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
Stereo Visual Inertial LiDAR Simultaneous Localization and Mapping
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
同时定位与地图构建(SLAM)是移动机器人和空中机器人的一项基本任务。与基于视觉的系统相比,基于LiDAR的系统由于其准确性和鲁棒性而被证明是优越的。尽管其优越性,纯基于LiDAR的系统在某些退化情况下会失败,例如通过隧道。我们提出了立体视觉惯性激光雷达(VIL)SLAM,在这些退化的情况下表现更好,在所有其他情况下具有相当的性能。VIL-SLAM通过将紧密耦合的立体视觉惯性里程计(VIO)与LiDAR映射和LiDAR增强的视觉环路闭合相结合来实现这一点。该系统实时生成闭环校正的6-DOF LiDAR姿态和近实时的1cm体素密集图。与最先进的LiDAR方法相比,VIL-SLAM表现出更高的准确性和鲁棒性。
2019-02-27 cs.RO
Accurate Fruit Localisation for Robotic Harvesting using High Resolution LiDAR-Camera Fusion
Monash University(莫纳什大学)
准确的深度传感在确保自然果园环境中机器人收获的高成功率方面起着至关重要的作用。固态激光雷达(SSL),最近推出的激光雷达技术,可以感知高分辨率的几何信息的场景,这可以是潜在的利用,以获得准确的深度信息。同时,激光雷达和摄像机的传感信息的融合可以显着提高收获机器人的感知能力。这项工作介绍了一种基于激光雷达相机融合的视觉传感和感知策略,以执行准确的水果定位的收获机器人在苹果园。两个SOTA外部校准方法,基于目标和无目标的,应用和评估,以获得准确的外部矩阵之间的激光雷达和相机。通过外部标定,将点云和彩色图像融合,使用一级实例分割网络进行水果定位。实验表明,在自然环境中,LiDAR相机具有较好的视觉感知质量。同时,引入激光雷达-摄像机融合技术大大提高了水果定位的准确性和鲁棒性。具体而言,通过使用LiDAR相机在0.5 m、1.2 m和1.8 m处定位水果的标准偏差分别为0.245、0.227和0.275 cm。这些测量误差仅为Realsense D455的五分之一。最后,我们附上了我们的可视化点云,以展示高度准确的传感方法。
2022-05-01 cs.RO
A Biologically Inspired Global Localization System for Mobile Robots Using LiDAR Sensor
Technical University of Munich(慕尼黑工业大学);Sun Yat-sen University(中山大学)
环境中的定位是动物和移动机器人的基本导航能力。在室内环境中,全局定位问题仍然具有挑战性,可以完美地解决概率方法。然而,动物能够本能地定位自己少得多的努力。因此,从动物身上寻找生物学的灵感是一件耐人寻味、大有可为的事情。在本文中,我们提出了一个生物启发的全球定位系统,使用激光雷达传感器,利用海马模型和基于地标的重新定位方法。实验结果表明,该方法与蒙特卡罗定位方法相比具有较强的竞争力,在不同的定位场景下,具有较高的准确性、适用性和可靠性。
2021-09-27 cs.RO
When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants
Luleå University of Technology(吕勒奥理工大学)
针对地下环境中LiDAR受遮蔽物影响退化的问题,提出单类时序学习框架,通过LSTM自动编码器检测退化,自适应切换LIO与RIO实现稳健定位,相关代码将开源。
2026-10-12 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
ROLL: Long-Term Robust LiDAR-based Localization With Temporary Mapping in Changing Environments
Shanghai Jiao Tong University(上海交通大学);Institute of Medical Robotics(医疗机器人研究院)
长期的场景变化对使用预先构建的地图的定位系统提出了挑战。本文提出了一种基于LiDAR的系统,可以针对这些挑战提供强大的定位。我们的方法开始与激活映射过程暂时当全球匹配到预先建立的地图是不可靠的。一旦再次获得可靠的匹配,临时地图将被合并到预先构建的地图上,用于稍后的定位运行。我们进一步集成了激光雷达惯性里程计(LIO),以提供运动补偿激光雷达扫描和可靠的初始姿态猜测的全球匹配模块。为了生成用于导航目的的平滑实时轨迹,我们通过解决姿态图优化问题来融合来自里程计和全局匹配的姿态。我们在NCLT数据集上进行了广泛的实验,包括各种不断变化的室内和室外环境,并对我们的定位系统进行了评估,结果表明,一年多来,我们的定位系统具有强大而准确的定位性能。这些实现在GitHub上开源。
2022-03-08 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
