MinkLoc3D-SI: 3D LiDAR place recognition with sparse convolutions, spherical coordinates, and intensity
Poznan University of Technology（波兹南理工大学）；Warsaw University of Technology（华沙理工大学）
3D LiDAR位置识别旨在基于来自旋转3D LiDAR传感器的单次扫描来估计先前看到的环境中的粗略定位。该问题的现有解决方案包括手工制作的点云描述符（例如，ScanContext、M2 DP、LiDAR IRIS）和基于深度学习的解决方案（例如，PointNetVLAD、PCAN、LPDNet、DAGC、MinkLoc 3D），通常仅在Oxford RobotCar数据集的累积2D扫描上进行评估。我们介绍了MinkLoc 3D-SI，这是一种基于稀疏卷积的解决方案，它利用3D点的球面坐标并处理3D LiDAR测量的强度，从而提高了使用单个3D LiDAR扫描时的性能。我们的方法将手工制作的描述符（如ScanContext）的典型改进与最有效的3D稀疏卷积（MinkLoc 3D）相结合。我们的实验显示了3D LiDAR（USyd Campus数据集）单次扫描的改进结果和强大的泛化能力（KITTI数据集）。在累积的2D扫描（RobotCar Intensity数据集）上使用强度信息可以提高性能，即使球形表示不会产生明显的改善。因此，MinkLoc 3D-SI适用于从3D LiDAR获得的单次扫描，使其适用于自动驾驶汽车。
2021-12-27 cs.CV cs.RO
Polar Perspectives: Evaluating 2-D LiDAR Projections for Robust Place Recognition with Visual Foundation Models
本文通过评估不同2D激光雷达投影对位置识别的影响，发现精心设计的投影可有效替代端到端3D学习。
2025-12-02 cs.CV cs.RO
4DRaL: Bridging 4D Radar with LiDAR for Place Recognition using Knowledge Distillation
Faculty of Robot Science and Engineering, Northeastern University, Shenyang, China（东北大学机器人科学与工程学院，沈阳，中国）
本文提出4DRaL框架，利用知识蒸馏提升4D雷达的地点识别性能，通过高精度LiDAR-to-LiDAR模型指导训练，解决4D雷达数据噪声和稀疏性问题，实验表明在正常和恶劣天气下均取得最佳性能。
2026-03-27 cs.CV cs.RO
LRFusionPR: A Polar BEV-Based LiDAR-Radar Fusion Network for Place Recognition
Beijing Institute of Technology（北京理工大学）
针对自动驾驶中激光雷达与雷达融合地点识别的难点，提出基于极坐标BEV的双分支LRFusionPR网络，通过交叉注意力融合和知识蒸馏提升识别准确率与天气鲁棒性，在多数据集上验证有效。
2025-10-02 cs.CV cs.RO
Camera-LiDAR Fusion with Latent Contact for Place Recognition in Challenging Cross-Scenes
Southeast University（东南大学）
针对跨场景地点识别中视角、季节变化等挑战，提出三通道描述符，含图像、点云及基于潜在接触的双阶段融合分支，在多个数据集上达到最先进性能。
2023-10-16 cs.CV cs.RO
HeLiPR: Heterogeneous LiDAR Dataset for inter-LiDAR Place Recognition under Spatiotemporal Variations
SNU（首尔大学）；NAVER LABS（NAVER实验室）
针对异构激光雷达位置识别缺乏综合数据集的问题，本文提出HeLiPR数据集，涵盖旋转与非重复扫描LiDAR、不同视场和线数，支持时空变化下的跨LiDAR位置识别。
2024-03-19 cs.RO
LCPR: A Multi-Scale Attention-Based LiDAR-Camera Fusion Network for Place Recognition
Beijing Institute of Technology（北京理工大学）；Shanghai Jiao Tong University（上海交通大学）；HAOMO.AI Technology Co., Ltd（毫末智行科技有限公司）
