An Efficient Probabilistic Solution to Mapping Errors in LiDAR-Camera Fusion for Autonomous Vehicles
Indiana University Purdue University Indianapolis（印第安纳大学与普渡大学印第安纳波利斯联合分校）；Purdue University（普渡大学）；Toyota Motor Engineering and Manufacturing North America Inc.（丰田汽车工程与制造北美公司）
针对自动驾驶中激光雷达-相机融合的固有映射误差及高精度算法算力占用高的问题，提出一种低成本概率融合方法，结合KL散度形状相似度与RANSAC回归轨迹平滑器，有效提升目标定位与距离估计的鲁棒性和精度。
2023-11-08 cs.RO cs.SY eess.SY
EcoFusion: Energy-Aware Adaptive Sensor Fusion for Efficient Autonomous Vehicle Perception
University of California, Irvine（加州大学欧文分校）
本文提出EcoFusion能量感知自适应传感器融合方法，利用上下文动态调整融合策略，在Nvidia Drive PX2平台上以约60%更少能耗和58%更低延迟实现最高9.5%的目标检测性能提升。
2022-02-23 cs.CV cs.RO cs.SY
Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）
研究针对移动机器人定位与状态估计问题，提出整体融合方法，通过因子图公式融合多类型测量，注重局部平滑性与一致性，能在典型硬件上实现低延迟、平滑在线估计及低漂移全局定位，在多场景验证了框架有效性。
2026-07-20 cs.CV cs.RO cs.SY
A Visual Cooperative Localization Method for Airborne Magnetic Surveying Based on a Manifold Sensor Fusion Algorithm Using Lie Groups
Shenyang Aerospace University（沈阳航空航天大学）；International Digital Economy Academy（国际数字经济学院）；Beijing Jiaotong University（北京交通大学）
针对GNSS拒止环境下机载磁测中传感器隔离导致的定位难题，提出结合视觉处理模块和改进流形传感器融合算法的视觉协同定位方法，经真实飞行实验验证实现厘米级单轴和分米级3D定位精度。
2024-10-10 cs.RO cs.SY eess.SP
Mobile Robot Localization via Indoor Positioning System and Odometry Fusion
Telkom University（泰尔康大学）；National Research and Innovation Agency（国家研究与创新署）
针对室内移动机器人定位问题，本文利用EKF融合超声波IPS与轮式里程计数据，实验证明其可抑制打滑和噪声误差并显著提升定位与轨迹跟踪精度。
2025-09-20 cs.RO
Brief Industry Paper: The Necessity of Adaptive Data Fusion in Infrastructure-Augmented Autonomous Driving System
PerceptIn（PerceptIn公司）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；South China University of Technology（华南理工大学）；University of Sydney（悉尼大学）
本文是第一个提供一个全面的系统设计概述，以及融合方法的选择标准的现实世界的合作自动驾驶系统，命名为结构增强自动驾驶或IAAD。我们提出了一个深入的介绍IAAD的硬件和软件的路边和车侧的计算和通信平台。我们广泛地描述了IAAD系统在现实世界的部署场景的背景下，并观察到，沿道路波动的网络条件是目前合作自动驾驶的主要技术障碍。为了解决这一挑战，我们提出了新的融合方法，被称为“帧间融合”和“规划融合”，以补充目前最先进的“帧内融合”。我们证明了每种融合方法都有自己的优点和约束。
2022-07-02 cs.DC 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
Error Model of Radio Fingerprint and PDR Fusion Indoor Localization
Key Laboratory of Aerospace Information Security and Trusted Computing, Ministry of Education, China（中国教育部航空航天信息安全与可信计算重点实验室）；School of Cyber Science and Engineering, Wuhan University, China（中国武汉大学网络空间安全学院）
