Markerless Robot Detection and 6D Pose Estimation for Multi-Agent SLAM
German Aerospace Center (DLR)（德国航空航天中心）
本文提出基于深度学习的无标记机器人6D位姿估计方法，用于提升多智能体SLAM系统的相对定位精度。
2026-02-18 cs.RO
LiDARTag: A Real-Time Fiducial Tag System for Point Clouds
University of Michigan（密歇根大学）
基于图像的基准标记在诸如杂乱或无纹理环境中的对象跟踪、相机（和多传感器）校准任务以及基于视觉的同时定位与地图构建（SLAM）的问题中是有用的。最先进的基准标记检测算法依赖于环境照明的一致性。本文介绍了LiDARTag，一种新的基准标签的设计和检测算法，适用于光探测和测距（LiDAR）点云。所提出的方法实时的【形】运行，可以以100 Hz的频率处理数据，这比目前可用的LiDAR传感器频率更快。由于LiDAR传感器的性质，快速变化的环境照明不会影响LiDAR标签的检测;因此，所提出的基准标记可以在完全黑暗的环境中操作。此外，LiDARTag很好地补充并兼容现有的视觉基准标记，如AprilTags，允许有效的多传感器融合和校准任务。我们进一步提出了一个概念，最大限度地减少点云和标记的模板之间的拟合误差来估计标记的姿态。该方法实现了毫米级的平移误差和几度的旋转误差。由于激光雷达回波的稀疏性，点云被提升到一个连续的函数在再生核希尔伯特空间的内积可以用来确定标记的ID。实验结果，通过运动捕捉系统验证，证实了所提出的方法可以可靠地提供一个标签的姿态和唯一的ID代码。在Google Cartographer室内数据集和Honda H3 D室外数据集上验证了假阳性的拒绝。所有实现都是用C++编写的，可以在https://github.com/UMich-BipedLab/LiDARTag上找到。
2021-02-13 cs.CV cs.LG cs.RO
A Semantic Communication Approach to Fiducial Marker Processing in 5G-Enabled Edge SLAM
Faculty of Technical Sciences, University of Novi Sad（诺威萨大学技术科学学院）；The Institute for Artificial Intelligence Research and Development of Serbia（塞尔维亚人工智能研究与发展研究所）
针对5G赋能边缘SLAM中基准标记处理的通信适配问题，提出DeepTag启发的卷积神经网络拆分推理框架，在机器人与边缘间传输语义特征，经ROS2架构与5G测试平台验证，实现精准关键点估计并量化通信计算权衡。
2026-08-11 cs.NI cs.RO
Autonomous Mapping and Navigation using Fiducial Markers and Pan-Tilt Camera for Assisting Indoor Mobility of Blind and Visually Impaired People
Birla Institute of Technology and Science, Pilani（比拉理工科学技术学院皮拉尼分校）
针对盲人和视力障碍者在室内导航困难且传统定位方法成本高、精度低的问题，提出一种基于视觉基准标记和云台摄像头的视觉辅助系统。该系统利用云台实现360°视野增强标记跟踪，减少所需标记数量，并在定位精度上优于现有SLAM方法。
2023-10-16 cs.HC cs.RO
Vision-based Situational Graphs Exploiting Fiducial Markers for the Integration of Semantic Entities
Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg（卢森堡大学跨学科安全、可靠性与信任中心（SnT））；Institute for Advanced Studies, University of Luxembourg（卢森堡大学高级研究院）；Department of Physics & Materials Science, University of Luxembourg（卢森堡大学物理与材料科学系）；Department of Computer Science and Numerical Analysis, Rabanales Campus, University of Córdoba（科尔多瓦大学拉瓦纳莱斯校区计算机科学与数值分析系）
本文提出基于视觉的情境图框架，利用基准标记集成语义实体，提升地图质量与定位精度，实验验证其有效性。
2024-06-03 cs.RO