本文提出LCPR网络，通过多尺度注意力模块融合LiDAR点云与多视角RGB图像生成偏航旋转不变表示，有效解决了特征不平衡问题，在nuScenes数据集上显著提升了多模态位置识别性能及视角鲁棒性。
2023-12-30 cs.CV cs.RO
HeLiOS: Heterogeneous LiDAR Place Recognition via Overlap-based Learning and Local Spherical Transformer
HeLiOS提出一种面向异构LiDAR地点识别的深度网络，通过局部球形Transformer、最优传输聚类分配及重叠引导学习，实现跨LiDAR类型的鲁棒地点匹配。
2025-02-07 cs.RO
BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR
University of Oxford（牛津大学）
本文是关于基于实例分割和图形匹配的激光雷达点云定位的非常强大和轻量级的。我们将3D点云建模为语义识别组件的全连接图，其中每个顶点对应于对象实例并对其形状进行编码。跨图的最佳顶点关联允许通过测量相似性进行完全6自由度（DoF）姿态估计和位置识别。这种表示非常简洁，将地图的大小压缩了25倍，只需要3 kB来表示1.4MB的激光扫描。我们在SemanticKITTI数据集上验证了我们的系统的有效性，在那里我们实现了最先进的位置识别，平均召回率为88.4%，精确度为100%，下一个最接近的竞争对手为64.9%。我们还展示了准确的度量姿态估计性能-估计6自由度姿态，中值误差为10 cm和0.33 deg。
2022-06-30 cs.CV cs.RO
Wild-Places: A Large-Scale Dataset for Lidar Place Recognition in Unstructured Natural Environments
DATA61, CSIRO（联邦科学与工业研究组织DATA61）；Queensland University of Technology（昆士兰科技大学）
用于激光雷达位置识别的许多现有数据集仅代表结构化城市环境，并且最近通过基于深度学习的方法在性能上已经饱和。自然和非结构化环境为长期本地化任务提出了许多额外的挑战，但这些环境在当前可用的数据集中没有表现出来。为了解决这个问题，我们引入了Wild-Places，这是一个具有挑战性的大规模数据集，用于在非结构化的自然环境中进行激光雷达位置识别。Wild-Places包含在14个月的过程中使用手持式传感器有效载荷收集的8个激光雷达序列，包含总共63 K未失真的激光雷达子地图以及精确的6DoF地面实况。我们的数据集包含序列内和序列之间的多次重访，允许序列内（即环闭合检测）和序列间（即重新定位）位置识别。我们还对几种最先进的方法进行了基准测试，以证明该数据集带来的挑战，特别是由于自然环境随时间变化而导致的长期位置识别的情况。我们的数据集和代码将在https://csiro-robotics.github.io/Wild-Places上提供。
2023-03-02 cs.RO
Investigating the Impact of Multi-LiDAR Placement on Object Detection for Autonomous Driving
Carnegie Mellon University（卡内基梅隆大学）；Amazon（亚马逊）；University of Southern California（南加州大学）
在过去的几年里，人们对提高自动驾驶汽车上LiDAR的感知性能越来越感兴趣。虽然大多数现有的工作都集中在开发新的深度学习算法或模型架构上，但我们从物理设计的角度研究这个问题，即，多个LiDAR的不同位置如何影响基于学习的感知。为此，我们引入了一个易于计算的信息理论替代度量，以定量和快速评估激光雷达的位置，用于不同类型物体的3D检测。我们还提出了一个新的数据汇集，检测模型的训练和评估框架，在现实的CARLA模拟器，以评估不同的多LiDAR配置。使用几个受自动驾驶公司设计启发的流行布局，我们通过广泛的实验展示了我们的替代度量与KITTI上不同代表性算法的目标检测性能之间的相关性，验证了我们的LiDAR布局评估方法的有效性。我们的研究结果表明，传感器的放置是不可忽略的三维点云为基础的目标检测，这将有助于高达10%的性能差异方面的平均精度在具有挑战性的三维目标检测设置。我们相信，这是定量研究LiDAR放置对感知性能影响的首批研究之一。该代码可在https://github.com/HanjiangHu/Multi-LiDAR-Placement-for-3D-Detection上获得。
2022-05-04 cs.AI cs.CV cs.LG
OPAL: Visibility-aware LiDAR-to-OpenStreetMap Place Recognition via Adaptive Radial Fusion
