Scan-Matching based Particle Filtering approach for LIDAR-only Localization
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本文论述了自主车辆的定位方法的发展，只使用一个$3\Dim$激光雷达传感器。在本文的上下文中，在环境的已知3D全局地图中定位车辆本质上是在该地图内找到其全局$3\Dim$姿态（位置和方向）。跟踪的问题则是使用顺序LIDAR扫描测量来估计除了车辆的全局姿态之外的其他状态，诸如速度和角速率。粒子滤波器通常用于定位和跟踪，如在同时定位和映射的应用中。但是，随着粒子的增加，粒子滤波器在计算上变得非常困难，通常需要在大的$3\Dim$贴图中进行定位。此外，计算每个粒子的LIDAR扫描的可能性本身是计算上昂贵的任务，因此限制了可以用于实时的性能的粒子的数量。为此，我们提出了一种混合的方法，结合了粒子滤波器的优点与全局-局部扫描匹配方法，以更好地通知粒子滤波器的重采样阶段。此外，我们建议使用预先计算的似然网格来加速LIDAR扫描的计算。最后，我们开发了完整的算法，广泛利用并行处理，以实现近足够的实时性能公开可用的KITTI数据集。
2023-02-14 cs.RO
Toward Consistent and Efficient Map-based Visual-inertial Localization: Theory Framework and Filter Design
Zhejiang University（浙江大学）；University of Technology Sydney（悉尼科技大学）
针对基于地图的视觉-惯性定位问题，设计了一种一致的、高效的滤波器。首先，我们提出了一个新的李群及其代数，在此基础上设计了一种新的不变扩展卡尔曼滤波器（不变EKF）。我们从理论上证明，当我们不考虑地图信息的不确定性，建议不变EKF可以自然地保持正确的可观性的系统的属性。为了考虑地图信息的不确定性，我们引入了施密特滤波器。利用施密特滤波器，可以考虑地图信息的不确定性以避免过度自信的估计，而计算成本仅随地图关键帧的大小线性增加。此外，我们引入了一个易于实现的可观性约束技术，因为直接结合不变的EKF与施密特滤波器不能保持正确的可观性属性的系统，考虑地图信息的不确定性。最后，我们通过大量的模拟和真实世界的实验验证了我们提出的系统的高一致性，准确性和效率。
2022-04-26 cs.RO
Augmented Reality without Borders: Achieving Precise Localization Without Maps
Magic Leap, Switzerland（瑞士 Magic Leap）
本文提出MARLoc框架，利用序列内三角化生成3D-2D对应关系，无需预建地图即可实现AR精确定位，在动态户外环境中表现优越。
2025-01-18 cs.RO
Multiparticle Kalman filter for object localization in symmetric environments
Novosibirsk Technology Center（新西伯利亚技术中心）；Schlumberger（斯伦贝谢）；Skoltech（斯科尔科沃科学技术研究院）；AIRI（人工智能研究所）
本研究针对复杂对称环境下的目标定位问题，提出一种新颖的多粒子卡尔曼滤波器。解决定位问题的两类众所周知的滤波算法是基于卡尔曼滤波器的方法和基于粒子滤波器的方法。我们认为这些类，证明他们的互补性，并提出了一种新的过滤算法，采取最好的两个类。我们评估的多粒子卡尔曼滤波器在对称和噪声环境。这样的环境对于这两类经典方法来说尤其具有挑战性。我们比较了所提出的方法与粒子滤波，因为只有这种方法是可行的，如果初始状态是未知的。在所考虑的具有挑战性的环境中，我们的方法优于粒子滤波在定位误差和运行时间。
2023-03-14 cs.AI cs.RO
Night-Rider: Nocturnal Vision-aided Localization in Streetlight Maps Using Invariant Extended Kalman Filtering
State Key Laboratory of Internet of Things for Smart City（智慧城市物联网国家重点实验室）；Faculty of Science and Technology, University of Macau（澳门大学科技学院）
针对夜间视觉信息不足导致的移动机器人定位难题，本文提出 Night-Rider 系统，利用路灯地图、目标检测关联匹配和 InEKF 融合 IMU、里程计与相机信息，并在四类夜间场景中实现低于 0.2% 轨迹长度相对误差的鲁棒定位。
2024-03-03 cs.RO
Probabilistic Object Maps for Long-Term Robot Localization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
部署在仓库和停车场等环境中的机器人必须在其环境中本地化时应对频繁和重大的变化。虽然许多以前的定位和映射算法已经探索了识别和关注长期特征以处理此类环境中的变化的方法，但我们提出了一种不同的方法-机器人能否理解可移动物体的分布并将其与此类物体的观察结果联系起来，以推断全局定位？在本文中，我们提出了概率对象地图（POM），它代表了可移动物体的分布，使用姿势似然样本对来自通过环境中的先前轨迹，并使用高斯过程分类器来生成查询姿势的对象的可能性。我们还介绍了POM本地化，它使用一个基于POM的观察模型来执行全局一致的长期本地化的因素图上的推理。我们目前的实证结果表明，POM本地化确实是有效的，在具有挑战性的现实世界的环境中产生全球一致的本地化估计，POM本地化提高轨迹估计，即使POM是从部分不正确的数据。
2022-07-31 cs.RO
