Point wise or Feature wise? Benchmark Comparison of Public Available LiDAR Odometry Algorithms in Urban Canyons
鲁棒、精确的定位对于具有导航要求的自主系统至关重要。光探测和测距（LiDAR）里程计在过去几十年中被广泛研究，以实现这一目标。使用现有的LiDAR测距（LO）算法，可以在具有丰富环境特征的场景中实现令人满意的精度。不幸的是，激光雷达测距的性能显着下降，在城市峡谷与众多的动态对象和复杂的环境结构。同时，从现有文献中仍然不清楚哪些LO算法在这种具有挑战性的环境中表现良好。为了填补这一空白，本文评估了一系列流行的和广泛研究的LO管道在香港城市峡谷收集的数据集。我们提出的结果在其定位精度和计算效率。本文总结了影响城市峡谷中LO性能的三个主要因素，即自车动力学、运动物体和城市化程度。根据我们的实验结果，逐点实现更好的精度在城市峡谷，而功能明智的实现成本效益和令人满意的定位精度。
2021-06-29 cs.RO
Complex Urban LiDAR Data Set
Department of Civil and Environmental Engineering, KAIST（韩国科学技术院（KAIST）土木与环境工程系）
本文提出了一种针对复杂城市环境的光探测和测距（LiDAR）数据集。城市环境中的高层建筑和拥挤的交通对许多机器人应用提出了重大挑战。所呈现的数据集是独特的，因为它能够捕捉城市环境的真实特征（例如大都市地区，大型建筑群和地下停车场）。在数据集中提供了作为LiDAR传感器的典型类型的二维（2D）和三维（3D）LiDAR的数据。两个16射线3D激光雷达在两侧倾斜，以获得最大的覆盖范围。一个2D LiDAR面向后，而另一个面向前，分别收集道路和建筑物的数据。来自光纤陀螺仪（FOG）、惯性测量单元（IMU）和全球定位系统（GPS）的原始传感器数据以文件格式呈现，用于车辆姿态估计。应用图同时定位与地图构建（SLAM）算法后，给出了100 Hz下车辆的姿态估计信息。为了方便开发，在Robot操作系统（ROS）环境下的文件播放器和数据查看器也通过网页发布。完整的数据集可在http://irap.kaist.ac.kr/dataset上查阅。在本网站中，使用WebGL提供每个数据集的3D预览。
2018-03-16 cs.RO
3D LiDAR Aided GNSS NLOS Mitigation for Reliable GNSS-RTK Positioning in Urban Canyons
Huawei Technologies（华为技术有限公司）
GNSS和LiDAR测距法是互补的，因为它们分别提供绝对和相对定位。以松耦合方式将它们整合起来是简单的，但由于全球导航卫星系统信号反射，在城市峡谷中面临挑战。最近提出的3D激光雷达辅助（3DLA）GNSS方法采用点云图来识别GNSS信号的非视线（NLOS）接收。这有助于GNSS接收器获得改进的城市定位，但不能达到亚米级。全球导航卫星系统实时运动学（RTK）使用载波相位测量来获得分米级定位。在城市地区，GNSS RTK不仅面临多路径和NLOS影响测量的挑战，而且还会受到建筑物信号阻塞的影响。后者将在解决载波相位测量内的模糊性方面带来挑战。换句话说，模糊度解算（AR）的模型可观测性大大降低。本文提出了一种利用从累积的3D点云图（PCM）中选择的LiDAR地标生成虚拟卫星（VS）测量值的方法。这些由LiDAR-PCM制成的VS测量与GNSS伪距和载波相位测量紧密耦合。因此，VS测量可以提供补充约束，这意味着在跨街道方向上提供低仰角测量。该实现是使用因子图优化来解决模糊度的精确浮点解，然后将其输入LAMBDA。该方法的有效性已经通过对我们最近开源的具有挑战性的数据集UrbanNav进行的评估进行了验证。结果表明，3DLA GNSS RTK的定位率约为30%，而传统的GNSS-RTK仅达到约14%。此外，所提出的方法在具有挑战性的城市地区收集的大部分数据中实现了亚米级的定位精度。
2022-12-11 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
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
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
3D LiDAR Aided GNSS NLOS Mitigation in Urban Canyons
Hong Kong Polytechnic University（香港理工大学）
在本文中，我们提出了一种三维激光雷达辅助全球导航卫星系统（GNSS）的非视线（NLOS）的缓解方法所造成的静态建筑物和动态对象。首先基于来自3D LiDAR传感器的实时3D点云生成描述自我车辆周围环境的滑动窗口地图。然后，NLOS接收检测的基础上的滑动窗口地图使用一个建议的快速搜索方法，这是免费的GNSS接收机的位置的初始猜测。本文提出了一种修正伪距测量模型的方法，即：（1）在滑动窗口地图内检测到NLOS信号的反射点时，对伪距测量值进行修正;（2）采用一种新的加权方案，对NLOS伪距测量值的不确定性进行重构。我们评估了所提出的方法在几个典型的城市峡谷在香港使用汽车级GNSS接收机的性能。此外，我们还评估了潜在的建议NLOS缓解方法在GNSS和惯性导航系统集成通过因子图优化。
2021-12-12 cs.RO
SLIM: Scalable and Lightweight LiDAR Mapping in Urban Environments