High-resolution Ecosystem Mapping in Repetitive Environments Using Dual Camera SLAM
University of Georgia（佐治亚大学）
运动恢复结构（SfM）技术越来越多地用于在包括环境监测的许多领域中从图像创建3D地图。然而，SfM技术通常在视觉重复的环境中混淆，因为它们主要依赖于全局不同的图像特征。同时定位与地图构建（SLAM）技术在视觉上重复的环境中提供了潜在的解决方案，因为它们使用局部特征匹配，但是SLAM方法在广角相机的情况下工作得最好，广角相机通常不适合记录感兴趣的环境系统。我们通过提出一种双摄像头SLAM方法来解决这个问题，该方法使用面向前的广角摄像头进行定位，并使用面向下的窄角度高分辨率摄像头进行记录。使用标准SLAM方法处理由前向相机视频获取的视频帧，该方法提供成像系统通过环境的轨迹，该轨迹然后用于引导文档相机图像的配准。最初通过单目SLAM从文档相机图像产生的碎片地图随后被缩放并与定位相机轨迹对齐，最后经过全局优化过程以产生统一的细化地图。与几种最先进的SfM方法的实验比较表明，双相机SLAM方法在基于地面控制点标记的选择样本的重复环境系统中表现更好。
2022-01-10 cs.CV cs.RO
Scalable Fiducial Tag Localization on a 3D Prior Map via Graph-Theoretic Global Tag-Map Registration
National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文提出了一种精确的和可扩展的方法，在三维先验环境地图上的基准标签定位。所提出的方法包括三个步骤：1）基于视觉里程计的地标SLAM用于估计基准标签之间的相对姿态，2）通过最大团查找的基于几何匹配的全局标签地图配准，以及3）基于具有归一化信息距离的直接相机地图对准的标签姿态精化。通过仿真实验，该方法的全局标签图配准成功率达到98%，平均标签姿态估计精度达到几厘米。在真实环境中的实验结果表明，它能够在25分钟内定位超过110个放置在环境中的基准标签，用于数据记录和后处理。
2022-07-25 cs.RO
Optimizing Fiducial Marker Placement for Improved Visual Localization
Massachusetts Institute of Technology（麻省理工学院）；Microsoft（微软）
将基准标记添加到场景中是使视觉定位算法更鲁棒的众所周知的策略。传统上，这些标记位置由熟悉视觉定位技术的人选择。本文探讨的问题，自动标记放置在一个场景。具体来说，给定一组预定的标记和场景模型，我们计算优化的标记位置的场景内，可以提高视觉定位的精度。我们的主要贡献是一个新的框架建模相机定位，结合自然场景的功能和人工基准标记添加到场景中。我们提出了优化标记放置（OMP），一个贪心算法，是基于相机定位框架。我们还设计了一个模拟框架，用于在3D模型和合成场景生成的图像上测试标记放置算法。我们已经在这个测试平台中评估了OMP，并在四个不同的场景中展示了高达20%的本地化率提高。
2023-03-17 cs.CV cs.RO
Recursive ArUco Markers: A Scalable Fiducial Marker Design for Unmanned Aerial Vehicle Landing Pads
Universidad de Córdoba（科尔多瓦大学）
研究针对无人机着陆依赖的视觉基准标记操作范围有限问题，提出递归ArUco标记设计，通过改进位采样策略实现任意深度递归、遮挡下稳健检测及多唯一标识符字典，使无人机机队可同时在指定位置着陆。
2026-07-22 cs.CV cs.RO
YoloTag: Vision-based Robust UAV Navigation with Fiducial Markers
University of New Orleans（新奥尔良大学）
本文提出 YoloTag 实时基准标记定位系统，结合轻量级 YOLO v8、PnP 状态估计与高阶 Butterworth 滤波，实现鲁棒的无人机室内导航。
2024-10-09 cs.CV cs.RO
Intensity Image-based LiDAR Fiducial Marker System
York University（约克大学）
LiDAR的基准标记系统对于机器人应用至关重要，但迄今为止仍然很少见。本文提出了一种基于强度图像的激光雷达基准标记（IILFM）系统。该系统仅需要以强度作为输入的非结构化点云，并且对标记的放置和形状没有限制。介绍了一种通过灰度图像在点云中定位预定义三维基准点的标记检测方法。然后，开发了一种利用检测到的3D基准点来估计LiDAR 6-DOF姿态的方法，该姿态描述了从世界坐标系到LiDAR坐标系的传输。此外，所有这些过程都是实时运行的（Livox Mid-40上约40 Hz，VLP-16上约143 Hz）。定性和定量的实验表明，该系统具有类似的方便性和准确性，传统的视觉基准标记系统。代码和结果可在以下网址获得：https://github.com/York-SDCNLab/IILFM。