多源融合定位是获得足够室内定位精度的技术框架之一。为了评价多源融合定位的效果，需要建立融合误差模型。本文首先利用最小二乘法将无线电指纹和PDR定位进行融合，然后应用方差传播定律计算室内多源定位方法的误差分布。基于该融合误差模型，研制了室内定位仿真系统。该系统能够在给定条件下给出较好的定位源布局方案，并能对信号强度分布和误差分布进行评估。
2020-01-05 cs.RO eess.SP
Vehicle Top Tag Assisted Vehicle-Road Cooperative Localization For Autonomous Public Buses
Harbin Cambridge University（哈尔滨剑桥大学）
针对自动驾驶公交车在复杂交叉路口场景下的定位难题，提出车顶标签辅助车路协同定位方法，并给出标签检测与定位的具体解决方案，仿真验证了其有效性且具备广泛扩展潜力。
2025-08-08 cs.RO
High Precision In-Pipe Robot Localization with Reciprocal Sensor Fusion
Carnegie Mellon University（卡内基梅隆大学）
管道机器人的巨大优势在于它们能够从管道内部进行测量，并直接感知几何形状，外观和辐射。缺点是无法知道非常长的管道运行中测量的精确绝对位置。本文开发了前所未有的本地化为此目的所需的。
2020-02-27 cs.RO eess.SP
Evaluating Global Geo-alignment for Precision Learned Autonomous Vehicle Localization using Aerial Data
Nuro Inc（努罗公司）
本文研究航空与车载传感器数据的训练配准对学习型定位的影响，基于因子图比较两种配准方法并开展消融，在1600公里数据集上实现低于0.3米和0.5度的定位误差。
2025-03-18 cs.CV cs.RO
Magnetic-Visual Sensor Fusion-based Dense 3D Reconstruction and Localization for Endoscopic Capsule Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Oxford（牛津大学）；Technical University of Muenich（慕尼黑工业大学）；University of Coimbra（科英布拉大学）
可靠和实时的3D重建和定位功能是主动控制胶囊内窥镜机器人导航的关键先决条件，作为一种新兴的微创诊断和治疗技术，用于胃肠道（GI）。在这项研究中，我们提出了一个完全密集的，非刚性变形，严格实时，术中地图融合方法，主动控制内窥镜胶囊机器人的应用相结合的磁性和基于视觉的定位，与非刚性变形为基础的帧到模型的地图融合。使用四种不同的离体猪胃模型证明了所提出的方法的性能。在不同的轨迹变化的速度和复杂性，和四个不同的内窥镜摄像机，均方根表面重建误差为1.58至2.17厘米。
2018-03-02 cs.RO
Wheel Odometry-Based Localization for Autonomous Wheelchair
Research Centre for Smart Mechatronics, National Research and Innovation Agency（国家研究与创新署智能机电一体化研究中心）
本文研究自主轮椅的轮式里程计定位方法，基于差速驱动运动学模型利用线速度和角速度测量预测位姿，并通过校准和实验评估其定位性能。
2023-12-27 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
Hierarchical Multi-Process Fusion for Visual Place Recognition
ARC Centre of Excellence for Robotic Vision（澳大利亚研究委员会机器人视觉卓越中心）；Queensland University of Technology（昆士兰科技大学）
将多种互补技术结合在一起一直被认为是提高性能的一种方法。在视觉定位中，多传感器融合、单个感测模态的多处理融合、以及甚至不同定位技术的组合已被证明导致改进的性能。然而，仅仅将不同的定位技术融合在一起并不能说明不同定位技术的不同性能特性。在本文中，我们提出了一种新的，分层定位系统，明确受益于三个不同的特性的本地化技术：分布的本地化假设，其外观和视点不变的属性，以及由此产生的差异，在一个环境中，每个系统工作良好，失败。我们展示了两种技术部署分层工作更好地比并行融合，如何结合两种不同的技术比两个层次的一种技术，即使在单一的技术具有优越的个人性能，并开发两层和三层的分层结构，逐步提高本地化性能。最后，我们开发了一个堆叠的分层框架，其中具有互补特性的技术的本地化假设在每一层都被连接起来，从而显着提高了正确假设的保留到最终的本地化阶段。使用两个具有挑战性的数据集，我们展示了所提出的系统优于最先进的技术。
2020-01-28 cs.CV cs.RO
Real-Time Localization Framework for Autonomous Basketball Robots
School of Computer Science Engineering（计算机科学工程学院）；Vellore Institute of Technology（维杰雷理工学院）；School of Electrical and Electronics Engineering（电气电子工程学院）