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong University（香港大学）
SLIM是一种用于城市环境长期LiDAR建图的可扩展轻量级系统，通过将点云参数化为线和平面，结合位姿稀疏化方法，在保证精度的同时实现低内存消耗（约130 KB/km）。
2025-03-26 cs.RO
LiDAR Road-Atlas: An Efficient Map Representation for General 3D Urban Environment
Nanjing University of Science and Technology（南京理工大学）；University of Macau（澳门大学）
提出LiDAR Road-Atlas这一可压缩高效的3D地图表示方法，通过增量合并局部2D占据栅格地图、概率融合方案与稀疏点云编码，解决非结构化及多层城市道路建图问题，并在多个基准数据集上实现了高精度的车辆全局定位。
2023-03-13 cs.RO
FlexMap Fusion: Georeferencing and Automated Conflation of HD Maps with OpenStreetMap
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑工业大学慕尼黑机器人与机器智能研究所）；Professorship of Autonomous Vehicle Systems, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑工业大学慕尼黑机器人与机器智能研究所自主车辆系统教授席位）
提出FlexMap Fusion方法，利用OpenStreetMap自动更新和增强高清矢量地图，支持地理参考、语义属性融合及差异可视化，减少人力并提升地图完整性和可扩展性。
2024-04-18 cs.RO
Matched Filtering based LiDAR Place Recognition for Urban and Natural Environments
Queensland University of Technology（昆士兰科技大学）；QUT Centre for Robotics（昆士兰科技大学机器人中心）；School of Electrical Engineering and Robotics（电气工程与机器人学院）；Intel Labs（英特尔实验室）
提出一种基于BEV全局描述子与匹配滤波两阶段搜索的免训练LiDAR地点识别方法，在城市和自然场景中同时实现地点识别与相对位姿估计，多项基准达到SoTA。
2024-09-06 cs.RO
Lidar-based Tracking of Traffic Participants with Sensor Nodes in Existing Urban Infrastructure
RWTH Aachen University（亚琛工业大学）；University of the Bundeswehr Munich（慕尼黑联邦国防军大学）；University of Alberta（阿尔伯塔大学）
本文提出一种基于激光雷达和边缘计算的路侧跟踪框架，在CPU硬件上实现实时、高精度的交通参与者状态估计，并集成于现有城市基础设施，降低成本并支持隐私友好部署。
2025-09-24 cs.RO
A LiDAR-based real-time capable 3D Perception System for Automated Driving in Urban Domains
我们提出了一个基于激光雷达和实时的【形】能力的三维感知系统，在城市领域的自动驾驶。分层系统设计能够在实时的【形】条件下同时对环境的固定和可移动部分进行建模。我们的方法通过创新的细节增强功能扩展了最先进的技术水平，即使在不平坦的地面和悬垂或突出的元素的情况下，也能感知道路使用者和可驾驶的走廊。我们描述了一个运行时高效的点云处理管道，包括自适应地面估计，3D聚类和运动分类阶段。基于流水线的输出，静止环境表示在多特征映射和融合的方法。在能够使用多个参考点来考虑视点变化的对象跟踪系统中表示可移动元素。我们进一步提高了跟踪系统明确考虑遮挡和模糊的情况下。我们的系统使用TUBS道路用户数据集的一个子集进行评估。我们通过考虑现实世界流量场景的应用驱动方面来增强常见的性能指标。感知系统显示出令人印象深刻的结果，并能够应付所解决的情况下，同时仍然保持实时的【形】能力。
2020-05-07 cs.RO
Realtime Rooftop Landing Site Identification and Selection in Urban City Simulation
University of Michigan（密歇根大学）
在城市中安全自主着陆是不断发展的无人机系统（UAS）行业的必要条件。在紧急情况下，建筑物屋顶，特别是平屋顶，可以为小型UAS提供局部安全着陆区。本文研究了基于激光雷达和摄像机传感器反馈的屋顶安全着陆区的实时识别和选择。在虚幻游戏引擎中构建了一个视觉高保真度的模拟城市，特别注意准确地生成屋顶和常见的障碍物，例如，空调水塔通风口AirSim是Unreal的机器人模拟器插件，提供无人机模拟和控制，并能够从模拟的Unreal世界输出视频和LiDAR传感器数据流。在随机模拟城市上训练神经网络以提供像素分类模型。提出了一种新的算法，该算法通过融合激光雷达和视觉数据，找到最佳的无障碍着陆位置附近的屋顶。