2022-03-03 cs.CV cs.RO eess.IV
Fiducial Marker Splatting for High-Fidelity Robotics Simulations
Carnegie Mellon University（卡内基梅隆大学）
针对传统网格仿真在复杂环境表现差、神经渲染缺乏基准标记点的问题，提出结合高斯绘制（GS）与结构化标记点的混合框架，高效生成GS基准标记点，在效率和位姿精度上优于传统方法，可用于温室等复杂场景的机器人仿真。
2025-08-23 cs.CV cs.RO
ArUco Maker based localization and Node graph approach to mapping
University of Glasgow（格拉斯哥大学）；KLE Technological University（KLE科技大学）
本文探讨了一种基于基准标记的地标节点图的室内移动机器人定位和导航方法。使用ArUco标记及其相对于机器人摄像机的2D取向以及从摄像机到标记的距离来计算机器人的相对位置以及其他标记的相对位置。所提出的方法结合了基于信标的导航和基于同时定位与地图构建的导航。该方法的实现使用深度相机来获得到标记的距离。在计算标记的所需取向之后，其依赖于测距计算以用于在相对于标记定位之后跟踪位置。使用里程计和一个标记的相对位置，然后相对于另一个标记定位机器人。然后计算两个标记的相对位置和方向。标记被表示为节点，并且相对距离和取向被表示为连接节点的边，并且可以生成表示机器人的地图的节点图。该方法在轮式人形机器人上进行了测试，目的是让它自主导航到房间内的充电站。这一目标已成功实现，并简要讨论了局限性和未来的改进。
2022-08-19 cs.RO
Hilti SLAM Challenge 2023: Benchmarking Single + Multi-session SLAM across Sensor Constellations in Construction
Corporate Research and Technology, Hilti Group（喜利得集团企业研究与技术部）；University of Zurich（苏黎世大学）
本文提出 Hilti SLAM 挑战赛 2023 数据集与基准，用于评测跨传感器组合的单次与多次会话 SLAM，并设计了新型基准标记及毫米级位置估计算法，结果显示单次会话 SLAM 精度提升但多次会话 SLAM 参与较少。
2024-07-30 cs.RO eess.IV
Event-Based high-speed low-latency fiducial marker tracking
Technical University of Vienna（维也纳技术大学）；AIT Austrian Institute of Technology（奥地利技术研究院）
运动和动态环境，特别是在具有挑战性的照明条件下，仍然是鲁棒机器人应用的一个悬而未决的问题。在本文中，我们提出了一个端到端的管道实时，低延迟，6度的自由度的基准标记的姿态估计。而不是通过传统的基于帧的方法来实现姿态估计，我们采用基于事件的传感器的高速能力，使用连续事件直接细化空间变换。此外，我们引入了一种新的双向验证过程，通过回溯估计的姿态来检测跟踪错误，从而评估跟踪的质量。这种方法允许我们以高达156 kHz的速率实现姿态估计，同时仅依赖于CPU资源。我们的方法的平均端到端的延迟是3毫秒。实验结果表明，机器人任务，如视觉伺服在快速动作感知回路的突出潜力。
2021-10-12 cs.CV cs.RO
MoCap2GT: A High-Precision Ground Truth Estimator for SLAM Benchmarking Based on Motion Capture and IMU Fusion
Shanghai Institute of Technical Physics, Chinese Academy of Sciences（上海技术物理研究所，中国科学院）；Advanced Display and Sensing Research Center, Yongjiang Laboratory（先进显示与传感研究中心，永江实验室）
本文提出MoCap2GT，通过联合优化运动捕捉数据与IMU测量，结合鲁棒初始化、SE(3)上高阶B样条参数化和退化感知测量拒绝策略，生成高精度真值轨迹，以提升SLAM基准测试的全面评估能力。
2025-07-17 cs.RO
Automatic Eye-in-Hand Calibration using EKF
Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种基于SLAM的手眼机器人自标定方法。我们的目标是校准机器人手臂的定位，使用基于SLAM的方法，如扩展卡尔曼滤波器（EKF）自动安装在末端执行器上的相机。给定摄像机内参数和工作空间中的一组特征标记，摄像机外参数被近似。一个基于EKF的测量模型被部署来有效地定位相机和计算相机到末端执行器的变换。所提出的方法进行了测试UR5机械手与深度相机安装在末端执行器，以验证我们的结果。
2022-11-13 cs.RO
Marker based Thermal-Inertial Localization for Aerial Robots in Obscurant Filled Environments
Autonomous Robots Lab, University of Nevada, Reno（内华达大学雷诺分校自主机器人实验室）
对于已知环境中的机器人检查任务，基准标记为机器人定位提供了可靠且低成本的解决方案。然而，这种标记的检测依赖于RGB相机数据的质量，其在存在诸如雾和烟的视觉模糊物的情况下显著降低。在存在遮蔽物的已知环境中导航的能力对于检查任务来说可能是至关重要的，特别是在灾难之后。针对这种情况下，这项工作提出了一种方法，用于设计的基准标记与热摄像机的姿态估计的空中机器人。我们的低成本标记器设计用于长波红外光谱，不受遮蔽物的影响，并且可以贴在任何与周围环境有可测量温差的物体上。此外，在扩展的卡尔曼滤波器中将来自基准标记的估计姿态与惯性测量融合，以去除基准姿态估计中存在的高频噪声和误差。建议的标记和姿态估计方法进行了实验评估，在一个昏暗的填充环境中使用的航空机器人携带热摄像机。
2019-03-02 cs.CV cs.RO
FMAC: a Fair Fiducial Marker Accuracy Comparison Software
Université Marie et Louis Pasteur（玛丽和路易斯·巴斯德大学）；CNRS（法国国家科学研究中心）；SupMicroTech-ENSMM FEMTO-ST Institute（SupMicroTech-ENSMM FEMTO-ST研究所）
FMAC软件通过高保真合成图像和低偏差采样，公平比较不同标志点在位姿估计中的精度，揭示其优劣并提供开源代码。
2026-01-12 cs.CV cs.RO
Improving the perception of visual fiducial markers in the field using Adaptive Active Exposure Control
Dartmouth College（达特茅斯学院）
针对水下光照剧烈变化导致视觉基准标记定位不准的问题，提出基于梯度的主动曝光控制方法，实验证明其显著提升AUV定位精度，可作为视觉状态估计的关键组件。
2024-04-18 cs.CV cs.RO
Spatiotemporal Calibration and Ground Truth Estimation for High-Precision SLAM Benchmarking in Extended Reality
Advanced Display and Sensing Research Center, Yongjiang Laboratory, Ningbo, China（先进显示与感知研究中心，永江实验室，宁波，中国）；Shanghai Institute of Technical Physics, Chinese Academy of Sciences, Shanghai, China（上海技术物理研究所，中国科学院，上海，中国）
本文提出了一种连续时间最大似然估计器，通过整合IMU数据和改进的同步方法，提升SLAM基准测试的精度和可靠性。
2025-12-08 cs.RO
A Precision Drone Landing System using Visual and IR Fiducial Markers and a Multi-Payload Camera
Reykjavik University（雷克雅未克大学）
本研究提出一种结合视觉与红外April Tag基准标记、多载荷相机的无人机精准着陆方法，可动态切换传感器，降低数据需求，实现远距昼夜着陆及遮挡后恢复，平均着陆误差0.19米。
2024-03-06 cs.CV cs.RO
AprilTags 3D: Dynamic Fiducial Markers for Robust Pose Estimation in Highly Reflective Environments and Indirect Communication in Swarm Robotics
MIT（麻省理工学院）