Dr-LiSA: Direct Radar-Lidar Scan Alignment for SE(3) Localization
University of Toronto(多伦多大学);ETH Zürich(苏黎世联邦理工学院)
Dr-LiSA 提出一种直接配准方法,利用学习的前向模型将 2D 雷达扫描与 3D 激光雷达地图在 $SE(3)$ 中对齐,克服模态差异,在 90 公里数据上优于现有雷达-激光雷达方法,平面精度媲美雷达-雷达系统。
2026-10-06 cs.RO
A decentralized framework for simultaneous calibration, localization and mapping with multiple LiDARs
Hong Kong University(香港大学)
LiDAR在自动驾驶车辆中发挥着越来越重要的作用,用于目标检测,自我定位和地图绘制。单个LiDAR经常遭受硬件故障(例如,暂时失去连接)由于恶劣的车辆环境(例如,温度、振动等),或者由于缺乏足够的几何特征而导致的性能下降,特别是对于具有小视场(FoV)的固态LiDAR。为了提高系统的鲁棒性和自定位和映射的性能,我们开发了一个分散的框架,同时校准,定位和映射与多个激光雷达。我们提出的框架是基于扩展的卡尔曼滤波器(EKF),但专门制定分散实施。这样的实现可能会在专用于每个LiDAR的较小计算设备或资源之间分配密集计算,并消除单点故障问题。然后,这种分散式制定实施的无人驾驶地面车辆(UGV)携带5个低成本的激光雷达和移动在$1.3m/s$在城市环境中。实验结果表明,该方法可以成功地同时估计车辆状态(即,姿态和速度)以及所有LiDAR外部参数。在我们收集的两个数据集上,定位精度高达0.2%。为了分享我们的研究成果并为社区做出贡献,同时让读者验证我们的工作,我们将在Github上发布我们所有的源代码和硬件设计蓝图。
2020-07-03 cs.RO
Boosting LiDAR-Based Localization with Semantic Insight: Camera Projection versus Direct LiDAR Segmentation
Department of Technical Cognitive Systems, FZI Research Center for Information Technology(技术认知系统部门,信息技术研究所以暨创新中心);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄大学)
提出融合相机语义投影与LiDAR分割的方法,利用CoCar NextGen平台和55公里实测数据,显著提升基于LiDAR定位的精度与鲁棒性。
2025-09-24 cs.RO
LIC-Fusion 2.0: LiDAR-Inertial-Camera Odometry with Sliding-Window Plane-Feature Tracking
ETH Zürich(苏黎世联邦理工学院);Zhejiang University(浙江大学);University of Delaware(特拉华大学);Microsoft Mixed Reality and Artificial Intelligence Lab(微软混合现实与人工智能实验室)
来自商用惯性、视觉和激光雷达传感器的多模态测量的多传感器融合,以提供鲁棒和准确的6DOF姿态估计,在机器人技术及其他领域具有巨大的潜力。在本文中,基于我们先前的工作(即,LIC-Fusion),我们开发了一种基于滑动窗口滤波器的LiDAR惯性相机里程计,具有在线时空校准(即,LIC-Fusion 2.0),它引入了一种新的滑动窗口平面特征跟踪,用于有效地处理3D LiDAR点云。特别地,在通过利用IMU数据对LiDAR点进行运动补偿之后,跨滑动窗口提取和跟踪低曲率平面点。提出了一种新的离群点剔除准则,用于高质量数据关联的平面特征跟踪。只有属于同一平面的跟踪平面点将用于平面初始化,这使得平面提取高效且鲁棒。此外,我们进行了可观测性分析的LiDAR-IMU子系统,并报告退化的情况下使用平面特征的时空校准。虽然估计的一致性和识别的退化运动在蒙特卡洛模拟中进行了验证,但也进行了不同的真实世界的实验,以表明所提出的LIC-Fusion 2.0优于其前身和其他最先进的方法。
2020-08-17 cs.RO
Lightweight 3-D Localization and Mapping for Solid-State LiDAR
Nanyang Technological University(南洋理工大学);Carnegie Mellon University(卡内基梅隆大学)
光探测与测距(LiDAR)传感器由于其在同时定位与地图构建(SLAM)中的重要作用而成为最重要的感知设备之一。现有的SLAM方法主要是针对机械LiDAR传感器开发的,这通常被大型机器人采用。最近,固态激光雷达被引入并变得流行,因为它为小型机器人提供了具有成本效益和重量轻的解决方案。与机械LiDAR相比,固态LiDAR传感器具有更高的更新频率和角分辨率,但也具有更小的视场(FoV),这对于现有LiDAR SLAM算法是非常具有挑战性的。因此,有必要为这种新的传感设备提供更鲁棒且计算效率更高的SLAM方法。为此,我们提出了一个新的固态激光雷达传感器的SLAM框架,其中涉及特征提取,里程估计,概率地图的建设。所提出的方法进行评估的仓库机器人和手持设备。在实验中,我们使用Intel L515固态LiDAR演示了我们方法的准确性和效率。结果表明,我们的方法是能够提供精确的定位和高质量的映射。我们在\url{https://github.com/wh200720041/SSL_SLAM}上公开了源代码。