Memory Unscented Particle Filter for 6-DOF Tactile Localization
University of Genova（热那亚大学）
针对六自由度触觉定位中的多模态和实时性挑战，本文提出记忆无迹粒子滤波器（MUPF），通过融合带历史记忆的改进粒子滤波与无迹卡尔曼滤波，在少量粒子下实现了实时、准确的位姿估计。
2016-11-10 cs.RO
Localization Through Particle Filter Powered Neural Network Estimated Monocular Camera Poses
University of Michigan（密歇根大学）；Northeastern University, Shenyang（东北大学（沈阳））；University of Pennsylvania（宾夕法尼亚大学）；Columbia University（哥伦比亚大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出利用粒子滤波器传播SE(3)均匀分布来改进基于CNN的单目相机位姿估计，显著提升了轨迹平移分量的准确性和平滑性。
2024-04-26 cs.RO
A semantic-aided particle filter approach for AUV localization
Jacobs University Bremen（不来梅雅各布大学）
提出了一种基于语义辅助粒子滤波的水下机器人定位方法。多年来，粒子滤波器已成功地用于机器人定位。然而，大多数方法是基于几何测量和几何信息和模拟。近年来，越来越多的研究转向认知机器人，海洋领域也不例外。因此，对于更复杂的应用，从信号到符号的转换变得至关重要。本文提出了一个贡献，在著名的水下定位领域，结合语义信息。扩展到标准的粒子滤波方法，提出了基于语义信息的环境。与几何方法的比较显示了语义层成功执行自定位的优势。
2019-05-17 cs.AI cs.RO
Reliable GNSS Localization Against Multiple Faults Using a Particle Filter Framework
Stanford University（斯坦福大学）
为了在城市道路上可靠地操作，使用全球导航卫星系统（GNSS）的导航需要从GNSS伪距测量准确地估计定位细节以及确定何时所估计的位置可安全使用或可用。然而，由于来自附近建筑物的信号反射和阻挡，城市环境中的多个GNSS测量包含偏差或故障，这对于估计位置和可用性是难以减轻的。本文提出了一种新的基于粒子滤波器的框架，采用高斯混合模型（GMM）的GNSS测量的可能性，鲁棒地估计多个测量故障下的导航车辆的位置。使用由过滤器和设计的GMM似然跟踪的概率分布，我们测量的精度和风险与本地化和确定在每个时刻的导航系统的可用性。通过具有挑战性的模拟和真实的城市驾驶场景进行的实验，我们表明，我们的方法实现小的水平定位误差相比，现有的基于滤波器的状态估计技术时，多个GNSS测量包含故障。此外，我们使用几个模拟验证，我们的方法确定系统的可用性与更小的概率的误报和完整性风险比现有的基于粒子滤波器的完整性监测方法。
2021-10-24 cs.RO
Freetures: Localization in Signed Distance Function Maps
Autonomous Systems Lab, ETH Zürich（苏黎世联邦理工学院自主系统实验室）；Microsoft Mixed Reality and AI Zurich Lab（微软混合现实与人工智能苏黎世实验室）
机器人系统在先前映射的环境中的定位对于减少估计漂移和重用先前构建的地图是重要的。现有的基于几何定位的技术集中在局部表面几何的描述上，通常使用点云作为底层表示。我们提出了一个基于几何的本地化系统，直接从隐式表面表示提取特征：符号距离函数（SDF）。SDF通过空间连续变化，这允许所提出的系统提取和利用描述表面和自由空间的特征。通过对公共数据集的评估，我们展示了这种方法的灵活性，并显示出比最先进的手工制作的仅表面描述符的本地化性能有所提高。我们在RGB-D数据集上实现了约12%的平均改进，在基于LiDAR的数据集上实现了约18%的平均改进。最后，我们展示了我们的系统定位激光雷达装备的MAV在以前建立的地图的搜索和救援训练场。
2020-10-21 cs.RO
Learning Bayes Filter Models for Tactile Localization
Khoury College of Computer Sciences, Northeastern University（东北大学库利计算机科学学院）
机器人手爪位姿的定位和跟踪是完成机械手操作任务的必要技能。然而，不精确的运动学模型（如低成本的手臂）或机械手与未知的世界坐标（如穷人相机臂校准）的机械手不能相对于世界定位夹持器。在这种情况下，我们可以利用抓手和环境之间的触觉反馈。在本文中，我们提出了可学习的贝叶斯滤波器模型，可以使用触觉反馈定位机器人抓手。我们提出了一种新的观察模型，条件的触觉反馈的视觉地图的环境，以及一个运动模型，递归地估计夹具的位置。我们的模型在具有自我监督的模拟中进行训练，并转移到现实世界中。我们的方法进行评估，在桌面上的定位任务，其中夹持器与物体相互作用。我们报告的结果在模拟和一个真正的机器人，概括了不同的大小，形状和配置的对象。
2020-11-11 cs.RO
OpenStreetMap-based LiDAR Global Localization in Urban Environment without a Prior LiDAR Map
KAIST（韩国科学技术院）；NAVER LABS（NAVER实验室）