虽然基准标记在实验室条件下给出了精确的姿态估计，其中噪声因素得到控制，但在现场机器人应用中使用它们仍然是一个挑战。这受限于基准标记器系统，因为它们仅在RGB图像空间内工作。结果，图像中的噪声产生大的姿态估计误差。在机器人应用中，基准标记主要以其原始和简单的形式使用，如印刷纸张中的平面。这种设置对于基本的视觉伺服和增强现实应用是足够的，但对于复杂的群机器人应用是不够的，在这些应用中，设置由多个动态标记（显示在LCD屏幕上的标签）组成。本文介绍了一种新的方法，称为AprilTags3D，提高姿态估计精度的AprilTags在现场机器人只有RGB传感器，通过添加第三个维度的标记检测器。此外，提出了实验结果，从应用所提出的方法来集群自主机器人船之间的锁定，并创建机器人编队。
2020-01-11 cs.RO
L-PR: Exploiting LiDAR Fiducial Marker for Unordered Low Overlap Multiview Point Cloud Registration
York University（约克大学）
本文提出L-PR框架，利用LiDAR基准标记解决无序低重叠多视角点云配准问题，通过改进检测和两级图优化，超越现有方法，并助力数据采集与训练。
2025-02-05 cs.CV cs.RO
UAV-assisted Visual SLAM Generating Reconstructed 3D Scene Graphs in GPS-denied Environments
University of Luxembourg（卢森堡大学）；Interdisciplinary Centre for Security, Reliability, and Trust (SnT)（跨学科安全、可靠性与信任中心（SnT））；Faculty of Science, Technology, and Medicine, University of Luxembourg（卢森堡大学科学、技术与医学学院）
针对GPS拒止环境下无人机的态势感知需求，提出集成VSLAM框架的无人机系统，通过标记检测重建含语义实体的室内地图并生成多层场景图，经真实场景实验验证性能良好。
2024-02-12 cs.RO
Unveiling the Potential of iMarkers: Invisible Fiducial Markers for Advanced Robotics
Automation and Robotics Research Group, Interdisciplinary Centre for Security, Reliability, and Trust (SnT), University of Luxembourg（自动化与机器人研究组，安全、可靠性与信任跨学科中心（SnT），卢森堡大学）；Faculty of Science, Technology, and Medicine, University of Luxembourg（科学、技术与医学学院，卢森堡大学）；Department of Physics & Materials Science, University of Luxembourg（物理与材料科学系，卢森堡大学）；Institute for Advanced Studies, University of Luxembourg（先进研究学院，卢森堡大学）
本文提出iMarkers，一种隐形标志物，可被机器人和AR设备检测，解决了传统标志物影响视觉美观的问题，展示了其在机器人应用中的灵活性和有效性。
2026-03-10 cs.CV cs.HC cs.RO
Optimal Fiducial Marker Placement for Satellite Proximity Operations Using Observability Gramians
University of Washington（华盛顿大学）
本文利用对偶四元数建模卫星相对运动，通过经验可观测性格拉姆矩阵分析系统可观测性，求解目标卫星表面基准标记的最优布局，使标记间距离最大化并选择对状态变化最敏感的位置。
2025-01-03 cs.CV cs.RO cs.SY
Spacecraft Fiducial Marker for Autonomous Rendezvous, Proximity Operations, and Docking
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克理工大学电气工程学院控制论系）
针对现有基准标记在近距离操作中易丢失的问题，提出基于Spidron递归自相似图案的AstraTag标记，结合GRS编码和TPS重映射，在曲面航天器上实现更高检测率。
2026-06-29 cs.RO
A Factor Graph Approach to Multi-Camera Extrinsic Calibration on Legged Robots