Technical University of Munich（慕尼黑技术大学）；Wuhan University（武汉大学）；University of Science and Technology of China（中国科学技术大学）；University of Cambridge（剑桥大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出OPAL框架，利用OpenStreetMap作为轻量先验，通过跨模态可见性掩码和自适应径向融合模块，在KITTI数据集上实现了更高召回率和12倍推理加速的LiDAR地点识别。
2025-08-27 cs.CV cs.RO
InLiER: Learning-Free Heterogeneous LiDAR Place Recognition via Intermediate Mixed-Radix Structural Keypoint Tokenization
研究针对机器人平台结合多种激光雷达致现有描述符性能下降的问题，提出无学习管道InLiER，通过混合基数令牌ID编码关键点信息，经三个检索阶段处理，在相关数据集和实验中表现出色，优于基于学习的基线。
2026-09-01 cs.CV cs.RO
Aerial-ground LiDAR place recognition with patch-level self-supervised learning and expanded reciprocal re-ranking
University of Calgary（卡尔加里大学）；Nanchang University（南昌大学）；Nanyang Technological University（南洋理工大学）；Wuhan University（武汉大学）
提出一种空地激光雷达地点识别框架，通过多尺度块级自监督学习缩小域差距，并利用扩展互逆重排序算法减少误检，在多个数据集上显著提升检索精度。
2026-06-18 cs.CV cs.RO
AdaFusion: Visual-LiDAR Fusion with Adaptive Weights for Place Recognition
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
近年来，地点识别在各种环境中的应用越来越多，例如城市道路，大型建筑物以及室内和室外的混合场所。然而，由于不同传感器的限制和环境外观的变化，这项任务仍然具有挑战性。目前的研究工作只考虑单个传感器的使用，或者简单地将不同的传感器组合起来，忽略了不同传感器的重要性随着环境的变化而变化的事实。本文提出了一种自适应加权视觉激光雷达融合方法，命名为AdaFusion，学习图像和点云特征的权重。因此，根据目前的环境状况，这两种模式的特点有不同的贡献。权值的学习由网络的注意力分支完成，然后与多模态特征提取分支融合。此外，为了更好地利用图像和点云之间的潜在关系，我们设计了一个两阶段的融合方法来结合2D和3D的注意力。我们的工作是在两个公共数据集上进行测试，实验表明，自适应权重有助于提高识别精度和系统对不同环境的鲁棒性。
2021-11-23 cs.CV cs.RO
HOTFormerLoc: Hierarchical Octree Transformer for Versatile Lidar Place Recognition Across Ground and Aerial Views
Queensland University of Technology (QUT)（昆士兰科技大学）；CSIRO Robotics, Data61, CSIRO（联邦科学与工业研究组织机器人与数据61部门）
该研究提出基于分层八叉树的Transformer模型HOTFormerLoc用于多场景3D位置识别，同时发布跨源森林点云数据集CS-Wild-Places，在多个基准上取得了优于现有SOTA方法的性能。
2025-03-21 cs.CV cs.RO
ForestLPR: LiDAR Place Recognition in Forests Attentioning Multiple BEV Density Images
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）
针对自然森林高自相似性和植被变化导致的位置识别难题，提出ForestLPR方法，利用多高度BEV密度图像和视觉Transformer生成旋转不变描述符，在序列内闭环检测和序列间重定位的Recall@1上分别提升7.38%和9.11%。
2025-03-06 cs.CV cs.RO
Visual Place Recognition using LiDAR Intensity Information
Sapienza University of Rome（罗马大学）；University of Bonn（波恩大学）