使用公开访问的地图，我们提出了一种新的车辆定位方法，可以应用，而不使用事先的光检测和测距（LiDAR）地图。我们的方法通过计算从OpenStreetMap中的位置以常规角度到建筑物的距离来生成OSM描述符，并通过计算从当前位置以常规角度到建筑物点的最短距离来生成LiDAR描述符。比较OSM描述符和LiDAR描述符产生高度准确的车辆定位结果。与使用先前LiDAR地图的方法相比，我们的方法具有两个主要优点：（1）车辆定位不仅限于先前获得LiDAR地图的地方，（2）我们的方法与基于LiDAR地图的方法相当，特别是在KITTI数据集序列00的前一个候选人方面优于其他方法。
2022-02-15 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
Long-Term Localization using Semantic Cues in Floor Plan Maps
University of Bonn（波恩大学）；University of Oxford（牛津大学）
在给定的地图上终身定位是自主服务机器人的基本能力。在本文中，我们考虑的任务，长期定位在不断变化的室内环境稀疏CAD平面图。来自机器人传感器的常用预构建地图可能会增加部署的成本和时间。此外，由于其详细性质，在发生重大变化时必须予以更新。我们解决的困难定位时，地图和观测之间的对应关系是低的，由于稀疏的CAD地图和不断变化的环境。为了克服这两个挑战，我们建议利用语义线索，通常存在于面向人类的空间。这些语义线索可以使用RGB摄像机通过利用目标检测来检测，并且与易于更新的抽象语义图相匹配。语义信息集成到蒙特卡洛定位框架中，使用粒子滤波器对2D LiDAR扫描和相机数据进行操作。我们提供长期的本地化解决方案和语义地图格式，适用于内部结构发生变化且无法获得详细几何地图的环境。我们在办公室环境中的多个具有挑战性的室内场景中评估我们的本地化框架，间隔数周。实验表明，我们的方法是强大的结构变化，可以运行在机载计算机上。我们发布了用C++编写的方法的开源实现以及ROS包装器。
2022-10-04 cs.RO
SignLoc: Robust Localization using Navigation Signs and Public Maps
Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究所）；Northeastern University（东北大学）
提出 SignLoc 全局定位方法，通过导航标志与楼层平面图、OSM 图匹配，在无预先传感器建图的情况下实现鲁棒拓扑-语义定位。
2025-08-29 cs.RO
VLG-Loc: Vision-Language Global Localization from Labeled Footprint Maps
The Department of Mechanical Systems Engineering, Nagoya University（名古屋大学机械系统工程系）；CyberAgent AI Lab（CyberAgent AI实验室）
VLG-Loc通过视觉-语言模型实现从标注足迹地图的全局定位，结合蒙特卡洛定位框架和概率融合提升环境变化下的鲁棒性。
2025-12-18 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
SLAMesh: Real-time LiDAR Simultaneous Localization and Meshing
The Hong Kong Polytechnic University（香港理工大学）；Zhejiang University of Science and Technology（浙江科技学院）
大多数当前的LiDAR同时定位与地图构建（SLAM）系统在点云中构建地图，点云在放大时是稀疏的，即使它们在人眼看来是密集的。密集地图对于机器人应用（如基于地图的导航）至关重要。近年来，由于存储成本低，网格已成为一种有吸引力的稠密映射模型。然而，现有的方法通常通过使用离线后处理步骤来生成网格地图来产生网格地图。这种两步流水线不允许这些方法在线使用构建的网格地图，并使本地化和网格化能够相互受益。为了解决这个问题，我们提出了第一个只有CPU的实时的【形】LiDAR SLAM系统，可以同时构建网格地图和执行定位对网格地图。提出了一种新的基于高斯过程重构的直接网格划分策略，实现了网格图的快速生成、配准和更新。我们在几个公共数据集上进行了实验。实验结果表明，SLAM系统可以在$40$ Hz左右工作。定位和网格精度也优于最先进的方法，包括TSDF映射和泊松重建。我们的代码和视频演示可在https://github.com/lab-sun/SLAMesh上获得。
2023-03-09 cs.RO
Vision-based Multi-MAV Localization with Anonymous Relative Measurements Using Coupled Probabilistic Data Association Filter
University of Pennsylvania（宾夕法尼亚大学）；Autel Robotics（道通智能航空技术有限公司）
我们解决了机器人在多MAV系统中的定位问题，其中外部基础设施如GPS或运动捕捉系统可能不可用。我们的方法适用于在大小，重量和功率（SWaP）有几个限制的平台上实现。特别是，我们的框架将板载VIO与匿名的基于视觉的机器人对机器人检测融合在一起，以在一个公共帧中估计所有机器人姿势，解决了三个主要挑战：1）机器人团队的初始配置是未知的，2）每个基于视觉的检测和机器人目标之间的数据关联是未知的，以及3）基于视觉的检测产生假阴性、假阳性、不准确，并提供其他机器人的有噪声的方位、距离测量。我们的方法扩展了耦合概率数据关联滤波器（CPOAF）[1]，以处理非线性测量。我们证明了我们的方法优于一个简单的VIO为基础的方法在模拟与测量模型的统计建模使用真实的实验数据。我们还展示了如何板载传感，估计和控制可以用于编队飞行。
2020-02-21 cs.RO
Vehicular Teamwork: Collaborative localization of Autonomous Vehicles
Texas A&M University（德州农工大学）