Istituto Italiano di Tecnologia（意大利理工学院）；Gdańsk University of Technology（格但斯克工业大学）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
足式机器人不仅在研究领域，而且在工业领域都越来越受欢迎，因为它们可以在各种应用中证明它们比轮式机器优越。无论是作为移动机械手还是作为全地形地面车辆，这些机器都需要精确跟踪所需的基础和末端执行器轨迹，执行同时定位与地图构建（SLAM），并在具有挑战性的环境中移动，同时保持平衡。这些任务的一个关键方面是，所有机载传感器必须正确校准和同步，以便为它们提供的所有软件模块提供一致的信号。在本文中，我们专注于一组摄像机和四足机器人的基础链接之间的相对位姿标定问题。这种姿态是成功执行传感器融合、状态估计、映射和任何其他需要视觉反馈的任务的基础。为了解决这个问题，我们提出了一种基于因子图的方法，该方法使用运动学和基准标记来共同优化相机和机器人底座的相互位置。我们还定量比较其性能与其他国家的最先进的方法的液压四足机器人HyQ。所提出的方法是简单的，模块化的，并独立于外部设备以外的基准标记。
2019-01-14 cs.RO
Application of Ghost-DeblurGAN to Fiducial Marker Detection
York University（约克大学）
本文提出轻量级生成对抗网络Ghost-DeblurGAN和新数据集YorkTag，解决机器人应用中运动模糊导致基准标记检测失败的问题，显著提升检测效果。
2022-02-14 cs.AI cs.LG cs.RO
Autonomous Drone Landing with Fiducial Markers and a Gimbal-Mounted Camera for Active Tracking
Reykjavík University（雷克雅未克大学）
精确着陆是自主无人机飞行中的一个剩余挑战。基准标记为无人机提供了一种计算成本低的方式来定位着陆垫并自主执行精确着陆。然而，该领域的大多数工作依赖于刚性安装或面向下的摄像机，这限制了无人机检测标记的能力。我们提出了一种自主着陆的方法，使用万向架安装的摄像机快速搜索的着陆垫，通过简单地旋转到位，同时倾斜的相机向上和向下，并不断瞄准在着陆垫在方法和着陆过程中的相机。该方法演示了在没有人为干预的情况下，在物理无人机上使用5个测试基准系统中的4个进行成功的搜索，跟踪和着陆。每个基准系统，我们提出了从无人机到着陆垫中心的距离分布后，每次成功着陆。我们还展示了具有代表性的例子，飞行轨迹，标记跟踪性能，并在着陆过程中为每个通道的控制输出。最后，我们讨论每个系统的质量优势和弱点。
2022-11-11 cs.RO cs.SY eess.SY
Dynamic Markers: UAV landing proof of concept
IAT TU Darmstadt（达姆施塔特工业大学智能自动化研究所(IAT TU Darmstadt)）
在本文中，我们介绍了一个动态的基准标记，它可以改变其外观，根据时空的要求，移动机器人的视觉感知任务，使用相机作为传感器。我们提出了一种控制方案，以动态地改变标记的外观，以增加检测范围，并确保更好的精度在近距离。标记控件考虑摄像机到标记的距离（影响图像坐标中标记的比例），以选择要显示的基准标记。因此，我们实现了移动机器人的视觉姿态控制和动态基准标记的外观之间的紧密耦合。此外，我们讨论了由于处理时间和机器人和标记之间的通信延迟的时间延迟的实际影响。最后，我们提出了一个实时动态标记视觉伺服控制方案的四轴飞行器着陆和评估的性能在现实世界的例子。
2019-01-09 cs.RO
Marker-Constrained Pose-Graph Correction for Cross-Platform Georeferencing in GNSS-Denied Environments
University of Luxembourg（卢森堡大学）；Interdisciplinary Centre for Security, Reliability and Trust (SnT)（安全、可靠性与信任跨学科中心（SnT））；Faculty of Science, Technology and Medicine, University of Luxembourg（卢森堡大学科学、技术与医学院）
该研究提出基于胆固醇球形反射器伪装标记的框架，通过标记约束位姿图优化实现 GNSS 拒止环境下跨平台地理配准，大幅降低轨迹漂移，提升重建一致性。
2026-08-18 cs.MA cs.RO
Navigation of a Self-Driving Vehicle Using One Fiducial Marker
York University（约克大学）