机器人和自主系统需要知道它们在地图中的位置，以便有效地导航。因此，同时定位与地图构建或SLAM是机器人导航系统的常见构建块。当通过SLAM系统构建地图时，机器人需要重新识别位置以找到环路闭合并减少里程漂移。基于图像的位置识别在计算机视觉中受到了很大的关注，在这项工作中，我们研究了如何将这种方法用于3D激光雷达数据。最新的LiDAR传感器结合可重复测量的强度测量产生高分辨率3D扫描。通过圆柱投影，我们可以将这些信息转化为全景图像。因此，我们可以将视觉位置识别技术应用于LiDAR强度数据。这种方法在实践中效果如何的问题迄今尚未得到回答。本文分析了这种视觉技术如何与LiDAR数据结合，并对不同的数据集进行了评估。我们的研究结果表明，这种形式的地方识别是可能的，并确定循环闭合的有效手段。
2021-03-17 cs.RO
CCL: Continual Contrastive Learning for LiDAR Place Recognition
College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学与技术学院）
针对激光雷达地点识别的深度学习方法存在泛化差和灾难性遗忘问题，提出构建对比特征池、结合分布知识蒸馏的持续对比学习方法CCL，在多数据集上验证其性能优于现有最优持续学习方法。
2023-06-14 cs.CV cs.RO
Voronoi-based Second-order Descriptor with Whitened Metric in LiDAR Place Recognition
Interdisciplinary Program in Neuroscience（神经科学跨学科项目）；Département d’Informatique, École Normale Supérieure (ENS)（高等师范学院计算机系）；Department of Computing, Imperial College London（伦敦帝国理工学院计算系）；Dept. of Computer Science and Engineering, Seoul National University（首尔国立大学计算机科学与工程系）
本文提出一种基于Voronoi的二级描述符方法，通过白化度量提升激光雷达地点识别的鲁棒性，实验表明其在Oxford Robotcar和Wild-Places数据集上性能优越。
2026-03-16 cs.CV cs.RO
VXP: Voxel-Cross-Pixel Large-scale Image-LiDAR Place Recognition
TU Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Microsoft（微软公司）
提出 VXP 相机-LiDAR 跨模态地点识别框架，通过三阶段自监督训练、几何对齐和局部相似性聚合实现共享特征表示，并在三个基准上大幅超越现有方法。
2025-03-14 cs.CV cs.RO
Monocular Visual Place Recognition in LiDAR Maps via Cross-Modal State Space Model and Multi-View Matching
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制与网络系统研究所）
针对单目相机在LiDAR地图中定位的跨模态位置识别难题，提出基于VMamba主干、像素-视图-场景联合训练与多视图匹配的高效描述符学习框架，经KITTI系列数据集验证具备有效性与泛化性。
2024-10-08 cs.CV cs.RO
Local Descriptor for Robust Place Recognition using LiDAR Intensity
CSIRO（联邦科学与工业研究组织）；ETH Zürich（苏黎世联邦理工学院）
位置识别是移动机器人中一个具有挑战性的问题，特别是在非结构化环境中或在视点和光照变化下。大多数基于LiDAR的方法依赖于几何特征来克服这些挑战，因为通常场景几何形状对这些变化是不变的，但往往会显著影响基于相机的解决方案。然而，与相机相比，LiDAR缺乏成像所能提供的强大和描述性的外观信息。为了结合几何形状和外观的优点，我们建议将激光雷达的常规几何信息与其校准的强度返回耦合。这种策略提取了非常有用的信息，在一个新的描述符设计的形式，创造ISHOT，优于流行的最先进的几何描述符的显着保证金，在我们的本地描述符评估。为了完成框架，我们进一步开发了一个概率关键点投票的地方识别算法，利用新的描述符和产生次线性的地方识别性能。我们的方法的有效性进行了验证，在具有挑战性的全球定位实验中，在大规模的建成和非结构化的环境。
2018-11-30 cs.RO
RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps
University of Freiburg（弗莱堡大学）