2019-03-09 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
HDA-LVIO: A High-Precision LiDAR-Visual-Inertial Odometry in Urban Environments with Hybrid Data Association
College of Intelligent Systems Science and Engineering, Harbin Engineering University（哈尔滨工程大学智能系统科学与工程学院）；National Innovation Institute of Defense Technology, Academy of Military Sciences China（中国军事科学院国防科技创新研究院）；Tianjin Artificial Intelligence Innovation Center (TAIIC)（天津人工智能创新中心）
本文提出 HDA-LVIO，通过融合激光雷达-惯性建图、视觉光流跟踪、对极约束恢复及混合数据关联，提升城市环境中的车辆定位精度。
2024-03-11 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
Planning Paths through Occlusions in Urban Environments
OPPO US Research Center（OPPO美国研究中心）；Cornell University（康奈尔大学）
本文提出了一种新的框架规划在未知和闭塞的城市空间。我们特别关注转弯和交叉口，在这些地方，遮挡会显著影响导航性。我们的方法使用修复模型来填充稀疏，闭塞，语义激光雷达点云，并计划动态可行的路径，车辆穿越开放和修复的空间。我们使用具有实时遮挡的汽车激光雷达数据演示了我们的方法，并表明通过修复遮挡区域，我们可以规划更长的路径，与没有修复相比具有更多的转弯选项;此外，与其他最先进的方法相比，我们的方法更紧密地遵循来自没有遮挡的规划器的路径（称为地面实况）。
2022-12-29 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
InterKey: Cross-modal Intersection Keypoints for Global Localization on OpenStreetMap
本文提出 InterKey 框架，以道路交叉口为地标，联合编码点云与 OSM 的道路和建筑印记并实现跨模态全局定位，在 KITTI 上取得领先精度。
2025-09-29 cs.CV cs.RO
OpenTwinMap: An Open-Source Digital Twin Generator for Urban Autonomous Driving
Vanderbilt University（范德比大学）
OpenTwinMap是一种基于Python的开源框架，用于生成高保真的3D城市数字孪生，通过整合LiDAR和OSM数据，支持自动驾驶模拟和扩展性。
2025-11-26 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
Pole-like Objects Mapping and Long-Term Robot Localization in Dynamic Urban Scenarios
Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳））；Chinese University of Hong Kong（香港中文大学）
3D数据定位对于无人驾驶车辆来说是一项具有挑战性的任务，特别是在长期动态的城市场景中。由于其通用性和长期稳定性，柱状物体非常适合作为时变场景下无人机定位的地标。本文提出了一种基于语义聚类图的长时间LiDAR纯定位算法。首先，卷积神经网络（CNN）被用来推断LiDAR点云的语义。结合点云分割，提取场景中长期静止的物体杆/躯干，并将其配准到语义聚类图中。当无人驾驶车辆再次进入环境时，通过将局部地图的聚类与全局地图的聚类进行匹配来完成重新定位。此外，局部和全局地图之间的连续匹配稳定地输出2 Hz的全局姿态，以校正3D LiDAR里程计的漂移。该方法在不维护高精度点云地图的情况下，实现了长期场景下的定位。在校园数据集上的实验结果表明，与现有的方法相比，该方法具有更好的定位精度。这篇论文的来源可在http://www.github.com/HITSZ-NRSL/long-term-localization上查阅。
2021-03-27 cs.RO
Autonomous social robot navigation in unknown urban environments using semantic segmentation
Monash University（莫纳什大学）
对于在城市环境中导航的自主机器人，重要的是机器人保持在指定的行进路径上（即，人行道），并避免区域，如草地和花园床，为安全和社会的一致性考虑。提出了一种结合语义分割和LiDAR数据的城市未知环境自主导航方法。所提出的方法使用分割的图像掩模来创建环境的3D障碍图，从该障碍图中计算人行道的边界。与现有方法相比，我们的方法不需要预先构建的地图，并提供了对安全旅行区域的3D理解，使机器人能够规划通过人行道的任何路径。将我们的方法与仅使用LiDAR或仅使用语义分割的两种替代方案进行比较的实验表明，总体而言，我们提出的方法在室外的成功率超过91%，室内的成功率超过66%。我们的方法使机器人能够始终保持在安全的行驶路径上，并减少了碰撞次数。