本研究提出基于扩展卡尔曼滤波的分布式协同定位算法，融合UWB车距测量提升GPS失效场景下的定位精度，经仿真与城市实验验证，在GPS拒止时较标准卡尔曼滤波精度最高提升83.3%，且降低车际通信需求。
2023-10-08 cs.RO
Error State Extended Kalman Filter Multi-Sensor Fusion for Unmanned Aerial Vehicle Localization in GPS and Magnetometer Denied Indoor Environments
University of Zagreb（萨格勒布大学）
本文讨论了无人机（UAV）室内导航的问题，特别是在GPS和磁力计传感器测量不可用或不可靠的地区。所提出的解决方案是在多传感器融合的背景下使用误差状态扩展卡尔曼滤波器（ES-EKF）。它的实施是适应融合测量从多个传感器源和状态模型扩展到考虑传感器漂移和可能的校准不准确。通过将从PixHawk 2.1飞行控制器获得的IMU数据与来自LiDAR Cartographer SLAM的姿态测量、英特尔T265相机提供的视觉里程计和来自Pozyx UWB室内定位系统的位置测量进行融合来进行实验验证。从ES-EKF的估计里程验证地面实况数据从Optitrack运动捕捉系统和它的使用在位置控制回路中，以稳定的无人机进行了演示。
2021-09-10 cs.RO
Split Covariance Intersection Filter Based Visual Localization With Accurate AprilTag Map For Warehouse Robot Navigation
Department of Automation, Shanghai Jiao Tong University（上海交通大学自动化系）；Université Paris-Saclay, ENS Paris-Saclay, CNRS, Centre Borelli（巴黎-萨克莱大学、巴黎-萨克莱高等学院、法国国家科学研究中心、Borelli中心）
针对仓库机器人导航，提出基于分裂协方差交叉滤波器的视觉定位系统，利用精确AprilTag地图融合测量与运动数据，有效处理非线性、时间相关性及异常值，并在真实环境中验证了其优势。
2025-08-14 cs.RO
MegaParticles: Range-based 6-DoF Monte Carlo Localization with GPU-Accelerated Stein Particle Filter
the National Institute of Advanced Industrial Science and Technology（日本国立先进工业科学技术研究院）
本文提出一种基于测距的 6-DoF 蒙特卡洛定位方法，采用 GPU 加速的 Stein 粒子滤波，结合基于 Gauss-Newton 的 SVGD 与迭代邻居粒子搜索，能在单 GPU 实时处理 100 万粒子，在无初始位姿和先验信息下实现鲁棒的位姿初始化、重定位及抗传感器遮挡。
2024-04-25 cs.RO
Lights Out: A Nighttime UAV Localization Framework Using Thermal Imagery and Semantic 3D Maps
Robora Lab（Robora实验室）；Queen’s University（女王大学）；Ingenuity Labs Research Institute（Ingenuity实验室研究院）
本文提出了一种基于语义重投影的夜间无人机定位方法，通过将分割后的热成像与白天RGB数据构建的语义3D地图对齐，实现GNSS拒止条件下的可靠定位，实验表明语义边缘证据的可用性对定位性能有显著影响。
2026-04-29 cs.RO
GPS-DRIFT: Marine Surface Robot Localization using IMU-GPS Fusion and Invariant Filtering
Department of Naval Architecture and Marine Engineering at the University of Michigan（密歇根大学海军建筑与海洋工程系）
本文扩展DRIFT框架，提出GPS-DRIFT方法，通过不变扩展卡尔曼滤波融合GPS与IMU数据，并利用对地航向信息实现偏航角校正，在BlueBoat平台上验证了无漂移定位与可靠航向估计，并开源了解决方案。
2025-07-02 cs.RO
SparseLoc: Sparse Open-Set Landmark-based Global Localization for Autonomous Navigation
IIIT Hyderabad（海得拉巴国际信息技术学院）；The University of Texas, Austin（德克萨斯大学奥斯汀分校）；MIT（麻省理工学院）；Ati Motors
本文提出SparseLoc框架，利用视觉-语言基础模型零样本构建稀疏语义-拓扑度量地图，并结合延迟优化的Monte Carlo定位，以极低点云开销实现高精度全局定位。
2025-07-28 cs.RO
Global Localization in Unstructured Environments using Semantic Object Maps Built from Various Viewpoints
Massachusetts Institute of Technology（麻省理工学院）
本文提出一种基于语义对象地图关联与配准的全局定位框架，通过图数据关联和引导式重定位，在非结构化环境中利用不同视角构建的参考地图实现鲁棒定位，并在两个真实数据集上验证了有效性。
2023-10-26 cs.RO
Localization in Spatiotemporal Fields via Environmental PDEs