提出RaLF，一种基于深度神经网络的雷达定位方法，通过跨模态度量学习实现地点识别，并利用像素级流向量预测3自由度变换，在多个真实数据集上达到最先进性能并泛化到新城市和传感器配置。
2024-11-04 cs.CV cs.RO
The City that Never Settles: Simulation-based LiDAR Dataset for Long-Term Place Recognition Under Extreme Structural Changes
Dept. of Future Automotive Mobility, SNU（未来汽车移动部门，SNU）；Dept. of Mechanical Engineering, SNU（机械工程部门，SNU）
本文提出基于CARLA仿真的CNS数据集，用于评估极端结构变化下的长期地点识别，并提出对称指标TCR_sym，揭示了现有LiDAR地点识别方法的性能显著下降。
2025-05-08 cs.CV cs.RO
Towards classification-based representation learning for place recognition on LiDAR scans
Moscow Institute of Physics and Technology（莫斯科物理技术学院）；King Abdullah University of Science and Technology（国王阿卜杜勒阿齐兹大学）
本文将自动驾驶中的位置识别构建为多类分类问题，通过为LiDAR扫描分配离散位置标签并训练编码器-解码器模型直接分类位置，在NuScenes数据集上取得与对比学习相当的性能，且在训练效率和稳定性上更具优势。
2025-11-04 cs.CV
ORCHNet: A Robust Global Feature Aggregation approach for 3D LiDAR-based Place recognition in Orchards
University of Coimbra（科英布拉大学）；Institute of Systems and Robotics（系统与机器人研究所）；Loughborough University（拉夫堡大学）
ORCHNet提出一种融合多种聚合方法的全局特征聚合技术，利用3D LiDAR数据在结构相似的果园中实现鲁棒位置识别与回环检测，跨季节表现优于现有方法。
2024-02-06 cs.CV cs.RO
OverlapTransformer: An Efficient and Rotation-Invariant Transformer Network for LiDAR-Based Place Recognition
Beijing Institute of Technology（北京理工大学）；HAOMO.AI Technology Co., Ltd.（毫末智行科技有限公司）
本文提出OverlapTransformer，一种利用距离图像和Transformer实现偏航角不变、每帧少于2毫秒的轻量LiDAR地点识别网络，并在KITTI、Ford Campus及新长期数据集上验证其先进性能。
2023-04-20 cs.RO
Heterogeneous LiDAR Early Fusion and Learned Re-Ranking Strategy for Robust Long-Term Place Recognition in Unstructured Environments
Miguel Hernández University of Elche（米格尔·埃尔南德斯·德埃尔切大学）
提出MinkUNeXt-VINE++方法，通过异构LiDAR数据早期融合和学习重排序策略，在非结构化环境（如葡萄园）中显著提升长期地点识别性能，Recall@1指标提升20%-30%。
2026-06-12 cs.AI cs.CV cs.RO
Locus: LiDAR-based Place Recognition using Spatiotemporal Higher-Order Pooling
CSIRO（联邦科学与工业研究组织）；Queensland University of Technology (QUT)（昆士兰科技大学）
地点识别通过在同时定位和地图绘制（SLAM）中提供非局部约束来估计全局一致的地图和轨迹。本文提出了轨迹，一种新的地方识别方法，使用三维激光雷达点云在大规模的环境。我们提出了一种方法提取和编码的拓扑和时间相关的信息在场景中的组件，并演示了如何包含这种辅助信息的地方描述导致更强大的和歧视性的场景表示。使用二阶池化以及非线性变换来聚合这些多级特征以生成固定长度的全局描述符，该全局描述符对输入特征的排列是不变的。所提出的方法优于KITTI数据集上的最先进的方法。此外，轨迹被证明是强大的，在几个具有挑战性的情况下，如遮挡和视点变化的三维激光雷达点云。开放源代码实现可在https://github.com/csiro-robotics/locus上获得。