本文提出了一种结合经典技术与视觉数据的混合定位算法，用于提升自主篮球机器人在动态环境中的定位精度和导航效率。
2026-01-13 cs.AI cs.CV cs.RO
A Real-Time Fusion Framework for Long-term Visual Localization
OPPO Research Institute（OPPO研究院）；Shanghai JiaoTong University（上海交通大学）；Wuhan University（武汉大学）
视觉定位是机器人应用中的一项基本任务，它将6自由度（6DoF）姿态与图像特征进行回归，以满足高精度定位要求。退化的条件，如运动模糊，照明变化和环境变化的地方，在这项任务的巨大挑战。与诸如顺序信息和惯性测量单元（IMU）输入等附加信息的融合将大大有助于解决这些问题。在本文中，我们提出了一个有效的客户端-服务器视觉定位架构，融合全球和本地的姿态估计，实现有前途的精度和效率。我们在映射和全局姿态回归模块中包括额外的几何提示，以提高测量质量。采用松耦合的融合策略来平衡计算复杂度和准确度。我们对两个典型的开源基准进行了评估，4Seasons和OpenLORIS。定量结果证明，我们的框架具有竞争力的性能，相对于其他国家的最先进的视觉定位解决方案。
2022-10-18 cs.CV cs.RO
Atlas Fusion -- Modern Framework for Autonomous Agent Sensor Data Fusion
Brno University of Technology（布尔诺理工大学）；CEITEC（中欧技术研究所）
在本文中，我们提出了我们的软件传感器融合框架的自动驾驶汽车和其他自主机器人。我们已经设计了我们的框架作为一个通用的和可扩展的平台，用于建立一个强大的3D模型的代理的周围环境，融合了广泛的各种传感器到数据模型，我们可以使用作为决策和规划算法的基础。我们的软件目前涵盖RGB和热成像相机、3D LiDAR、3D IMU和GNSS定位的数据融合。该框架涵盖了从数据加载、过滤、预处理、环境模型构建、可视化和数据存储的完整管道。该架构允许社区修改现有的设置或使用新的想法扩展我们的解决方案。整个软件与ROS（机器人操作系统）完全兼容，这使得框架可以与其他基于ROS的软件合作。源代码在MIT许可证下作为开源完全可用。请参阅https://github.com/Robotics-BUT/Atlas-Fusion。
2022-04-20 cs.RO eess.SP
An Evaluation of Bayesian Methods for Bathymetry-based Localization of Autonomous Underwater Robots
Minnesota Robotics Institute（明尼苏达机器人研究所）；University of Minnesota–Twin Cities（明尼苏达大学双城分校）
本文提出了一种评估的概率算法定位的自主水下航行器（AUV）使用测深数据。该算法基于贝叶斯滤波器的原理，通过融合水深测量信息与来自AUV的深度和高度数据来工作。四种不同的基于贝叶斯滤波器的算法被用来设计定位算法：扩展卡尔曼滤波器（EKF），无迹卡尔曼滤波器（UKF），粒子滤波器（PF），和边际化粒子滤波器（MPF）。我们评估这四个贝叶斯水深为基础的AUV定位方法在可变条件下的性能和可用的计算资源。定位算法克服了水下域的独特挑战，包括视觉失真和射频（RF）信号衰减，这往往使基于地标的定位不可行。对实际水深数据的评估结果表明，各种算法在各种条件下的有效性，与MPF是最准确的。
2019-10-11 cs.RO
Autonomous Navigation in Complex Environments with Deep Multimodal Fusion Network
Imperial College London（帝国理工学院）；AIOZ Pte Ltd（AIOZ私人有限公司）
复杂环境中的自主导航是灾难响应或搜索和救援等时间敏感场景中的关键任务。然而，复杂的环境对自主平台的导航提出了重大挑战，因为它们具有挑战性的特性：狭窄的通道受限，碎片和障碍物的不稳定路径，或不规则的地质结构和恶劣的照明条件。在这项工作中，我们提出了一个多模态融合的方法来解决在复杂的环境，如倒塌的城市，或自然洞穴的自主导航问题。我们首先在基于物理的仿真引擎中模拟复杂环境，并收集大规模数据集进行训练。然后，我们提出了一个导航多模态融合网络（NMFNet），它有三个分支，有效地处理三种视觉模态：激光，RGB图像，点云数据。广泛的实验结果表明，我们的NMFNet优于最近的最先进的公平利润率，同时实现实时性能。我们进一步表明，在复杂的环境中，使用多种形式的自主导航是必不可少的。最后，我们成功地将我们的网络部署到模拟和真实的移动机器人。
2020-07-31 cs.RO
Multi-Sensor Fusion Method using Dynamic Bayesian Network for Precise Vehicle Localization and Road Matching
LORIA-INRIA Lorraine（洛里亚-洛林因里亚研究所）；LAGIS-CNRS UMR 8146 Polytech'Lille（里尔理工大学LAGIS-CNRS联合研究所UMR 8146）