2022-09-12 cs.RO
Geographical Map Registration and Fusion of Lidar-Aerial Orthoimagery in GIS
Australian Center for Field Robotics, the University of Sydney（悉尼大学澳大利亚野外机器人中心）
厘米级的全球精确和一致的地图自动驾驶车辆导航长期以来一直是通过车载实时动态（RTK）-GPS在开放地区。然而，当处理城市环境时，GPS在城市峡谷、桥下、隧道内和地下环境中会经历多径和阻塞。在本文中，我们提出了战略，有效地注册本地地图的地理坐标系，通过战术整合的GPS和信息提取精确的地理参考高分辨率航空正交图像。从移动车辆获得的密集激光雷达点云向下投影到水平面，精确配准并叠加在航空正射影像上。稀疏，鲁棒和长期的杆状地标被用作锚点链接激光雷达和航空图像传感，并约束剩余的激光雷达点，不能直接测量和识别的空间不确定性。我们使用精确的地理参考航空图像作为地面实况，实现了15- 75厘米的绝对平均全球精度。这在实现地面车辆车载传感器特征与从空中图像提取的特征（例如交通和车道标记）的融合方面是有价值的。它也是有用的合作感测有一个公正的和准确的全球参考。实验结果表明，在大面积操作时，地图的准确性和一致性。
2019-04-19 cs.RO
PRISM-Loc: a Lightweight Long-range LiDAR Localization in Urban Environments with Topological Maps
Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所）；Innopolis University（Innopolis大学）
PRISM-Loc提出了一种轻量级的激光雷达定位方法，结合紧凑拓扑表示与新型扫描匹配和车道线检测模块，实现了在城市环境中高精度的实时定位。
2025-12-22 cs.CV cs.RO
Toward Robust LiDAR based 3D Object Detection via Density-Aware Adaptive Thresholding
SNU（首尔大学）；Interdisciplinary Program in Artifical Intelligence, SNU（首尔大学人工智能交叉学科项目）；Dept. of Mechanical Engineering, SNU（首尔大学机械工程系）
本文提出一种基于与自车距离动态调整检测阈值的后处理算法，通过自适应阈值减少城市场景中的漏报与误报，提升了LiDAR 3D目标检测模型在动态及恶劣天气下的鲁棒性。
2024-04-22 cs.RO
UrbanV2X: A Multisensory Vehicle-Infrastructure Dataset for Cooperative Navigation in Urban Areas
Department of Aeronautical and Aviation Engineering, The Hong Kong Polytechnic University（航空与航空工程系，香港理工大学）；Hong Kong Applied Science and Technology Research Institute (ASTRI)（香港应用科学和技术研究院）；Nanyang Technological University（南洋理工大学）
UrbanV2X数据集通过多感官数据支持城市区域的协同导航研究，包含车辆和基础设施的同步传感器数据及算法评估
2025-12-23 cs.RO
Online Pole Segmentation on Range Images for Long-term LiDAR Localization in Urban Environments
Aalto University（阿尔托大学）；University of Bonn（波恩大学）；University of Oxford（牛津大学）
鲁棒和精确的定位是移动自治系统的基本要求。在城市环境中，交通标志、电线杆和路灯等杆状物体由于其局部的独特性和长期的稳定性，经常被用作定位的地标。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的基础上的几何特征，在线运行，并有很少的计算需求。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。我们进一步使用提取的极点作为伪标签来训练深度神经网络，用于基于深度图像的极点分割。我们测试了我们的几何和基于学习的极点提取方法，用于在具有不同LiDAR扫描仪，路线和季节变化的不同数据集上进行定位。实验结果表明，我们的方法优于其他国家的最先进的方法。此外，通过从多个数据集提取的伪极点标签，我们基于学习的方法可以在不同的数据集上运行，并且与我们基于几何的方法相比，可以实现更好的定位结果。我们向公众发布了我们的极点数据集，用于评估极点提取器的性能以及我们方法的实施。
2022-08-15 cs.CV cs.RO
Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving
Institute of Automotive Technology, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑工业大学汽车技术研究所，慕尼黑机器人与机器智能研究所）；Professorship Autonomous Vehicle Systems, Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich（慕尼黑工业大学自动驾驶车辆系统教授席，慕尼黑机器人与机器智能研究所）