2021-02-17 cs.RO
A Survey on Global LiDAR Localization: Challenges, Advances and Open Problems
Hong Kong University of Science and Technology(香港科技大学);Zhejiang University(浙江大学);National University of Defense Technology(国防科技大学);University of Bonn(波恩大学)
本文是首篇关于移动机器人全局LiDAR定位的全面综述,系统回顾了涵盖地图、描述子提取及跨机器人定位等方法进展,并围绕位置检索与位姿估计结合、序列化定位和多机器人扩展三大主题探讨了挑战与未来方向。
2024-03-22 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
DAMS-LIO: A Degeneration-Aware and Modular Sensor-Fusion LiDAR-inertial Odometry
Zhejiang University(浙江大学);Hangzhou Normal University(杭州师范大学)
随着机器人被部署在越来越复杂的环境中,如地下矿井和行星表面,多传感器融合方法得到了越来越多的关注,这是一个很有前途的解决方案,状态估计在这样的场景。融合方案是这些方法的核心组成部分。本文提出了一种基于iEKF的轻型LiDAR惯性里程计系统,该系统利用退化感知和模块化传感器融合流水线,仅在检测到退化时才将LiDAR点和来自另一里程计的相对姿态作为更新过程中的测量。克拉默-拉奥下限(CRLB)理论和模拟测试都被用来证明我们的方法比使用单个观察值的方法具有更高的准确性。此外,所提出的系统进行了评估,在感知上具有挑战性的数据集对各种国家的最先进的传感器融合方法。结果表明,该系统实现了实时性和高精度的估计性能,尽管具有挑战性的环境和不良的观测。
2023-03-23 cs.RO
Are We Ready for Radar to Replace Lidar in All-Weather Mapping and Localization?
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
本研究基于Boreas数据集对比纯雷达、纯激光雷达及跨模态雷达-激光雷达定位系统的全天候性能,发现激光雷达定位抗降水能力被低估,雷达可凭小地图实现可比精度,未来可在极端天气或冗余备份场景发挥作用。
2023-06-08 cs.RO
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
LHMap-loc: Cross-Modal Monocular Localization Using LiDAR Point Cloud Heat Map
Shanghai Jiao Tong University(上海交通大学);University of Cambridge(剑桥大学)
针对跨模态单目定位存在的地图存储难、大场景鲁棒性差等问题,提出LHMap-loc流水线,通过离线热力点云压缩地图、结合光流与空间注意力的端到端位姿回归网络实现高效定位,并经实验验证了有效性。
2024-03-11 cs.RO
A Biologically-Inspired Simultaneous Localization and Mapping System Based on LiDAR Sensor
Technical University of Munich(慕尼黑工业大学);Sun Yat-sen University(中山大学);Pazhou Laboratory(琶洲实验室)
受啮齿类动物海马体启发,提出基于LiDAR与边界、位置等细胞模型的仿生SLAM系统,在室内环境构建认知地图并估计位姿,性能优于相机方法且媲美传统LiDAR SLAM。
2023-06-23 cs.RO
A Joint Optimization Approach of LiDAR-Camera Fusion for Accurate Dense 3D Reconstructions
Carnegie Mellon University(卡内基梅隆大学)
融合来自LiDAR和相机的数据在概念上是有吸引力的,因为它们具有互补的特性。例如,相机图像具有更高的分辨率和颜色,而LiDAR数据提供更准确的范围测量,并具有更宽的视场(FOV)。然而,传感器融合问题仍然具有挑战性,因为很难找到非常不同的特性(几何与纹理,稀疏与密集)的数据之间的可靠相关性。本文提出了一种离线LiDAR相机融合方法来构建密集,准确的3D模型。具体而言,我们的方法联合解决了光束法平差(BA)问题和云配准问题,以计算相机姿态和传感器外部校准。在实验中,我们表明,我们的方法可以实现平均精度为2.7毫米和分辨率为70点每平方厘米的地面实况数据从调查扫描仪进行比较。此外,外部校准结果进行了讨论,并显示优于国家的最先进的方法。