本文提出了一种新的道路匹配方法，旨在支持先进的驾驶辅助系统中的实时导航功能的多传感器融合策略。管理多假设是解决道路匹配问题的有效策略。利用动态贝叶斯网络实现了多传感器融合和多模态估计。实验结果，使用来自防抱死制动系统（ABS）传感器，差分全球定位系统（GPS）接收器和准确的数字路线图的数据，说明了这种方法的性能，特别是在模糊的情况下。
2007-09-07 cs.AI cs.RO
Exploring Adversarial Robustness of LiDAR-Camera Fusion Model in Autonomous Driving
Zhejiang University（浙江大学）
本研究评估LiDAR-camera融合模型在3D目标检测中的对抗鲁棒性，提出通过在车上方添加少量物理约束对抗点即可仅凭LiDAR通道欺骗模型，并分析了多种因素对攻击成功率的影响。
2024-01-09 cs.AI cs.RO
A Systematic Evaluation of Different Indoor Localization Methods in Robotic Autonomous Luggage Trolley Collection at Airports
Southern University of Science and Technology（南方科技大学）；Guangdong University of Technology（广东工业大学）；The Chinese University of Hong Kong（香港中文大学）；University of Alberta（阿尔伯塔大学）
本文针对机场机器人自主行李手推车回收的定位问题，调研四种主流定位方法，构建定性评估框架并开展真实场景定量实验，最终得出Keypoints方法最适配该室内场景的结论。
2023-03-12 cs.RO
Multi-Modal Sensor Fusion and Object Tracking for Autonomous Racing
Technical University of Munich（慕尼黑工业大学）
提出一种基于扩展卡尔曼滤波器的模块化多模态传感器融合与跟踪方法，通过延迟补偿提升高速场景下目标跟踪精度，在自动驾驶赛车挑战赛中验证，无需标注数据，位置残差低于0.1米。
2023-10-12 cs.RO
FEEL: Fast, Energy-Efficient Localization for Autonomous Indoor Vehicles
Delft University of Technology（代尔夫特理工大学）
自动驾驶汽车在室外和室内应用中都引起了轰动。著名的室内用例是使用自动驾驶室内车辆（AIV）的仓库内的过程自动化。这些车辆不仅需要以几厘米的精度定位自己，而且还需要以节能的方式在几毫秒内定位自己。由于这些挑战，本地化是一个圣杯。在本文中，我们提出了FEEL -一个室内定位系统，使用三个低能量传感器的融合：IMU，UWB和雷达。我们提供了详细的软件和硬件架构的FEEL。此外，我们提出了自适应感知算法（ASA）的机会主义最小化FEEL的能量消耗，通过调整的物理环境的动态感测频率。我们对各种测试设置进行的广泛性能评估表明，FEEL提供了<7 cm的定位精度和约3 ms的超低延迟。此外，ASA产生高达20%的能量节省，而在准确性方面仅具有边际权衡。
2021-02-01 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
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
Infrastructure Node-based Vehicle Localization for Autonomous Driving
GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Ford Autonomous Vehicles LLC（福特自动驾驶汽车有限责任公司）
车辆定位对于自动驾驶汽车（AV）导航和高级驾驶员辅助系统（ADAS）至关重要。精确的车辆定位通常通过昂贵的惯性导航系统或通过采用计算密集型视觉处理（LiDAR/相机）来增强低成本和噪声的惯性传感器来实现。在这里，我们已经开发了一个框架，用于将从智能基础设施节点（ix节点）获得的信息与自动驾驶汽车车载定位引擎融合，以估计即使使用廉价的惯性传感器也能实现自我车辆的鲁棒和准确姿态。智能ix节点通常用于增强自动驾驶车辆的感知能力，特别是当自动驾驶车辆的车载感知传感器被环境中的动态和静态物体阻挡从而使其无效时。在这项工作中，我们利用这种感知输出从一个ix节点，以增加AV的定位精度。IX节点感知输出与车辆低成本惯性传感器的融合使我们能够执行可靠的车辆定位，而无需依赖昂贵的惯性导航系统或AV上的计算密集型视觉处理。所提出的方法已在密歇根州安娜堡的测试轨道上收集的真实数据集上进行了测试。实验结果的详细分析表明，将ix节点的数据提高定位性能。
2021-09-21 cs.RO
Double-Layer Soft Data Fusion for Indoor Robot WiFi-Visual Localization
laboratory CESI LINEACT UR7527, France（法国CESI LINEACT UR7527实验室）
本文提出一种双层软数据融合方法，融合WiFi时空特征与视觉特征，用于室内机器人定位，平均误差1.32米，避免硬决策信息损失，具有鲁棒性。
2024-07-19 cs.RO