针对城市自动驾驶的精准鲁棒定位建图需求，提出基于四路LiDAR与KISS-ICP的传感器融合流水线，可生成语义地图并集成至Autoware，性能优于现有最优方案。
2023-11-03 cs.CV cs.RO eess.SP
Active Loop Closure for OSM-guided Robotic Mapping in Large-Scale Urban Environments
University of Macau（澳门大学）；State Key Laboratory of Internet of Things for Smart City (SKL-IOTSC)（智慧城市物联网国家重点实验室）；Faculty of Science and Technology（科技学院）
针对大规模城市建图中位姿不确定性导致的建图失败问题，提出一种主动闭环方法，通过重新规划GPS轨迹引导机器人重访旧地以触发后端优化，有效降低了位姿估计误差。
2024-07-24 cs.RO
SC-LiDAR-SLAM: a Front-end Agnostic Versatile LiDAR SLAM System
KAIST（韩国科学技术院）；Seoul National University（首尔大学）
精确的3D点云地图生成是各种机器人任务甚至数据驱动的城市分析的核心任务。为此，已经详细阐述了基于光检测和测距（LiDAR）传感器的同时定位与地图构建（SLAM）技术。为了组成一个完整的SLAM系统，学术界已经提出了许多里程计和地点识别方法。然而，它们几乎没有被集成或太紧密地组合，使得交换（升级）单个里程计或位置识别模块是非常费力的。最近，每个模块的性能都有了很大的提高，因此有必要构建一个可以有效集成它们并轻松使用最新模块替换它们的SLAM系统。在本文中，我们发布了这样一个前端不可知的LiDAR SLAM系统，名为SC-LiDAR-SLAM。我们通过模块化设计构建了一个完整的SLAM系统，并成功地将其与Scan Context++和各种现有的开源LiDAR测距方法集成，以生成精确的点云地图
2022-01-17 cs.RO
LT-mapper: A Modular Framework for LiDAR-based Lifelong Mapping
KAIST（韩国科学技术院）
长期的3D地图管理是机器人在非静止的现实世界中可靠导航所需的基本能力。本文开发了开源，模块化和现成的基于LiDAR的城市站点终身地图。这是通过将问题划分为连续的子问题来实现的：多会话SLAM（MSS），高/低动态变化检测和正/负变化管理。所提出的方法利用MSS和处理潜在的轨迹误差，因此，良好的初始对准是不需要的变化检测。我们的变更管理方案保留了内存和计算成本的功效，提供了从大规模点云地图自动对象隔离。我们验证了框架的可靠性和适用性，即使在永久的年级变化，通过广泛的现实世界的实验与多个时间间隔（从一天到一年）。
2021-07-16 cs.RO
Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR
University of Oxford（牛津大学）
近年来，深度学习在城市驾驶场景中的移动（即，具有移动能力）对象的检测方面取得了很大进展。监督方法通常需要对大型训练集进行注释;因此，人们对利用弱监督、半监督或自监督方法来避免这种情况非常感兴趣，并取得了很大的成功。虽然弱监督和半监督方法需要一些注释，但自监督方法使用了运动等线索来完全消除对注释的需求。然而，注释的完全缺失通常会降低它们的性能，并且在运动分组期间出现的歧义会抑制它们找到准确对象边界的能力。在本文中，我们提出了一种新的自监督移动目标检测方法称为SCT。这使用运动线索和预期的对象大小来提高检测性能，并预测3D定向边界框的密集网格来提高对象发现。在KITTI跟踪基准测试中，我们的性能明显优于最先进的自监督移动目标检测方法TCR，并且对于IoU <= 0.5，性能在完全监督PV-RCNN++方法的30%以内。
2022-09-21 cs.CV cs.LG 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
D-SLAMSpoof: An Environment-Agnostic LiDAR Spoofing Attack using Dynamic Point Cloud Injection
D-SLAMSpoof是一种通过动态点云注入实现的环境无关激光雷达欺骗攻击，利用扫描匹配原理提升攻击成功率，并提出ISD-SLAM作为仅依赖惯性信号的防御方法，有效缓解位置漂移问题。
2026-03-11 cs.RO
Offline reconstruction of missing vehicle trajectory data from 3D LIDAR
激光雷达以其在测距和障碍物检测等方面的优势，已成为许多自主车辆的重要组成部分。LIDAR产生的点云具有关于周围环境的重要信息。在本文中，我们收集的轨迹数据的两车道的城市道路上使用Velodyne VLP-16激光雷达。由于数据汇集的动态性质和传感器的有限范围，这些轨迹中的一些具有缺失点或间隙。在本文中，我们提出了一种新的方法来恢复丢失的车辆轨迹数据点，使用微观交通流模型。虽然短的间隙（小于5秒）可以恢复与简单的线性回归，和较长的间隙恢复与所提出的方法，利用汽车跟随模型校准分配权重的基础上接近的间隙的已知点。Newell、Pipes、IDM和Gipps的车辆跟驰模型均采用LIDAR和NGSIM I-80数据集的地面真实轨迹数据进行了标定和测试。Gipps的校准模型产生了最好的结果。