2019-07-01 cs.RO
DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots
Universidad de Sevilla(塞维利亚大学);Universidad Pablo de Olavide(巴勃罗·德·奥拉维德大学)
本文介绍了DLL,一种快速直接基于地图的定位技术,使用三维激光雷达的应用于空中机器人。DLL基于点和地图的距离的非线性优化实现点云到地图的配准,因此不需要特征,也不需要点对应。给定一个初始姿态,该方法能够跟踪的姿态的机器人通过细化从测距法预测的姿态。通过使用真实数据集和模拟的基准测试,我们展示了该方法的性能如何优于Monte-Carlo定位方法,并实现了与其他基于优化的方法相当的精度,但运行速度要快一个数量级。该方法在里程计误差下也是鲁棒的。该方法已在机器人操作系统(ROS)下实现,并且是公开可用的。
2021-07-27 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
Adaptive Motorized LiDAR Scanning Control for Robust Localization with OpenStreetMap
提出一种基于OSM引导的自适应LiDAR扫描框架,通过结合全局先验与局部可观测性预测,利用不确定性感知模型预测控制自适应分配扫描精力,显著降低了轨迹误差并提升了复杂环境下的定位鲁棒性。
2025-09-15 cs.RO
Redundant and Loosely Coupled LiDAR-Wi-Fi Integration for Robust Global Localization in Autonomous Mobile Robotics
Luleå University of Technology(吕勒奥理工大学);University of Parma(帕尔马大学)
本文提出一种冗余且松耦合的LiDAR与Wi-Fi融合框架,利用两种传感器独立预测并评估置信度,以提升自主移动机器人在复杂环境中的全局定位鲁棒性与准确性。
2023-10-10 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
From LiDAR Maps to Visual Localization: Unified Visual Association for Robust Point-Line-Plane Pose Estimation
Shanghai Jiao Tong University(上海交通大学);Beijing Jiaotong University(北京交通大学)
本文提出一种统一视觉关联框架,将LiDAR地图渲染为准图像,利用共享视觉特征实现点-线-面对应,并结合分布感知优化策略,在仅有LiDAR先验下实现鲁棒的全局定位与连续6自由度位姿估计。
2026-09-24 cs.RO
Real-Time, Environmentally-Robust 3D LiDAR Localization
Hong Kong University of Science and Technology(香港科技大学)
定位是机器人研究中的一个重要问题。在本文中,我们提出了一种新的方法,长期定位在不断变化的环境中使用三维激光雷达。我们首先使用GPS和LiDAR创建真实环境的地图。然后,我们将地图分成几个小的部分作为云配准的目标,这不仅可以提高鲁棒性,也减少了注册时间。PointLocalization允许我们融合不同类型的里程表,这可以优化定位结果的精度和频率。我们评估我们的算法上的无人驾驶地面车辆(UGV)使用激光雷达和车轮编码器,并获得定位结果后,在超过20 Hz的融合。该算法还可以在180度视场(FOV)中定位UGV。使用6个月前拍摄的过时地图,这种算法表现出了很大的鲁棒性,测试结果显示它可以达到10厘米的精度。PointLocalization已经在一个拥挤的工厂中进行了六个多月的测试,并成功运行了超过2000公里的距离。
2019-10-28 cs.RO
Self-supervised Geometry Reasoning for LiDAR Simultaneous Localization and Mapping
Korea Advanced Institute of Science and Technology (KAIST)(韩国高级科学研究院);Daegu Gyeongbuk Institute of Science and Technology (DGIST)(大邱庆北科学技术院)
提出自监督框架,通过学习局部几何的显式符号表示(高斯分布协方差)并递归优化LiDAR SLAM,无需密集标签,提升低分辨率或稀疏点云下的定位与建图精度。
2026-06-29 cs.RO
LIDAR-based Stabilization, Navigation and Localization for UAVs Operating in Dark Indoor Environments