2021-04-08 cs.RO
BEVPlace: Learning LiDAR-based Place Recognition using Bird's Eye View Images
Zhejiang University（浙江大学）；HAOMO.AI Technology Co., Ltd.（毫末智行科技有限公司）
本文提出基于鸟瞰图（BEV）图像的LiDAR位置识别网络BEVPlace，利用群卷积和NetVLAD提取旋转等变特征，实现了最先进的召回率、视角鲁棒性、泛化能力及查询点云位置估计。
2023-08-15 cs.CV cs.RO
Why Sample Space Matters: Keyframe Sampling Optimization for LiDAR-based Place Recognition
针对LiDAR位置识别中高密度采样导致的计算负担，提出一种基于超维描述符空间的关键帧采样优化方法，结合滑动窗口策略最小化冗余，实现跨场景的实时高效闭环检测。
2025-06-23 cs.CV cs.RO
FreSCo: Frequency-Domain Scan Context for LiDAR-based Place Recognition with Translation and Rotation Invariance
Zhejiang University（浙江大学）
位置识别在机器人和车辆的重新定位和环路闭合检测任务中起着至关重要的作用。本文寻求一个定义良好的全局描述符基于激光雷达的位置识别。与局部描述符相比，全局描述符在城市道路场景中表现出显着的性能，但通常是视点依赖的。为此，我们提出了一个简单而强大的全局描述符称为FreSCo，分解重访过程中的视点差异，并利用傅立叶变换和循环移位技术实现平移和旋转不变性。此外，提出了一种快速的两阶段位姿估计方法，利用从原始数据中提取的紧凑的二维点云来估计位置检索后的相对位姿。实验表明，FreSCo表现出优越的性能比同期的方法对序列的不同场景从多个数据集。代码将在https://github.com/soytony/FreSCo上公开发布。
2022-09-27 cs.RO
RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving
Beijing Institute of Technology（北京理工大学）；Shanghai Jiaotong University（上海交通大学）
提出RLPR框架，通过双流网络提取结构特征，并利用两阶段非对称跨模态对齐策略，实现雷达与激光雷达之间的鲁棒地点识别，在四个数据集上达到最优性能。
2026-06-16 cs.CV
BVMatch: Lidar-based Place Recognition Using Bird's-eye View Images
Zhejiang University（浙江大学）；Ningbo Research Institute, Zhejiang University（浙江大学宁波研究院）
提出基于激光雷达鸟瞰图的位置识别框架BVMatch，通过Log-Gabor滤波器和BVFT描述符统一实现高召回率的位置识别与2D相对位姿估计，性能优于现有方法。
2022-01-16 cs.CV
Narrowing your FOV with SOLiD: Spatially Organized and Lightweight Global Descriptor for FOV-constrained LiDAR Place Recognition
Inha University（仁荷大学）；NAVER LABS（NAVER实验室）
针对 FOV 受限导致 LiDAR 地点识别失效的问题，提出轻量级空间组织全局描述子 SOLiD，通过距离/方位-仰角分箱与垂直方向重加权实现旋转鲁棒识别和初始航向估计。
2024-10-02 cs.RO
HOTFLoc++: End-to-End Hierarchical LiDAR Place Recognition, Re-Ranking, and 6-DoF Metric Localisation in Forests
CSIRO Robotics（澳大利亚联邦科学与工业研究组织机器人实验室）；School of Electrical Engineering and Robotics, Queensland University of Technology (QUT)（昆士兰科技大学电气工程与机器人学院）
本文提出HOTFLoc++框架，通过多粒度特征提取提升森林和城市环境中鲁棒性，结合可学习多尺度几何验证减少重排序失败，实现更精确的局部化。
2026-04-09 cs.CV cs.RO
Pose-Graph Attentional Graph Neural Network for Lidar Place Recognition