2017-09-16 cs.RO
RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments
Xi’an Jiaotong University（西安交通大学）
同时定位与地图构建（SLAM）被认为是智能车辆和移动机器人的基本能力。然而，目前大多数激光雷达SLAM方法是基于静态环境的假设。因此，在具有多个移动对象的动态环境中的定位实际上是不可靠的。本文提出了一种动态SLAM框架RF-LIO，建立在LIO-SAM的基础上，增加了自适应多分辨率距离图像，并使用紧耦合激光雷达惯性里程计首先去除移动物体，然后将激光雷达扫描与子地图匹配。因此，即使在高动态环境中也可以获得精确的姿态。建议的RF-LIO进行了评估，自我收集的数据集和开放的Urbanloco数据集。高动态环境下的实验结果表明，与LOAM和LIO-SAM相比，所提出的RF-LIO的绝对弹道精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。
2022-06-19 cs.RO
UrbanLoco: A Full Sensor Suite Dataset for Mapping and Localization in Urban Scenes
Hong Kong Polytechnic University（香港理工大学）；University of California, Berkeley（加州大学伯克利分校）
地图定位是自动驾驶的关键模块，国内外在这一领域的研究取得了重要成果。除了全球导航卫星系统（GNSS）之外，点云配准、视觉特征匹配和惯性导航方面的研究极大地提高了不同场景下地图和定位的准确性和鲁棒性。然而，高度城市化的场景仍然具有挑战性：基于LIDAR和相机的方法在处理大量动态对象时表现不佳;基于GNSS的解决方案存在信号丢失和多路径问题;惯性测量单元（IMU）存在漂移问题。不幸的是，目前的公共数据集要么没有充分解决这一城市挑战，要么没有提供足够的传感器信息相关的地图和定位。在这里，我们介绍了UrbanLoco：一个在高度城市化的环境中收集的地图/定位数据集，带有完整的传感器套件。该数据集包括在旧金山和香港收集的13条轨迹，总长度超过40公里。我们的数据集包括各种各样的城市地形：城市峡谷，桥梁，隧道，急转弯等。更重要的是，我们的数据集包括来自LIDAR，相机，IMU和GNSS接收器的信息。现在，数据集可以通过脚注中的链接公开获取。数据集链接：https://advdataset2019.wixsite.com/urbanloco。
2020-04-03 cs.CV cs.RO
Multi Sensor Fusion for Navigation and Mapping in Autonomous Vehicles: Accurate Localization in Urban Environments
University of Turku（图尔库大学）
来自多个传感器的数据的组合，也称为传感器融合或数据融合，是自主机器人设计中的一个关键方面。特别是，能够适应传感器融合技术的算法能够提高准确性，并且对单个传感器的故障更具弹性。自主导航、地图绘制和定位算法的发展在过去二十年中取得了巨大进步。尽管如此，在开发强大的解决方案以在密集的城市环境中进行准确定位方面仍然存在挑战，在密集的城市环境中发生所谓的最后一英里交付。在这些场景中，局部运动估计与实时数据与详细的预构建地图的匹配相结合。在本文中，我们利用收集的数据与自主交付机器人比较不同的传感器融合技术和评估的算法提供最高的精度取决于环境。本文分析和提出的技术利用3D激光雷达数据、惯性数据、GNSS数据和车轮编码器读数。我们展示了激光雷达扫描匹配与其他传感器数据相结合，可以用来提高机器人定位的准确性，因此，它的导航。此外，我们提出了一种策略，以减少对导航性能的影响时，在环境中的变化，使地图数据无效或部分可用的地图被损坏。
2021-03-25 cs.RO
CORAL: Curriculum-Optimized Reward Adaptation for LiDAR-Based Goal-Directed Urban Driving
Korea University of Technology and Education (KOREATECH)（韩国技术教育大学）
CORAL结合五阶段课程与阶段感知奖励，在CARLA中训练多流演员-评论家策略，实现基于激光雷达的城市驾驶，长路线约束下成功率显著优于PPO基线，且可零样本跨城镇迁移。
2026-08-17 cs.LG cs.RO
Centimeter-level Positioning by Instantaneous Lidar-aided GNSS Ambiguity Resolution
The University of Melbourne（墨尔本大学）
高精度车辆定位是在城市环境中实施现代驾驶系统的关键。只要正确求解整周模糊度，全球导航卫星系统（GNSS）载波相位测量就可以提供毫米至厘米级的定位。冗余码测量常用于整周模糊度解算，但在城市峡谷中存在信号阻塞和多径效应。在这方面的贡献，激光雷达辅助的瞬时模糊度的解决方法。激光雷达测量结果以3D关键点的形式通过基于学习的点云配准方法使用预先构建的HD地图生成，并在混合测量模型中与GNSS观测结果集成，以产生精确的浮点解，从而提高模糊度成功率。的模糊度方差矩阵和相关的模糊度精度衰减（ADOP）的封闭形式的表达式的开发，提供先验评估这样的激光雷达辅助模糊度解决方案的性能。分析和实验结果表明，该方法能够成功的瞬时IAR有限的GNSS卫星和频率，导致厘米级的车辆定位。