该研究提出基于PDE控制的环境时空场的定位框架，采用Rao-Blackwellized粒子滤波器分解车辆状态，仿真与实验表明其定位精度优于标准粒子滤波器，验证了环境场用于实际定位的可行性。
2026-08-04 cs.RO
Relative ultra-wideband based localization of multi-robot systems with kinematic extended Kalman filter
Université de Sherbrooke（舍布鲁克大学）
定位在分布式群体机器人领域中起着至关重要的作用。以前的工作已经强调了在多机器人系统中位置跟踪的相对定位的潜力。超宽带（UWB）技术提供了一个很好的估计机器人之间的相对位置，但受到一些限制。本文提出了改进的相对定位功能，在我们以前的工作，这是基于UWB技术。我们的新方法合并UWB遥测和运动学模型到一个扩展的卡尔曼滤波器，以正确地跟踪机器人的相对位置。我们进行了仿真，并验证了所提出的方法在相对距离和角度精度的改进。进行了额外的分析，以观察当机器人共享其控制输入时性能的提高。
2023-03-20 cs.RO eess.SP
3D Water Quality Mapping using Invariant Extended Kalman Filtering for Underwater Robot Localization
University of Maryland（马里兰大学）；University of Maryland Centre for Environmental Science（马里兰大学环境科学中心）
针对传统水质测绘受时间与深度限制的问题，提出用配备 GPS 和传感器的 BlueROV2 结合不变扩展卡尔曼滤波定位，在牡蛎养殖场实现可上浮校正的三维水质测绘。
2025-02-19 cs.RO
Fast and Robust Localization of Surgical Array using Kalman Filter
Concordia University（康考迪亚大学）
手术器械的术中跟踪是计算机辅助手术的一项不可回避的任务。由于采集噪声和测量方差，光学跟踪系统通常无法精确地重建手术工具的动态位置和姿态。将卡尔曼滤波器（KF）或其任何扩展（诸如扩展和无迹卡尔曼滤波器）与光学跟踪器一起嵌入通过减小估计方差和正则化时间行为来解决该问题。然而，当前的刚体KF实现在计算上是繁重的，并且因此需要长的执行时间，这阻碍了实时手术跟踪。本文介绍了一种快速和计算效率高的实现线性卡尔曼滤波，以提高测量精度的光学跟踪系统与高时间分辨率。我们的KF框架使用牛顿模型跟踪安装在其上的每个单独的基准，而不是整个手术工具。除了模拟数据集，我们验证了我们的技术对从高帧率商业光学跟踪系统获得的真实数据。所提出的KF框架基本上稳定了我们所有实验中的跟踪行为，并将均方误差（MSE）从$10^{-2}$ $mm^{2}$的量级降低到$10^{-4}$ $mm^{2}$。
2020-12-22 cs.RO
Memory-efficient particle filter recurrent neural network for object localization
Novosibirsk Technology Center（新西伯利亚技术中心）；Schlumberger（斯伦贝谢）；AIRI；Skoltech（斯科尔科沃科学技术研究院）
本研究针对噪声环境下的目标定位问题，结合经典粒子滤波思想与GRU RNN架构提出内存高效的mePFRNN模型，其参数量不随环境规模变化，在对称高噪环境中定位精度更优且参数更少。
2023-10-02 cs.AI cs.RO
Improved Radar Localization on Lidar Maps Using Shared Embedding
Zhejiang University（浙江大学）
我们提出了一个异构定位框架，用于解决雷达全球定位和姿态跟踪预建激光雷达地图。为了弥合传感模式的差距，构建了深度神经网络，为雷达扫描和激光雷达地图创建共享的嵌入空间。在这里，学习的特征嵌入支持相似性度量，从而分别提高地图检索和数据匹配。在RobotCar和MulRan数据集中，我们通过与Scan Context和RaLL的比较证明了所提出的框架的有效性。此外，与原始RaLL相比，所提出的姿态跟踪流水线具有更少的神经网络。
2021-06-18 cs.CV cs.RO
Why semantics matters: A deep study on semantic particle-filtering localization in a LiDAR semantic pole-map
University of Macau（澳门大学）
提出基于 mask-range transformer 的多层语义 pole-map 及语义粒子滤波定位方案，利用杆状结构语义提升自动驾驶车辆在不确定性下的定位精度。
2023-05-23 cs.CV cs.RO
Mobile Robot Localization Using Fuzzy Neural Network Based Extended Kalman Filter
University of Engineering and Technology, Vietnam National University, Hanoi（越南河内国家大学工程技术大学）
针对移动机器人定位问题，提出了一种改进扩展卡尔曼滤波器（EKF）性能的新方法。采用模糊逻辑系统连续调整滤波器的噪声协方差矩阵。实现了一个神经网络来调节模糊规则的前件和后件部分的隶属函数。其目的是在噪声协方差矩阵固定或错误确定的情况下，提高EKF的精度，避免EKF发散。进行了仿真和实验。结果表明，该滤波器在定位移动机器人方面优于EKF。
2021-05-06 cs.RO cs.SY eess.SY
Robust 3D Localization and Tracking of Sound Sources Using Beamforming and Particle Filtering
