embodied Open-Vocabulary Occupancy Mapping with Long-term Spatial Voxel Memory
提出无训练框架PanOVOcc，统一全景SLAM、开放词汇感知与长期空间体素记忆，实现持久开放词汇语义占据映射，并在两个新基准上显著提升占据IoU和语义mIoU。
2026-09-29 cs.CV cs.RO eess.IV
GEM-Occ: From Visual Geometry Evidence to Embodied Semantic Occupancy Memory
The Hong Kong Polytechnic University（香港理工大学）；Eastern Institute of Technology（东部理工学院）；Shanghai Jiao Tong University（上海交通大学）；Wuhan University（武汉大学）；The University of Hong Kong（香港大学）；Georgia Institute of Technology（佐治亚理工学院）
研究针对现有室内占用基准和方法对长距离语义映射探索不足的问题，提出GEM-Occ框架，将局部视觉几何预测转化为语义高斯占用证据等并融合到持久分层记忆中，实验证明该框架在多方面优于现有基线。
2026-10-06 cs.CV cs.RO
A Simulation-based End-to-End Learning Framework for Evidential Occupancy Grid Mapping
RWTH Aachen University（亚琛工业大学）
证据占用网格地图（OGM）是一种流行的自动驾驶汽车的环境表示。逆传感器模型（ISM）用于从传感器数据（如激光雷达点云）计算OGM。几何ISM在估计未观察到但可推断的区域中的状态时表现出有限的性能，并且难以处理模糊输入。基于深度学习的ISM面临着有限的训练数据的挑战，并且它们通常还不能处理不确定性量化。我们提出了一个基于深度学习的框架来学习OGM算法，该算法既能够量化一阶和二阶不确定性，又不依赖于手动标记的数据。合成和真实世界的数据上的结果显示优于其他方法。源代码和数据集可在https://github.com/ika-rwth-aachen/EviLOG上获得
2021-06-17 cs.RO eess.SP
Lambda-Field: A Continuous Counterpart of the Bayesian Occupancy Grid for Risk Assessment
Université Clermont Auvergne（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）；SIGMA Clermont（克莱蒙费朗西格玛中心）；Institut Pascal（帕斯卡研究所）；Irstea（法国农业环境与技术研究所）；Northern Robotics Laboratory（北方机器人实验室）；Université Laval（拉瓦尔大学）
在自主机器人的背景下，最重要的任务之一是确保机器人及其周围环境的安全。在大多数情况下，航行的风险被简单地说成是碰撞的概率。这种风险的概念在文献中没有很好的定义，特别是在处理占用网格时。贝叶斯占有网格是处理复杂环境最常用的方法。然而，这并不适合计算沿着其离散性质的路径的风险，因此给出了差的结果。在这篇文章中，我们提出了一种新的方法来存储的占用环境，允许的风险计算为一个给定的路径。然后，我们定义的风险，碰撞的力量，将发生一个给定的障碍。使用这个框架，我们能够生成导航路径，确保机器人的安全。
2019-08-28 cs.RO