2022-06-03 cs.RO eess.SP
InterLoc: LiDAR-based Intersection Localization using Road Segmentation with Automated Evaluation Method
The University of Sydney（悉尼大学）；Australian Centre for Robotics（澳大利亚机器人中心）
提出基于LiDAR的在线交叉口定位方法InterLoc，通过BEV语义道路分割检测并细化交叉口候选点，结合自动化评估流水线，在SemanticKITTI上实现了优于基线的准确性与鲁棒性。
2025-07-16 cs.CV cs.RO
Panoptic nuScenes: A Large-Scale Benchmark for LiDAR Panoptic Segmentation and Tracking
Motional（Motional 公司）；University of Freiburg（弗赖堡大学）
全景场景理解和动态代理的跟踪对于机器人和自动车辆在城市环境中导航是必不可少的。由于LiDAR提供了场景的精确的照明无关几何投影，因此使用LiDAR点云执行这些任务可以提供可靠的预测。然而，现有的数据集缺乏多样性的类型的城市场景，并有数量有限的动态对象的实例，这既阻碍了学习这些任务，以及可靠的基准的开发方法。在本文中，我们介绍了大规模Panoptic nuScenes基准数据集，该数据集扩展了我们流行的nuScenes数据集，具有用于语义分割，全景分割和全景跟踪任务的逐点地面实况注释。为了便于比较，我们为我们建议的数据集上的每个任务提供了几个强大的基线。此外，我们分析了现有的泛光跟踪指标的缺点，并提出了新的实例为中心的PAT指标，解决的问题。我们提出了详尽的实验，证明泛nuScenes的效用相比，现有的数据集，并使在线评估服务器nuScenes.org。我们相信，这种扩展将加速研究的新方法动态城市环境的场景理解。
2021-12-23 cs.AI cs.CV cs.LG
K-Lane: Lidar Lane Dataset and Benchmark for Urban Roads and Highways
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对现有激光雷达车道检测研究受限于大型公开数据集不足的问题，本文提出全球最大的城市与高速激光雷达车道数据集K-Lane，并设计基于全局特征相关器的基线网络LLDN-GFC，在多场景下实现了SOTA检测性能，同时开源全套开发工具。
2023-11-07 cs.AI cs.CV cs.RO
UnIRe: Unsupervised Instance Decomposition for Dynamic Urban Scene Reconstruction
Zhejiang University（浙江大学）
提出基于3DGS的无监督方法UnIRe，通过4D superpoints实现动态城市场景的实例分解与重建，支持灵活的实例级编辑。
2025-09-15 cs.CV cs.RO
City-Wide Low-Altitude Urban Air Mobility: A Scalable Global Path Planning Approach via Risk-Aware Multi-Scale Cell Decomposition
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）；School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院）
本文提出一种基于风险感知的多尺度单元分解方法，用于城市级低空城市空中交通的可扩展全局路径规划，通过动态平衡分辨率与计算速度，降低累计风险并减少计算时间。
2026-04-20 cs.RO cs.SY eess.SY
A New Approach to Complex Dynamic Geofencing for Unmanned Aerial Vehicles
Deloitte LLP（德勤有限责任公司）；Royal Holloway University of London（伦敦大学皇家霍洛威学院）
无人驾驶飞行器（UAV）的预期广泛使用引起了重大的安全和安保问题，包括侵入禁区，与其他UAV相撞，以及扰乱高流量空域。为了减轻这些风险，有人提议将地理围栏作为一道防线，限制无人机飞入其他无人机的周边和受限制的地点。在本文中，我们解决的问题，现有的几何地理围栏算法缺乏准确性，在计算复杂的地理围栏，特别是在动态的城市环境。我们提出了一种基于alpha形状和沃罗诺伊图的新算法，我们使用OpenStreetMap的开源地图数据库将其集成到无人机框架中。为了证明其有效性，我们在现实世界的城市环境中使用微软的AirSim和低成本的商用无人机平台的性能结果。
2021-10-18 cs.CG cs.RO
Neural Rendering based Urban Scene Reconstruction for Autonomous Driving
Qualcomm Technologies, Inc.（高通技术公司）；QT Technologies Ireland Limited（QT技术爱尔兰有限公司）