Network Localization Based Planning for Autonomous Underwater Vehicles with Inter-Vehicle Ranging
Massachusetts Institute of Technology（麻省理工学院）
一群AUV之间的定位可以完全通过使用邻近AUV之间的距离测量来估计，通过一类通常被称为传感器网络定位的技术。然而，定位质量取决于网络拓扑结构，退化的拓扑结构，被称为低刚性配置，导致模糊或高度不确定的定位结果。本文提出了基于刚性的分析，规划和控制的多AUV网络，占传感器噪声和有限的传感范围的工具。我们在几个二维模拟环境中评估了我们的长期规划框架，并表明我们能够在可行的时间内生成路径，并在路径的整个过程中保证最小的网络刚性。
2020-10-06 cs.RO
Leveraging Dynamic Objects for Relative Localization Correction in a Connected Autonomous Vehicle Network
Leibniz Universität Hannover（汉诺威莱布尼茨大学）
高精度定位对于自动驾驶的安全性和可靠性至关重要，特别是对于旨在通过在互联自动驾驶车辆（CAV）通信网络中共享信息来进一步提高道路安全性的集体感知的信息融合。在这种情况下，小的定位误差会给融合来自不同CAV的信息带来额外的困难。在本文中，我们提出了一种基于RANSAC（随机抽样共识）的方法来纠正两个CAV之间的相对定位误差，以减轻CAV之间的信息融合。与以往的基于LiDAR的定位算法只考虑静态环境信息不同，该方法通过CAV之间的实时数据共享，将动态目标信息纳入到定位中。具体地说，除了静态对象，如杆，围栏，和门面，检测到的动态车辆的对象中心也被用作两个点集的匹配的关键点。在合成数据集COMAP上的实验表明，在有足够车辆且两个CAV都能正确检测到极点的情况下，该方法可以将两个CAV之间的相对定位误差大大降低到20cmas以内。此外，我们提出的方法在运行时也是高效的，可以用于自动驾驶的实时场景。
2022-05-30 cs.RO
DA4AD: End-to-End Deep Attention-based Visual Localization for Autonomous Driving
Baidu（百度）
我们提出了一个视觉定位框架的基础上，新的深度注意力感知功能的自动驾驶，实现厘米级的定位精度。视觉定位问题的传统方法依赖于手工制作的特征或道路上的人造物体。众所周知，它们要么容易因严重的外观或照明变化而导致不稳定的匹配，要么太少而无法在具有挑战性的场景中提供恒定和鲁棒的定位结果。在这项工作中，我们试图利用深度注意力机制，通过一个新的端到端的深度神经网络来搜索显著的，独特的和稳定的特征，有利于在场景中的长期匹配。此外，我们学习的特征描述符被证明是有能力建立强大的匹配，因此成功地估计最佳的相机姿态与高精度。我们使用新收集的数据集，具有高质量的地面实况轨迹和传感器之间的硬件同步，全面验证了我们方法的有效性。结果表明，与基于LiDAR的定位解决方案相比，我们的方法在各种具有挑战性的情况下实现了具有竞争力的定位精度，从而为自动驾驶提供了潜在的低成本定位解决方案。
2020-07-13 cs.CV 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
Cross-Session 3D LiDAR and Camera Fusion for Robust Localization of Unmanned Aerial Vehicles in GPS-Denied Environments
School of Electrical and Data Engineering, University of Technology Sydney（悉尼大学电气与数据工程学院）；Institute of Aerospace Engineering and Technology, Duy Tan University（杜益大学航空航天工程与技术学院）；College of Engineering and Computer Science, VinUniversity（Vin大学工程与计算机科学学院）；Smart Green Transformation Center (GREEN-X), VinUniversity（Vin大学智能绿色转型中心 (GREEN-X)）；Department of Artificial Intelligence and Robotics, Sejong University（成均馆大学人工智能与机器人系）
提出Cross-Fusion方法，融合3D LiDAR和单目相机数据，通过跨会话融合策略整合多代理基线调查数据，实现GPS拒止环境下无人机的实时高精度定位。
2026-06-27 cs.RO
VIZARD: Reliable Visual Localization for Autonomous Vehicles in Urban Outdoor Environments
ETH Zürich（苏黎世联邦理工学院）；Sevensense Robotics AG（Sevensense机器人公司）