CSIRO（联邦科学与工业研究组织）；Queensland University of Technology（昆士兰科技大学）；The University of Queensland（昆士兰大学）
本文提出P-GAT位姿图注意力图神经网络，通过比较序列与非序列子图节点并利用时空信息进行激光雷达位置识别，在域适应等场景下显著优于现有SOTA方法。
2023-11-23 cs.CV cs.RO
Evaluation and Deployment of LiDAR-based Place Recognition in Dense Forests
University of Oxford（牛津大学）；Technical University of Munich（慕尼黑工业大学）
本文评估了四种LiDAR场所识别系统在稠密森林中的性能，并将最佳方法Logg3dNet集成到6自由度位姿估计系统中，在三种SLAM模式下实现了可靠的森林环境定位与地图构建。
2024-08-30 cs.RO
MPTF-Net: Multi-view Pyramid Transformer Fusion Network for LiDAR-based Place Recognition
本文提出MPTF-Net，通过多视图多尺度金字塔Transformer融合网络，改进基于BEV的地点识别，利用NDT建模局部几何复杂度，提升在复杂环境中的识别性能。
2026-04-06 cs.CV cs.RO
PointNetPGAP-SLC: A 3D LiDAR-based Place Recognition Approach with Segment-level Consistency Training for Mobile Robots in Horticulture
University of Coimbra（科英布拉大学）；Loughborough University（拉夫堡大学）
针对园艺环境中3D LiDAR地点识别的行间歧义问题，提出PointNetPGAP模型、段级一致性训练方法及HORTO-3DLM数据集，在相关数据集上取得优于现有最优模型的检索性能。
2024-10-09 cs.RO
LiDAR-Based Place Recognition For Autonomous Driving: A Survey
Wuhan University（武汉大学）
本文系统综述面向自动驾驶的 LiDAR 地点识别方法，梳理问题定义、技术分类、架构优劣、数据集与评测结果，并提供持续更新的研究项目。
2024-12-06 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
M3GA-Wild: A Large-Scale Dataset and Benchmark for Multi-Modal Multi-session Ground-to-Aerial Place Recognition in Forests
Queensland University of Technology (QUT)（昆士兰科技大学）；CSIRO Robotics（澳大利亚联邦科学与工业研究组织机器人部门）
M3GA-Wild是首个森林多模态多会话地空地点识别基准，含36公里地面和370公顷航空数据，揭示LiDAR优于视觉及跨模态对齐挑战。
2026-09-22 cs.CV cs.RO
RE-TRIP : Reflectivity Instance Augmented Triangle Descriptor for 3D Place Recognition
Department of Vehicle Convergence Engineering, Yonsei University（yonsei大学车辆融合工程系）；Department of Electrical and Electronic Engineering, Yonsei University（yonsei大学电气电子工程系）
针对现有LiDAR地点识别仅用几何信息而忽视反射率的问题，本文提出RE-TRIP描述子，融合几何与反射率并配套关键点提取、实例分割、匹配及闭环验证方法，在公共数据集上优于现有方法。
2025-05-22 cs.CV cs.RO
TReR: A Lightweight Transformer Re-Ranking Approach for 3D LiDAR Place Recognition
University of Coimbra（科英布拉大学）；Freie Universität Berlin（柏林自由大学）
本文提出轻量级Transformer重排序方法TReR，仅用全局描述子对3D LiDAR地点识别候选进行重排序，在KITTI上相比alphaQE和SGV实现鲁棒性与效率的良好平衡。
2023-05-29 cs.CV