本文提出结合神经隐式表面和辐射场的多模态3D场景重建框架，融合LiDAR与相机数据，生成稠密准确的3D结构、隐式地图表示及网格，并动态过滤动态物体，为自动驾驶提供高质量场景重建。
2024-02-09 cs.CV cs.RO
Characterization of Multiple 3D LiDARs for Localization and Mapping using Normal Distributions Transform
Nagoya University（名古屋大学）；TierIV Inc.（TierIV公司）
在这项工作中，我们详细比较了十种不同的3D LiDAR传感器，涵盖了一系列制造商，型号和激光配置，用于地图和车辆定位任务，使用自动驾驶开源平台Autoware中实现的正态分布变换（NDT）算法作为共同参考。本研究中使用的LiDAR数据是我们的LiDAR基准和参考（LIBRE）数据集的一个子集，这些数据集独立于每个传感器，在一天中的不同时间多次在城市公共道路上行驶的车辆上捕获。在这项研究中，我们分析了每个激光雷达的性能和特点的任务（1）3D映射，包括评估地图质量的基础上平均地图熵，和（2）6自由度定位使用地面实况参考地图。
2020-04-03 cs.CV cs.RO
LiDAR Odometry Methodologies for Autonomous Driving: A Survey
Worcester Polytechnic Institute（伍斯特理工学院）
车辆里程计是自动驾驶系统的重要组成部分，因为它计算车辆的位置和方向。里程模块在全球导航卫星系统（GNSS）信号微弱且嘈杂的城市地区具有更高的需求和影响。传统的视觉里程计方法在进行位姿估计时，由于光照条件的多样性和视差的影响，导致误差累积较大。使用光检测和测距（LiDAR）设备的测距已经吸引了越来越多的研究兴趣，因为LiDAR设备对照明变化是鲁棒的。在这项调查中，我们检查了现有的激光雷达测距方法，并总结了管道，并描绘了几个中间步骤。此外，现有的激光雷达测距方法进行了分类，其对应类型，其优点，缺点和相关性进行了分析，跨类和类内的每一步。最后，我们比较了这些方法的准确性和运行速度在KITTI里程计数据集上进行评估，并概述了有前途的未来研究方向。
2021-09-13 cs.RO eess.SP
Carl-Lead: Lidar-based End-to-End Autonomous Driving with Contrastive Deep Reinforcement Learning
Hong Kong University of Science and Technology（香港科技大学）
在不受管制的交叉路口的城市人群中进行自动驾驶具有挑战性，其中应仔细考虑其他车辆的动态遮挡和不确定行为。传统的方法是启发式的，基于手工设计的规则和参数，但在新的情况下扩展性很差。因此，在所有可预见的场景中，它们需要高劳动力成本来设计和维护规则。最近，深度强化学习（DRL）在城市驾驶场景中显示出了很好的效果。然而，DRL被认为是样本效率低下，大多数以前的作品假设完美的观察，如地面实况的位置和车辆的运动，而不考虑噪声和遮挡，这可能是一个太强的假设政策部署。在这项工作中，我们使用DRL来训练基于激光雷达的端到端驾驶策略，这些策略自然会考虑不完美的部分观测。我们进一步使用无监督的对比表示学习作为辅助任务，以提高样本效率。比较评估结果表明，我们的方法比最先进的（SOTA）基于激光雷达的端到端驾驶网络实现了更高的成功率，比精心调整的基于规则的方法更好地权衡了安全性和效率，并且比基线更好地推广到新场景。演示视频可在https://caipeide.github.io/carl-lead/上获得。
2021-09-17 cs.AI cs.RO cs.SY
Real Time Semantic Segmentation of High Resolution Automotive LiDAR Scans
Faculty of Engineering, University of Applied Sciences Aschaffenburg（应用科学阿施芬堡大学工程学院）；Intelligent Embedded Systems Lab, University of Kassel（卡塞尔大学智能嵌入式系统实验室）
针对高分辨率车载LiDAR，提出利用表面法线特征的实时语义分割框架，并发布128层LiDAR数据集及ROS2实现，兼顾精度与实时性。
2025-09-10 cs.LG cs.RO
PillarSegNet: Pillar-based Semantic Grid Map Estimation using Sparse LiDAR Data
Stellantis, Opel Automobile GmbH（斯泰兰蒂斯集团欧宝汽车有限公司）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
对周围环境的语义理解对于自动驾驶汽车至关重要。SemanticKITTI数据集的发布推动了城市场景下LiDAR点云语义分割的研究。虽然大多数现有的方法预测稀疏逐点语义类的稀疏输入激光雷达扫描，我们建议PillarSegNet能够输出一个密集的语义网格地图。与之前提出的网格地图方法相比，PillarSegNet使用PointNet直接从3D点云学习特征，然后在顶视图中进行2D语义分割。为了训练和评估我们的方法，我们使用稀疏和密集地面实况，其中密集地面实况是从多个叠加扫描获得的。在SemanticKITTI数据集上的实验结果表明，PillarSegNet比最先进的网格映射方法实现了约10% mIoU的性能增益。
2021-07-05 cs.CV cs.RO