Faculty of Electrical Engineering, Czech Technical University in Prague(捷克技术大学电气工程学院)
无人机在封闭环境中的自主操作需要精确和可靠的姿态估计,该姿态估计可以在不使用外部定位系统(例如GNSS)的情况下稳定无人机。在这项工作中,我们关注的是估计的姿态从激光扫描产生的廉价和轻便的激光雷达。我们提出了一个定位系统的轻量级(下200克)激光雷达传感器在任意环境中,其他方法失败的高可靠性。所提出的方法的一般性质允许在广泛的应用中部署。此外,不同类型的环境之间的无缝转换是可能的。LIDAR定位的优点是它对不良照明具有鲁棒性,这对于在黑暗的室内环境中以及在室内和室外环境之间过渡的情况下基于相机的解决方案来说通常是具有挑战性的。我们的方法允许在照明不足的室内位置(如历史建筑和仓库)以及在紧凑的室外环境(如森林)中执行任务,其中基于视觉的方法由于场景的对比度大而失败,并且由于空间有限而无法部署大型装备精良的无人机。
2023-02-03 cs.RO
Multi-Modal Lidar Dataset for Benchmarking General-Purpose Localization and Mapping Algorithms
University of Turku(图尔库大学)
激光雷达技术在过去十年中取得了显著的发展,今天的设备分辨率更高,精度更高,成本更低。此外,近年来出现了新的扫描模式和新的传感器技术。公共数据集实现了算法的基准测试,并为尖端技术设定了标准。然而,现有的数据集并不能代表技术前景,只有数量减少的激光雷达可用。这从本质上限制了通用算法在不断发展的环境中的开发和比较。本文提出了一种新型的多模态激光雷达数据集,其传感器展示了不同的扫描模式(旋转和固态),传感技术和激光雷达相机。该数据集的重点是低漂移里程计,室内和室外环境中的地面实况数据均来自运动捕捉(MOCAP)系统,具有亚毫米精度。为了在更长的距离进行比较,我们还包括在室内和室外更大空间中记录的数据。该数据集包含来自旋转激光雷达和固态激光雷达的点云数据。此外,它还提供来自高分辨率旋转激光雷达的距离图像,来自激光雷达相机的RGB和深度图像,以及来自内置IMU的惯性数据。据我们所知,这是具有最多传感器和环境的激光雷达数据集,其中地面真实数据可用。该数据集可广泛应用于多个研究领域,如3D LiDAR同时定位与地图构建(SLAM)、多模态激光雷达之间的性能比较、外观识别和环路闭合检测。这些数据集可在以下网址获得:https://github.com/TIERS/tiers-lidars-dataset。
2022-03-07 cs.RO
Probabilistic Surfel Fusion for Dense LiDAR Mapping
Autonomous Systems Laboratory, CSIRO Data61(CSIRO Data61 自主系统实验室);Queensland University of Technology(昆士兰科技大学)
随着高端激光雷达的发展,越来越多的系统能够在移动和产生空间冗余信息的同时持续绘制环境地图。然而,没有一个以前的方法能够有效地利用这种冗余在一个密集的激光雷达映射问题。在本文中,我们提出了一种新的方法,密集的激光雷达映射使用概率surfel融合。该系统能够从空间冗余的多个视图重建高质量的密集表面元素(面元)地图。这是通过一个建议的概率surfel融合与几何考虑的数据关联。所提出的surfel数据关联方法考虑了表面分辨率以及沿其波束方向的高测量不确定性,这使得测绘系统能够在不引入空间数字化的情况下控制表面分辨率。该融合方法通过在贝叶斯滤波框架中考虑激光束入射角和深度距离引起的测量噪声,成功地抑制了地图噪声水平。实验结果与模拟和真实数据的密集surfel映射证明所提出的方法能够准确地找到环境的规范形式,而无需进一步的后处理。
2017-09-17 cs.RO
MOLA LiDAR-Inertial Odometry (MOLA-LIO) on the COMFORT Localization Benchmark
University of Almería(阿尔梅里亚大学)
本文介绍 MOLA-LIO,一种扩展自 MOLA-LO 的激光雷达-惯性里程计系统,融合 IMU 与可选腿部运动学数据,在 COMFORT 基准的 GrandTour 数据集上验证了实时性能。
2026-09-23 cs.RO
Semantic localization on BIM-generated maps using a 3D LiDAR sensor
Hong Kong University of Science and Technology(香港科技大学);National University of Singapore(新加坡国立大学);China Mobile (Zhejiang) Innovation Research Institute Co., Ltd(中国移动(浙江)创新研究院有限公司)
传统的基于传感器的定位依赖于高精度地图,其通常使用涉及高劳动力和计算成本的专门映射技术来构建。在建筑、工程和施工行业,建筑信息模型(BIM)是可用的,可以提供环境的信息描述。本文探讨了一种有效的方法来定位移动三维激光雷达传感器的BIM生成的地图,同时考虑几何和语义属性。首先,原始BIM元素被转换为使用类别和位置的语义增强点云地图。之后,基于迭代最近点配准,执行从粗到细的语义定位以将激光点与地图对准。实验结果表明,语义定位可以成功地跟踪姿态只有一个激光雷达传感器,从而证明了所提出的无地图定位框架的可行性。结果还表明,使用语义信息可以帮助减少BIM生成的地图上的定位错误。