外观的变化是户外环境中视觉定位系统失败的主要原因之一。为了应对这一挑战，我们提出了VIZARD，城市户外环境的视觉定位系统。通过将局部定位算法与多会话地图的使用相结合，可以在非常不同的外观条件下实现高定位召回。在状态估计框架中将视觉定位约束与车轮里程计融合，进一步保证了平滑和准确的姿态估计。在具有挑战性的城市户外环境中行驶数百公里的广泛实验评估中，我们分析了我们的定位系统的召回率和准确性，研究了其关键参数和边界条件，并比较了不同类型的特征描述符。我们的研究结果表明，VIZARD是能够实现近100%的召回与定位精度低于0.5米在不同的户外外观条件下，包括在夜间。
2019-04-28 cs.RO
GPS Attack Detection and Mitigation for Safe Autonomous Driving using Image and Map based Lateral Direction Localization
School of Mechanical Engineering, Beijing Institute of Technology（北京理工大学机械工程学院）
针对GPS欺骗攻击威胁自动驾驶定位安全的问题，提出结合车载摄像头与高精度地图的攻击检测及基于无迹卡尔曼滤波多源融合的缓解方法，经仿真和公开数据集验证可有效检测攻击并恢复定位精度。
2023-10-09 cs.RO
MIL-LC: A Robust Magnetometer-Inertial-LiDAR Fusion Multimodal Localization Framework
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；Centre for Advanced Robotics Technology Innovation (CARTIN)（先进机器人技术创新中心）
提出MIL-LC框架，融合磁力计、惯性和LiDAR，解决GNSS缺失、几何重复或无纹理环境下的定位问题，通过磁地图与LiDAR退化检测实现鲁棒定位。
2026-06-25 cs.RO
Multi-view Sensor Fusion by Integrating Model-based Estimation and Graph Learning for Collaborative Object Localization
Colorado School of Mines（科罗拉多矿业学院）；Toyota Motor North America（丰田北美汽车公司）
协同目标定位的目的是协同地估计从多个视图或视角观察到的目标的位置，这是多智能体系统（如联网车辆）的关键能力。为了实现协同定位，已经开发了几种基于模型的状态估计和基于学习的定位方法。鉴于其令人鼓舞的性能，基于模型的状态估计通常缺乏对多个对象之间的复杂关系进行建模的能力，而基于学习的方法通常不能融合来自任意数量的视图的观测，并且不能很好地对不确定性进行建模。在本文中，我们介绍了一种新的时空图滤波器的方法，集成了图学习和基于模型的估计进行多视图传感器融合的协作对象定位。我们的方法模型复杂的对象关系，使用一个新的时空图表示和融合多视图观察贝叶斯的方式，以提高不确定性下的位置估计。我们评估我们的方法在连接自动驾驶和多个行人定位的应用。实验结果表明，我们的方法优于以往的技术，并实现了最先进的性能协作定位。
2021-03-07 cs.CV cs.RO
Endo-VMFuseNet: Deep Visual-Magnetic Sensor Fusion Approach for Uncalibrated, Unsynchronized and Asymmetric Endoscopic Capsule Robot Localization Data
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）；Louisiana State University（路易斯安那州立大学）
在过去的十年中，研究人员和医疗设备公司在将被动胶囊内窥镜转变为主动医疗机器人方面取得了重大进展。其中一个主要挑战是赋予胶囊机器人对人体内部环境的准确感知，这将提供必要的信息并改进医疗程序。我们将深度学习方法的成功从各个研究领域扩展到内窥镜胶囊机器人的未校准，异步和非对称传感器融合问题。在真实猪胃数据集上进行的实验结果表明，该方法在平移和旋转运动方面都达到了亚毫米级的精度，并且比传统的传感器融合技术具有各种优势。
2017-09-22 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
Accurate Cooperative Sensor Fusion by Parameterized Covariance Generation for Sensing and Localization Pipelines in CAVs
Arizona State University（亚利桑那州立大学）
协同感知的一个主要挑战是对来自各种源的测量值进行加权，以获得准确的结果。理想地，权重应当与感测信息中的误差成反比。然而，以前的合作传感器融合方法的自主车辆使用一个固定的误差模型，其中的传感器及其识别器管道的协方差只是所有感知场景的测量协方差的平均值。本文提出的方法估计误差，使用关键的预测项，具有高相关性的传感和定位精度的准确协方差估计每个传感器的观察。我们采用了分层融合模型，包括局部和全局传感器融合步骤。在局部融合级，我们增加了一个协方差生成阶段，使用每个传感器的误差模型和测量距离来生成每个观测的期望协方差矩阵。在全局传感器融合阶段，我们增加了一个额外的阶段，从关键的预测项速度生成的定位协方差矩阵，并结合从本地融合准确的协作感知产生的协方差。为了展示我们的方法，我们构建了一组1/10比例的模型自动驾驶车辆，具有比例精确的传感能力，并根据运动捕捉系统对错误特征进行分类。结果显示，当使用我们的误差模型与典型的固定误差模型时，在四车辆合作融合场景中分别检测车辆位置为1.42 x和1.78 x时，RMSE的平均和最大改善。