CSIRO ICT Centre（澳大利亚联邦科学与工业研究组织信息与通信技术中心）；Université de Sherbrooke（谢布鲁克大学）
在本文中，我们提出了一种新的强大的声源定位和跟踪方法，使用一个阵列的八个麦克风（美国专利申请中）。该方法使用一个转向波束形成器的基础上的可靠性加权相位变换（RWPHAT），以及基于粒子滤波器的跟踪算法。所提出的系统是能够估计的方向和源的距离。在视频会议环境中，方向估计的精度优于一度，而距离的精度在10% RMS内。跟踪多达三个同时移动的扬声器证明在嘈杂的环境中。
2016-02-27 cs.RO cs.SD
Source localization using particle filtering on FPGA for robotic navigation with imprecise binary measurement
Indian Institute of Science（印度科学研究所）；Western Sydney University（西悉尼大学）
粒子滤波是一种递归贝叶斯估计技术，最近在跟踪和定位应用中得到了普及。它使用蒙特卡罗模拟，并已被证明是一种非常可靠的技术来模拟物理系统的非高斯和非线性元素。粒子滤波器由于其非分析和非参数性质而在非高斯和非线性设置中优于各种其他传统滤波器，如卡尔曼滤波器。然而，粒子滤波器的显著缺点是它们的计算复杂性，这抑制了它们在基于常规CPU或DSP的实现方案的实时应用中的使用。本文对现有的粒子滤波算法进行了改进，提出了一种高速专用的硬件结构。该体系结构采用流水线和并行化的设计，以减少执行时间显着。该设计验证的源定位问题，其中我们估计的位置，在实时使用粒子滤波算法实现的硬件上的源。验证设置依赖于顶部带有光电二极管外壳的无人地面车辆（UGV）来感测和定位光源。我们已经原型的设计使用Artix-7现场可编程门阵列（FPGA），和资源利用率为拟议的系统。此外，我们展示了高速架构的执行时间和估计精度，并观察到计算时间的显着减少。我们在FPGA上实现的粒子滤波器是可扩展的和模块化的，处理1024个粒子的执行时间约为5.62 us，可以部署用于实时应用。
2020-10-22 cs.RO eess.SP
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
What is the Best Grid-Map for Self-Driving Cars Localization? An Evaluation under Diverse Types of Illumination, Traffic, and Environment
Instituto Federal de Educação, Ciência e Tecnologia do Espírito Santo (IFES)（圣埃斯皮里图联邦教育、科学和技术学院）；Universidade Federal do Espírito Santo (UFES)（圣埃斯皮里图联邦大学）；Universidade Federal do Rio de Janeiro (UFRJ)（里约热内卢联邦大学）
自动驾驶汽车的本地化需要执行多项任务，例如保持地图更新，跟踪目标和规划。定位算法通常利用地图来估计汽车姿态。由于维护和使用多个映射在计算上是昂贵的，因此分析哪种类型的映射更适合每个应用程序是很重要的。在这项工作中，我们提供了这样的分析数据，通过比较粒子滤波器定位时，使用占用率，反射率，颜色，或语义网格地图的准确性。据我们所知，这种评价在文献中缺失。为了构建语义和彩色网格地图，来自光探测和测距（LiDAR）传感器的点云与前置摄像头捕获的图像融合。利用深度神经网络从图像中提取语义信息。实验在不同的环境中进行，在不同的照明和交通条件下。结果表明，占有率网格地图导致更准确的定位，其次是反射率网格地图。在大多数情况下，使用语义网格地图的定位保持了位置跟踪，没有灾难性的损失，但误差比以前大2到3倍。彩色网格地图导致不准确和不稳定的定位，即使使用一个强大的度量，熵相关系数，比较在线数据和地图。
2020-09-19 cs.AI cs.RO
Monte Carlo Localization in Hand-Drawn Maps
University of Freiburg（弗莱堡大学）
机器人定位是机器人学中的一个重要问题。大多数现有的方法假设环境的地图是预先可用的，并专注于精确的测量定位。在本文中，我们解决的定位问题时，环境的地图是不存在的事先，和机器人依赖于手绘地图从一个非专家用户。我们通过在像素坐标中表达机器人姿态来解决这个问题，同时估计手绘地图的局部变形。实验表明，该方法能够将机器人定位在正确的房间内，鲁棒性高达80%
2015-04-02 cs.AI cs.RO
Autonomous Robotic Radio Source Localization via a Novel Gaussian Mixture Filtering Approach
Faculty of Engineering and Applied Sciences（工程与应用科学学院）；Cranfield University（克兰菲尔德大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；Cho Chun Shik Graduate School of Mobility（Cho Chun Shik 移动研究生院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对未知环境下自主机器人无线电源定位的部分可观测与测量不确定问题，提出新型高斯混合滤波器，经数值基准与野外实验验证，其性能优于粒子滤波器，兼具低计算量与高鲁棒性。
2025-06-13 cs.RO eess.SP
LATITUDE: Robotic Global Localization with Truncated Dynamic Low-pass Filter in City-scale NeRF