2022-11-29 cs.RO
Cost-effective Mapping of Mobile Robot Based on the Fusion of UWB and Short-range 2D LiDAR
Singapore University of Technology and Design(新加坡科技设计大学);Southwest University of Science and Technology(西南科技大学);University of Turbat(图尔巴特大学)
环境映射是移动机器人执行导航和任务规划等任务的必要前提。随着低成本2D LiDAR的可用性,这种2D LiDAR在工业环境中的应用越来越多。然而,在未知和无特征的环境中使用这种低成本的2D LiDAR进行环境映射仍然是一个挑战。这一挑战主要来自于激光雷达的短距离和在这些环境中执行扫描匹配的复杂性。为了解决这些缺点,我们提出了超宽带(UWB)与二维激光雷达融合,以提高移动机器人的映射质量。基于优化的方法是利用UWB测距信息和里程的融合,首先优化的轨迹。然后,基于激光雷达的回路闭合,以提高轨迹估计的精度。最后,将优化的轨迹与LiDAR扫描相结合,以生成环境的占用地图。在一个尺寸为20 m * 20 m的室内无特征环境中对所提出的方法的性能进行了评估。实验结果表明,与传统的GMapping算法相比,该算法在短距离LiDAR(以Hokuyo URG-04 LX为例,最大距离为5.6m)下的映射误差降低了85.5%。
2021-06-07 cs.RO
CloudVision: DNN-based Visual Localization of Autonomous Robots using Prebuilt LiDAR Point Cloud
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
在这项研究中,我们提出了一种新的视觉定位方法,准确地估计六个自由度(6-DoF)的机器人构成的三维激光雷达地图的基础上,从RGB相机的视觉数据。利用能够收集精确稀疏地图的先进的基于LiDAR的同时定位与地图构建(SLAM)算法来获得3D地图。将从相机图像中提取的特征与3D地图上的点进行比较,然后解决几何优化问题以实现精确的视觉定位。我们的方法允许使用一个侦察机器人配备昂贵的激光雷达只有一次-环境的映射,和多个操作机器人只有RGB相机板载-执行任务,定位精度高于常见的基于相机的解决方案。所提出的方法进行了测试,在斯科尔科沃科学技术研究所(Skoltech)收集的自定义数据集。在评估定位精度的过程中,我们设法达到厘米级的精度;中位平移误差低至1.3厘米。仅用摄像头实现的精确定位使自主移动机器人的使用成为可能,以解决需要高定位精度的最复杂的任务。
2022-09-04 cs.RO
RELEAD: Resilient Localization with Enhanced LiDAR Odometry in Adverse Environments
School of Systems Science and Engineering, Sun Yat-sen University(中山大学系统科学与工程学院);Hong Kong University of Science and Technology(香港科技大学);Hong Kong Polytechnic University(香港理工大学)
RELEAD提出一种以LiDAR为中心的弹性定位方法,通过约束ESIKF更新和基于GNC的图优化解决扫描匹配退化问题,并引入鲁棒增量固定滞后平滑器,在退化场景中优于现有最先进的LiDAR惯性及视觉惯性里程计方法。
2024-03-15 cs.RO
PointLoc: Deep Pose Regressor for LiDAR Point Cloud Localization
University of Oxford(牛津大学);The Hong Kong Polytechnic University(香港理工大学);Imperial College London(帝国理工学院)
在本文中,我们提出了一种新的基于端到端学习的LiDAR重定位框架,称为PointLoc,它仅使用单个点云作为输入直接推断6-DoF姿势,而不需要预先构建的地图。与基于RGB图像的重定位相比,LiDAR帧可以提供关于场景的丰富且鲁棒的几何信息。然而,LiDAR点云是无序和非结构化的,这使得难以将传统的深度学习回归模型应用于此任务。为了解决这个问题,我们提出了一种新的PointNet风格的自关注结构,可以有效地从360 ° LiDAR输入帧中估计6-DoF位姿,并在最近发布的具有挑战性的Oxford Radar RobotCar数据集和真实机器人实验上进行了大量实验,结果表明,所提出的方法可以实现精确的重定位性能。
2021-11-22 cs.RO
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