2022-09-07 cs.MA cs.RO
Indoor Localization for an Autonomous Model Car: A Marker-Based Multi-Sensor Fusion Framework
University of Bremen（不来梅大学）
针对室内移动机器人缺乏标准定位方案的问题，提出融合基准标记、惯性传感器与轮式里程计的ADAS模型车室内定位框架，对比两种扩展卡尔曼滤波器方案，还提出单LiDAR低成本真值测量法并在完整自动驾驶系统上验证了性能。
2023-10-08 cs.RO
SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving
IEIT Systems（IEIT系统）
针对端到端自动驾驶复杂场景决策不佳的问题，提出融合传统评分与VLM增强评分的SimpleVSF框架，通过权重融合与VLM上下文决策实现规划优化，在ICCV 2025 NAVSIM v2挑战赛中取得领先性能。
2025-10-28 cs.AI cs.RO
Autonomous Urban Localization and Navigation with Limited Information
Cornell University（康奈尔大学）
城市环境为自动驾驶提供了一个具有挑战性的场景。由于信号阴影和多路径误差，全球定位信息（例如GPS信号）可能不可靠。具有用于自主导航的足够信息的环境的详细先验地图通常需要多次驾驶该区域以收集大量数据，对该数据进行大量的后处理以获得地图，然后随着环境的变化而在地图上保持更新。本文通过研究算法和架构来解决城市环境中的自动驾驶问题，从而在有限的信息下实现全功能自动驾驶。开发了一种在很少或不依赖先验地图或GPS的情况下自主导航城市道路的算法。定位是用一个扩展的卡尔曼滤波器与里程计，罗盘，和稀疏的地标测量更新。导航是由基于罗盘的导航控制律。蒙特卡洛研究的关键结果显示了不同环境条件下城市导航的成功率。实验验证了模拟结果，并表明，对于给定的测试条件下，可以找到一个预期的范围内给定的成功率。
2018-10-09 cs.RO
A localization approach for autonomous underwater vehicles: A ROS-Gazebo framework
University of Coimbra（科英布拉大学）；Ingeniarius, Ltd.（Ingeniarius有限公司）
自主水下航行器（AUV）能够在恶劣的水下环境中工作，而不会危及人类生命。然而，就像地面和空中的同类一样，AUV需要能够估计自己的位置。然而，与地面和空中机器人不同，估计AUV的姿态非常具有挑战性，市场上只有少数高成本的技术解决方案。在本文中，我们提出了一个现实的水下声学模型的发展，在机器人操作系统（ROS）和露台模拟器框架内实现，使用一组水面机器人，水下传播声波的飞行时间，和一个简化遗传算法的方法定位的AUV。
2018-11-14 cs.RO
MOZARD: Multi-Modal Localization for Autonomous Vehicles in Urban Outdoor Environments
ETH Zürich（苏黎世联邦理工学院）；Sevensense Robotics AG（Sevensense机器人公司）
视觉差的场景是户外环境中视觉定位系统失败的主要原因之一。为了应对这一挑战，我们提出了MOZARD，这是一种使用视觉和LiDAR的城市户外环境多模态定位系统。通过使用语义数据扩展我们先前存在的基于关键点的视觉多会话局部定位方法，可以在截然不同的外观条件下实现改进的定位召回。特别是，我们专注于使用路边石信息，因为它们在城市环境中的广泛分布和可靠性。我们提出了彻底的实验评估在具有挑战性的城市户外环境中行驶几公里，分析我们的定位系统的召回率和准确性，并在案例研究中展示每个子系统可能的故障情况。我们证明，MOZARD能够桥接我们以前的工作VIZARD失败的场景，从而提高召回性能，同时实现0.2m的类似定位精度
2020-03-03 cs.RO
Monocular Localization with Semantics Map for Autonomous Vehicles
OPPO Research Institute（OPPO研究院）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种轻量级视觉语义定位算法，用稳定语义特征替代易受环境变化影响的纹理特征，通过离线构建语义地图和在线数据关联实现高效准确的自动驾驶单目定位。
2024-06-06 cs.CV cs.RO
PILOT: High-Precision Indoor Localization for Autonomous Drones
Department of Electrical and Computer Engineering, Virginia Tech（弗吉尼亚理工大学电气与计算机工程系）