Tsinghua University（清华大学）；Institute for AI Industry Research (AIR), Tsinghua University（清华大学智能产业研究院（AIR））；Beijing Institute of Technology（北京理工大学）；The University of Hong Kong（香港大学）
神经辐射场（NeRFs）在以高分辨率细节和高效存储来表示复杂3D场景方面取得了巨大成功。然而，目前基于NeRF的姿态估计器没有初始姿态预测，并且在优化过程中容易陷入局部最优。在本文中，我们提出了LATITUDE：全球定位与截断动态低通滤波器，它引入了两个阶段的定位机制，在城市规模的NeRF。在位置识别阶段，我们训练一个回归器，通过从训练的NeRF生成的图像，这提供了一个初始值的全局定位。在姿态优化阶段，我们通过直接优化切平面上的姿态来最小化观察图像和渲染图像之间的残差。为了避免收敛到局部最优，我们引入了截断动态低通滤波器（TDLF）的粗到精姿态注册。我们评估我们的方法在合成和真实世界的数据，并显示其潜在的应用高精度导航在大规模的城市场景。代码和数据将在https://github.com/jike5/LATITUDE上公开。
2023-02-27 cs.CV cs.RO
Nonlinear Filter for Simultaneous Localization and Mapping on a Matrix Lie Group using IMU and Feature Measurements
Thompson Rivers University（汤普森河大学）；The Hong Kong Polytechnic University（香港理工大学）
同时定位与地图构建（SLAM）是一种同时估计车辆相对于参考系的姿态和特征位置的过程。本文提出了一种计算成本低的几何非线性SLAM滤波器算法，构造成模仿真正的SLAM问题的非线性运动动力学上的矩阵李群的$\mathbb{SLAM}_{n}\left(3\right)$。流形上的非线性滤波器是以连续形式提出的，它利用了从群速度矢量，特征测量和惯性测量单元（IMU）获得的可用测量。所提出的估计器成功地处理了速度测量的未知偏差。仿真结果表明，所提出的滤波器的鲁棒性在离散形式证明其效用的六度的自由度（6 DoF）的姿态估计以及在三维（3D）空间中的特征估计。此外，四元数表示的非线性滤波器的SLAM。保留字：同时定位与地图构建，SLAM的非线性观测器算法，惯性测量组合，惯性视觉系统，位姿，位置，姿态，地标，估计，IMU，SE（3），SO（3），无人机，刚体，噪声，SLAM的非线性观测器，高斯滤波，卡尔曼滤波，导航。
2022-03-16 cs.RO cs.SY eess.SY
Semantic Image Alignment for Vehicle Localization
Technical University of Munich（慕尼黑工业大学）；AUDI AG（奥迪股份公司）；Google（谷歌公司）；Google, Zurich, Switzerland（谷歌苏黎世公司（注：严格按提取范围，机构粒度到公司级别，故保留英文全称，中文按常见译法））；Department of Informatics（信息学系（注：因提取范围要求不细拆到系，此处仅作为示例说明原数据中的系名称，实际输出中应按机构粒度提取大学/公司等，故本处不单独输出该系名，仅保留大学和公司））
准确可靠的定位是自动驾驶汽车在导航或规划等高级任务中使用地图信息的基本要求。在本文中，我们提出了一种新的方法，车辆定位在密集的语义地图，包括矢量化的高清地图或三维网格，使用语义分割从单目摄像机。我们制定的本地化任务作为一个直接的图像对齐问题的语义图像，这使得我们的方法来鲁棒地跟踪车辆的姿态在语义标记的地图对齐虚拟摄像机视图渲染从地图到序列的语义分割的摄像机图像。与现有的视觉定位方法相比，该系统不需要额外的关键点功能，手工制作的定位地标提取器或昂贵的LiDAR传感器。我们证明了我们的方法在从立体或LiDAR以及手动注释的HD地图生成的各种语义网格地图上的广泛适用性，并表明它实现了实时可靠和准确的定位。
2021-10-08 cs.CV cs.RO
Cooperative localization for mobile agents: a recursive decentralized algorithm based on Kalman filter decoupling
本文提出一种递归分布式协同定位算法，通过解耦卡尔曼滤波实现分布式状态估计，提升移动代理的定位精度与效率。
2015-10-05 cs.RO cs.SY eess.SY
Particle Filter Networks with Application to Visual Localization
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）
粒子滤波是一种功能强大的方法，顺序状态估计，并发现在许多领域的应用，包括机器人定位，对象跟踪，在实践中应用粒子滤波等，一个关键的挑战是构建概率系统模型，特别是对于系统具有复杂的动态或丰富的感官输入，如摄像机图像。本文介绍了粒子滤波网络（PFnet），它编码的系统模型和粒子滤波算法在一个单一的神经网络。PF网络是完全可区分的，并从数据中进行端到端的训练。它不是学习通用系统模型，而是学习针对粒子滤波算法优化的模型。我们将PF-网应用于视觉定位任务，其中机器人必须在丰富的3-D世界中进行定位，仅使用示意性的2-D楼层地图。在仿真实验中，PF网络在各种传感器输入下的性能始终优于其他学习架构以及传统的基于模型的方法。此外，PF-net可以很好地推广到新的、看不见的环境。
2018-10-25 cs.AI cs.CV cs.LG
EgoVM: Achieving Precise Ego-Localization using Lightweight Vectorized Maps