Diffusion Based Robust LiDAR Place Recognition
Robotic Systems Lab (RSL), ETH Zurich（苏黎世联邦理工学院机器人系统实验室（RSL））；Max Planck Institute for Intelligent Systems Tübingen（图宾根马克斯·普朗克智能系统研究所）
针对建筑工地重复特征与感知混淆导致的定位难题，本文提出基于PointNet++骨干扩散模型的激光雷达全局重定位方法，在合成点云训练后实现多模态位置预测，五个真实数据集上平均精度达77% +/-2m且平均误差优于基线两倍。
2025-04-16 cs.LG 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
ImLPR: Image-based LiDAR Place Recognition using Vision Foundation Models
ImLPR利用预训练的DINOv2视觉基础模型，通过将激光雷达点云转换为三通道距离图像视图，并采用MultiConv适配器和Patch-InfoNCE损失，在保留预训练知识的同时实现高性能的位置识别，在公开数据集上超越现有方法。
2025-08-08 cs.RO
Low Cost, High Efficiency: LiDAR Place Recognition in Vineyards with Matryoshka Representation Learning
University Institute for Engineering Research, Miguel Hernández University（工程研究院，米格尔·赫尔内亚大学）；Department of Electronics and Communications, Politecnico di Torino（电子与通信系，托里诺理工学院）
本文提出MinkUNeXt-VINE方法，通过预处理和Matryoshka表示学习多损失策略，在葡萄园环境中实现高效低成本的LiDAR位姿识别，验证了在低成本输入数据上的鲁棒性。
2026-04-22 cs.AI cs.CV cs.LG
Global visual localization in LiDAR-maps through shared 2D-3D embedding space
Università degli Studi di Milano - Bicocca（米兰比可卡大学）；University of Freiburg（弗莱堡大学）；Universidad de Alcalá（阿尔卡拉大学）
全局定位是许多机器人应用中的重要且广泛研究的问题。可以利用地点识别方法来解决这个任务，例如，在自动驾驶领域。虽然大多数基于视觉的方法匹配图像w.r.t.图像数据库，在LiDAR地图内的全球视觉定位仍然相当未被探索，即使主要由LiDAR产生的高清晰度3D地图的路径是清楚的。在这项工作中，我们利用深度神经网络（DNN）方法在图像和LiDAR地图之间创建一个共享的嵌入空间，允许图像到3D-LiDAR位置识别。我们训练了一个2D和一个3D DNN，它们分别从图像和点云创建嵌入，无论它们是否指向同一个地方，它们都彼此接近。一个广泛的实验活动，以评估该方法的有效性w.r.t.不同的学习范式、网络架构和损失函数。所有的评估都是使用牛津机器人汽车数据集进行的，该数据集涵盖了广泛的天气和光照条件。
2020-03-10 cs.CV cs.LG cs.RO
UpDown-SC: Gravity-Canonicalized Dual-Envelope Scan Context for Indoor LiDAR Place Recognition
Anyverse Dynamics
针对室内LiDAR地点识别中姿态和高度变化导致的检索困难，提出无需训练的UpDown-SC描述子，通过重力归一化和双包络表示，在实验中显著提升检索可靠性并支持定位。
2026-09-25 cs.CV cs.RO
La La LiDAR: Large-Scale Layout Generation from LiDAR Data
针对LiDAR场景生成缺乏显式控制的问题，提出布局引导生成框架La La LiDAR，结合语义增强场景图扩散与前景感知控制，实现可控布局生成，并在生成与感知任务上达到最优性能。
2025-08-05 cs.CV cs.RO
(LC)$^2$: LiDAR-Camera Loop Constraints For Cross-Modal Place Recognition
Hyundai Motor Company（现代汽车公司）；KAIST（韩国科学技术院）
本文提出(LC)$^2$方法，将LiDAR和相机数据统一转换为2.5D深度图像进行跨模态匹配，无需先验点云地图即可实现LiDAR定位，并利用环路因子优化位姿图。
2023-04-17 cs.AI cs.RO