Fusion of Visual-Inertial Odometry with LiDAR Relative Localization for Cooperative Guidance of a Micro-Scale Aerial Vehicle
Multi-robot Systems Group, Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague, Technick\'a 2, Prague, 166 27, Czech Republic
本文提出融合视觉惯性里程计与LiDAR相对定位的协同导航方法,用于引导微型无人机,实现高精度轨迹跟踪和漂移抑制。
2026-03-04 cs.RO
SLAMSpoof: Practical LiDAR Spoofing Attacks on Localization Systems Guided by Scan Matching Vulnerability Analysis
Keio University(庆应义塾大学);the National Institute of Advanced Industrial Science and Technology(独立行政法人产业技术综合研究所);University of California, Irvine(加利福尼亚大学欧文分校);Amano Institute of Technology(天野工业大学)
本研究针对自动驾驶LiDAR定位系统的欺骗攻击风险,提出基于扫描匹配漏洞评分的SLAMSpoof攻击方法,实车实验证实可对3种主流定位算法诱发超4.2米位置误差,并探讨了防御方向。
2025-02-19 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
A real-time global re-localization framework for 3D LiDAR SLAM
同时定位与地图构建(SLAM)是近年来的研究热点。在更实惠的3D LiDAR传感器的背景下,3D LiDAR SLAM的研究变得越来越受欢迎。此外,点云地图的重定位问题是其他SLAM应用的基础。在本文中,提出了一个模板匹配框架,重新定位机器人在全球的三维激光雷达地图。这带来了两个主要挑战。首先,大多数点云的全局描述符只能用于小的局部区域下的位置检测。因此,为了在地图中全局重新定位,通过物理仿真引擎在离线阶段使用重建的网格模型密集地收集点云和描述符(模板),以扩展点云描述符的功能距离。第二,模板采集数量的增加使得匹配速度变慢,不能满足实时的【形】要求,为此提出了一种级联匹配方法,以提高匹配效率。在实验中,所提出的框架实现了0.2米的精度在约10 Hz的匹配速度使用纯Python实现与100k模板,这是有效的和高效的SLAM应用。
2021-09-01 cs.RO
Correcting Motion Distortion for LIDAR HD-Map Localization
Tufts University(塔夫茨大学)
提出VICET算法,通过快照处理扩展NDT联合求解6DOF刚体变换与运动状态,在无外部传感器下校正激光雷达运动畸变,实现比NDT和ICP更高精度的高清地图定位。
2023-08-25 cs.RO
LiRaFusion: Deep Adaptive LiDAR-Radar Fusion for 3D Object Detection
University of Michigan(密歇根大学)
本文提出LiRaFusion,通过设计早期和中间融合模块自适应融合LiDAR与radar特征,有效提升了3D目标检测性能并在nuScenes数据集上取得显著改善。
2024-02-18 cs.CV cs.RO
Moving Object Localization based on the Fusion of Ultra-WideBand and LiDAR with a Mobile Robot
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学);Southwest University of Science and Technology(西南科技大学)
针对LiDAR在目标被遮挡时定位不准的问题,提出融合UWB测距与LiDAR的三模块方法,通过目标识别、方向估计及位姿图优化,提高移动目标定位精度。
2023-10-16 cs.RO
Direct LiDAR Odometry: Fast Localization with Dense Point Clouds
University of California Los Angeles(加州大学洛杉矶分校);NASA Jet Propulsion Laboratory, California Institute of Technology(加州理工学院 NASA 喷气推进实验室)
感知挑战环境中的现场机器人需要快速准确的状态估计,但现代LiDAR传感器很快就压倒了当前的里程计算法。为此,本文提出了一种轻量级前端LiDAR测距解决方案,可为计算有限的机器人平台提供一致和准确的定位。我们的直接激光雷达测距(DLO)方法包括几个关键的算法创新,优先考虑计算效率,并能够使用密集的,最小预处理的点云来实时提供准确的姿态估计。这是通过一个新的关键帧系统,有效地管理历史地图信息,除了一个自定义的迭代最近点求解器快速点云配准与数据结构回收。我们的方法是更准确的计算开销较低,比目前的国家的最先进的,并已在多个感知上具有挑战性的环境中进行了广泛的评估空中和足式机器人作为美国宇航局喷气推进实验室团队CoSTAR的研究和开发工作的DARPA地下挑战赛的一部分。