在许多情况下，无人机（UAV），又名无人机，需要具有自主飞行的能力才能成功执行任务。为了实现这些自主飞行，无人机需要不断地知道它们的位置。然后，基于当前位置和最终目的地，将生成导航命令，并将无人机引导到目的地。定位可以很容易地在户外环境中使用GPS信号和无人机惯性测量单元（IMU）进行。然而，这种方法在室内环境或GPS拒绝区域中是不可行的。在本文中，我们提出了一种专门针对室内环境设计的无人机定位方案，称为PILOT（自主无人机的高精度室内定位）。PILOT依靠超声波信号来估计目标无人机的位置。为了对无人机的位置进行精确的最终估计，PILOT部署了一个三阶段定位方案。前两个阶段提供对室内环境的多径衰落效应的鲁棒性，并减轻测距误差。然后，在第三阶段，PILOT部署了一个简单而有效的技术，以减少由发射机和接收机之间的相对几何形状引起的定位误差，并显着降低高度估计误差。在不同场景下对PILOT算法进行了性能评估，结果表明PILOT算法在无人机三维定位中达到厘米级精度。
2022-01-25 cs.RO eess.SP
Autonomous Localization and Mapping Using a Single Mobile Device
本文考虑了同时进行2-D房间形状重建和自定位的问题，而不需要任何预先建立的基础设施。一个移动终端配备有协同定位的麦克风和扬声器以及内部运动传感器，用于发射声脉冲并收集由墙壁反射的回声。当使用运动传感器获得辅助信息时，仅使用一阶回波，房间形状恢复和自定位是可行的。特别地，确定了使用在三个测量位置处收集的回波和连续测量点之间的两个距离，只要三个测量点不共线，就可以实现唯一的定位和映射。提出了在噪声和高阶回波存在下的房间形状重建和自定位的实用算法，并结合实验结果证明了所提出方法的有效性。
2016-12-17 cs.RO
UniMSF: A Unified Multi-Sensor Fusion Framework for Intelligent Transportation System Global Localization
School of Automotive Studies, Tongji University（同济大学汽车学院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Shanghai Gongji Technology Co., Ltd（上海同济科技有限公司）；the University of Birmingham（伯明翰大学）；Institute for Automotive Engineering (ika), RWTH Aachen University（亚琛工业大学汽车工程研究所）；Wuhan University（武汉大学）；Wuhan University of Technology（武汉理工大学）
提出UniMSF，一个基于因子图的统一多传感器融合定位框架，通过前端异质性处理、异常检测与噪声估计及后端优化，实现GNSS、IMU和4D雷达的紧密集成，提供可靠全局定位。
2024-09-19 cs.RO
Multi-Sound-Source Localization Using Machine Learning for Small Autonomous Unmanned Vehicles with a Self-Rotating Bi-Microphone Array
New Mexico State University（新墨西哥州立大学）
摘要虽然基于视觉的定位技术已被广泛研究的小型自主无人驾驶车辆（SAUV），声源定位能力还没有完全启用SAUV。本文提出了两种新的方法SAUV执行三维（3D）多声源定位（MSSL）仅使用通道间的时间差（ICTD）信号产生的自旋转双麦克风阵列。所提出的两种方法基于两种机器学习技术，基于密度的空间聚类算法（DBSCAN）和随机采样一致性（RANSAC）算法，分别，其性能进行了测试和比较，在模拟和实验。结果表明，这两种方法都能够正确地识别声源的数量以及它们在混响环境中的3D方向。
2020-06-28 cs.RO cs.SD eess.AS
Roadside LiDAR Assisted Cooperative Localization for Connected Autonomous Vehicles
The University of Tokyo（东京大学）
针对依赖高清3D点云地图的车辆LiDAR定位方法在地图缺失或特征不足时精度下降的问题，提出利用路侧LiDAR单元与V2I通信辅助网联自动驾驶车辆定位的方法，仿真显示其定位精度优于传统NDT扫描匹配方法。
2024-07-11 cs.RO
Online Performance Assessment of Multi-Source-Localization for Autonomous Driving Systems Using Subjective Logic
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出基于主观逻辑的多源定位在线性能评估方法，对里程计、SLAM和GNSS三种定位系统分别建模并相互参照，在隧道环境中验证了其可行性。
2025-06-03 cs.RO
An End-to-End Learning-Based Multi-Sensor Fusion for Autonomous Vehicle Localization
DiDi Autonomous Driving（滴滴自动驾驶）；DiDi Chuxing（滴滴出行）
提出一种基于端到端高阶神经网络特征的多传感器融合方法，消除了不确定性估计与参数微调，在真实自动驾驶场景中实现了更高的定位准确性与鲁棒性。
2025-03-07 cs.RO