Baidu（百度）
本研究提出端到端定位网络EgoVM，以轻量化矢量地图替代重型点云地图，通过BEV特征提取、语义嵌入编码、跨模态匹配及直方图位姿求解实现厘米级自定位，精度优于现有矢量地图方法，且已在车队城市场景中广泛验证。
2023-07-18 cs.CV cs.RO
CLIP-Loc: Multi-modal Landmark Association for Global Localization in Object-based Maps
Frontier Research Center, Toyota Motor Corporation（丰田汽车公司前沿研究中心）
提出CLIP-Loc方法，利用视觉语言模型和自然语言地标描述，在基于对象地图的全局定位中高效提取多模态对应关系，减少迭代次数并提高定位精度。
2024-02-08 cs.CV cs.RO
Robust Monocular Localization in Sparse HD Maps Leveraging Multi-Task Uncertainty Estimation
University of Freiburg（弗莱堡大学）
使用低成本传感器设置和稀疏高清地图在密集城市场景中进行鲁棒定位与当前自动驾驶的进步高度相关，但仍然是一个具有挑战性的研究课题。我们提出了一种新的单目定位方法的基础上的滑动窗口姿态图，利用预测的不确定性，提高精度和鲁棒性，对具有挑战性的情况下，每帧故障。为此，我们提出了一个有效的多任务不确定性感知模块，其中包括语义分割，以及限界框检测，使本地化的车辆在稀疏的地图，只包含车道边界和交通灯。此外，我们设计了直接从估计的不确定性产生的可微成本图。这开辟了以无关联和不确定性感知的方式最小化无定形地图元素的重投影损失的可能性。对Lyft 5数据集的广泛评估表明，尽管地图稀疏，但我们的方法可以在具有挑战性的城市场景中实现强大而准确的6D定位
2021-10-20 cs.AI cs.CV cs.LG
Robust Global Localization Using Clustered Particle Filtering
全局移动机器人定位是指当机器人的起始位置未知时，利用传感器数据确定机器人在环境中的位姿。被称为蒙特卡罗定位（MCL）的概率算法家族是目前解决该问题的最流行的方法之一。MCL算法表示一个机器人的信念由一组加权样本，其中近似的后验概率的机器人位于使用贝叶斯公式的定位问题。本文提出了一种扩展的MCL算法，它解决了它的问题时，定位在高度对称的环境中，MCL的情况下，往往无法正确地跟踪同样可能的姿势的机器人。这个问题产生于这样一个事实，即MCL中的样本集往往变得贫困，当样本是根据其后验似然生成的。我们的方法结合了样本聚类的思想，并考虑到这些聚类的概率质量修改了提案分布。实验结果表明，这种新的扩展MCL算法成功地定位在对称环境中，普通MCL往往失败。
2002-04-21 cs.AI cs.RO
A Geometric Nonlinear Stochastic Filter for Simultaneous Localization and Mapping
Thompson Rivers University（汤普森河大学）
同时定位和映射（SLAM）是关键的机器人任务之一，因为它解决了由多个地标位置和未知姿态的定位（即，姿态和位置）。真正的SLAM问题是在$\mathbb{SLAM}_{n}\left(3\right)$的李群上建模的，并且其真正的动力学依赖于角速度和平移速度。本文提出了一种新的几何非线性随机估计算法的SLAM $\mathbb{SLAM}_{n}\left(3\right)$，精确地模仿真正的SLAM问题的非线性运动动力学。与现有的解决方案不同，建议的随机滤波器考虑到未知的恒定偏差和噪声附加到速度测量。提出的流形上的非线性随机估计器保证产生良好的结果，提供角速度，平移速度，地标，和惯性测量单元（IMU）的测量。仿真和实验结果反映了所提出的滤波器的能力，成功地估计六自由度（6 DoF）机器人的姿态和地标位置。保留字：同时定位和地图构建，SLAM的非线性随机观测器，随机微分方程，位姿估计器，位置，姿态，布朗运动过程，惯性测量单元，地标，特征，可伸缩性，SO（3），SE（3），SLAM。
2021-02-11 cs.RO cs.SY eess.SY
Robust Localization and Tracking of Simultaneous Moving Sound Sources Using Beamforming and Particle Filtering
CSIRO ICT Centre（澳大利亚联邦科学与工业研究组织信息与通信技术中心）；Université de Sherbrooke（舍布鲁克大学）
现实生活中的移动机器人将受益于能够定位和跟踪声源。这样的能力可以帮助定位环境中的人或感兴趣的事件，并且还为诸如语音识别的其他能力提供增强的处理。为了赋予机器人这种能力，挑战不仅是定位同步声源，而且要随着时间的推移跟踪它们。在本文中，我们提出了一个强大的声源定位和跟踪方法，使用八个麦克风阵列。该方法是基于一个频域实现的转向波束形成器以及基于粒子滤波器的跟踪算法。结果表明，移动机器人可以定位和跟踪实时多个不同类型的移动源在7米的范围内。这些新功能允许移动机器人使用更自然的方式与现实生活中的人进行交互。
2016-02-25 cs.RO cs.SD
Constructing Metric-Semantic Maps using Floor Plan Priors for Long-Term Indoor Localization
University of Bonn（波恩大学）；University of Oxford（牛津大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出利用楼层平面图先验构建度量-语义地图，通过单目3D物体检测实现长期室内定位，实验验证了方法的有效性和鲁棒性。
2023-10-13 cs.CV cs.RO