2022-01-07 cs.RO
LiDAR-based HD Map Localization using Semantic Generalized ICP with Road Marking Detection
UISEE Technology (Beijing) Co., Ltd.(北京佑驾科技有限公司)
针对GPS拒止下的自动驾驶定位,提出融合实时道路标记检测与SG-ICP配准的LiDAR在线高精地图定位方法,提升了定位精度、效率与鲁棒性。
2024-07-02 cs.RO
MDF: Multi-Modal Data Fusion with CNN-Based Object Detection for Enhanced Indoor Localization Using LiDAR-SLAM
Department of Artificial Intelligence Convergence, Pukyong National University(人工智能融合系,浦项国立大学);School of Computer Science, University of Nottingham Ningbo China(计算机科学学院,诺丁汉国际大学)
本文提出融合2D LiDAR、IMU、CNN目标检测与Cartographer SLAM的手持室内定位系统,显著降低ATE并提升动态杂乱环境中的定位鲁棒性。
2025-05-13 cs.RO
Lidar with Velocity: Correcting Moving Objects Point Cloud Distortion from Oscillating Scanning Lidars by Fusion with Camera
Southern University of Science and Technology(南方科技大学);Jimei University(集美大学)
来自移动物体的激光雷达点云失真是自动驾驶中的一个重要问题,最近随着新型激光雷达的出现变得更加苛刻,这些激光雷达具有来回扫描模式。准确地估计移动对象速度将不仅提供跟踪能力,而且通过对移动对象的更准确描述来校正点云失真。由于激光雷达测量的是飞行时间距离,但具有稀疏的角分辨率,因此在径向测量中测量是精确的,但缺乏角度。另一方面,相机提供密集的角分辨率。本文提出了一种基于高斯分布的激光雷达与摄像机融合的方法来估计全速并校正激光雷达的畸变。一个概率卡尔曼滤波器框架提供了跟踪运动物体,估计他们的速度,同时纠正点云失真。该框架在真实道路数据上进行了评估,融合方法优于传统的基于ICP和点云的方法。完整的工作框架是开源的(https://github.com/ISEE-Technology/lidar-with-velocity),以加速新兴激光雷达的采用。
2022-07-03 cs.CV cs.RO
Real Time Lidar and Radar High-Level Fusion for Obstacle Detection and Tracking with evaluation on a ground truth
Institut VEDECOM(VEDECOM研究所)
- 激光雷达和雷达都是用于障碍物探测的传感器。虽然激光雷达对障碍物的位置非常准确,但对它们的速度不太准确,但雷达对障碍物的速度更精确,对它们的位置不太精确。激光雷达和雷达之间的传感器融合旨在利用两种传感器的优点来提高障碍物检测。提出了一种基于全局最近邻标准滤波器(GNN)的激光雷达/雷达数据实时融合障碍物检测与跟踪算法。该算法的实现和嵌入在一个自动车辆作为一个实时多传感器软件生成的组件。通过几个跟踪场景(在高速公路上和弯道上)和使用安装在自我和跟踪车辆上的实时运动传感器作为真值来说明数据融合与使用单个传感器相比的好处。
2019-07-01 cs.PF cs.RO
Incorporating GNSS Information with LIDAR-Inertial Odometry for Accurate Land-Vehicle Localization
South China Normal University(华南师范大学);Charles III University of Madrid(马德里卡洛斯三世大学)
针对高速和累积漂移导致定位失效的问题,提出一种结合全局信息与LIDAR里程计的多传感器定位框架,利用离线点云先验和新配准方法提升收敛速度,实现了高精度鲁棒的陆地车辆定位。
2025-03-29 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
Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights
Robotics Institute University of Toronto(机器人研究所,多伦多大学)
本文提出一种基于深度学习的加权预处理方法,结合可微ICP库,通过过滤雷达伪影和噪声点,提升雷达-激光雷达定位精度与收敛性,并公开代码。
2025-05-27 cs.LG cs.RO