导航只使用一个标记，其中包含四个人工功能，是一个具有挑战性的任务，因为相机姿态估计只使用四个共面点遭受旋转模糊问题，在现实世界中的应用。本文提出了一种基于视觉的导航框架，自动驾驶车辆配备了多个摄像头和一个车轮里程表。一个多摄像机设置的摄像机集群，具有360度的视野，使我们的框架只需要一个平面标记。提出了一种基于卡尔曼滤波的多摄像机与车轮测距融合方法。在此基础上，提出了一种利用卡尔曼滤波器的预测值作为附加信息来解决旋转模糊问题的算法。最后给出了横、纵向控制器。实验结果表明了该理论的有效性。
2021-08-22 cs.RO eess.IV
Robot Self-Calibration Using Actuated 3D Sensors
Technical University of Munich（慕尼黑工业大学）
几十年来，机器人和手眼校准都是研究的对象。虽然目前的方法设法精确和鲁棒地识别机器人的运动学模型的参数，但它们仍然依赖于外部设备，例如校准对象、标记和/或外部传感器。本文没有试图将记录的测量值拟合到已知对象的模型，而是将机器人校准视为离线SLAM问题，其中扫描姿势通过移动运动链链接到空间中的固定点。因此，所提出的框架允许机器人校准，只使用任意的手眼深度传感器，从而实现完全自主的自校准，而无需任何外部工具。我的新方法是利用迭代最近点算法的修改版本，对多个3D记录进行光束法平差，估计运动学模型的最佳参数。该系统的详细评估显示在一个真正的机器人与各种附加的3D传感器。所提出的结果表明，该系统达到的精度相当于一个专用的外部跟踪系统，其成本的一小部分。
2022-06-07 cs.CV cs.RO
MonoEgo: Monocular Metric Egocentric Demonstration Capture with Passive Wrist Constellations and Sparse Workstation Anchors
Anyverse Dynamics
MonoEgo利用单目相机和被动腕部星座，通过离线重建实现无需主动设备的度量第一人称演示捕捉，减少硬件需求，但动态精度待验证。
2026-09-29 cs.RO
quARtet Marker: A 3D-Printable Multi-Tag Fiducial for Robust Near-Frontal Pose Estimation
JSR Corporation（JSR株式会社）；Nara Institute of Science and Technology（奈良先端科学技术大学院大学）
针对透明或反光物体操作中近正面姿态估计不可靠的问题，提出3D打印的quARtet标记，通过倾斜多个AprilTags提升精度，实验验证其显著降低误差并兼顾可抓取性。
2026-10-09 cs.RO
Fiducial Exoskeletons: Image-Centric Robot State Estimation
USC Physical Superintelligence (PSI) Lab（USC物理超智能实验室）；Toyota Research Institute（丰田研究院）
标志式外骨骼通过单图像推断实现机器人状态估计，简化设置并提升校准与控制性能。
2026-01-12 cs.CV cs.RO
Mobile MoCap: Retroreflector Localization On-The-Go
Northeastern University（东北大学）；Institute for Experiential Robotics（体验机器人学研究所）
提出Mobile MoCap系统，利用近红外相机和逆向反射器特征检测器实现运动中的6-DoF高精度相对定位，实验证明其位置和姿态精度优于基于AprilTags的基准标记方法。
2023-06-30 cs.RO eess.IV
EgoExo++: Integrating On-demand Exocentric Visuals with 2.5D Ground Surface Estimation for Interactive Teleoperation of Underwater ROVs
RoboPI Laboratory, Dept. of ECE, University of Florida, USA（罗博实验室，电子与计算机工程系，佛罗里达大学，美国）；Dept. of ME, University of Delaware, USA（机械工程系，德雷塞尔大学，美国）
针对水下ROV遥操作视野受限问题，提出EgoExo++方法，通过几何驱动的视觉SLAM合成外中心视图并实时估计2.5D地面，提升操作性能和用户体验。
2026-05-23 cs.RO
Scalable underwater assembly with reconfigurable visual fiducials
Dartmouth College（达特茅斯学院）
本文针对水下装配提出可扩展的联合定位基础设施部署与任务规划算法，利用可移动视觉基准标记和分层聚类方法，在AUV上实现在线高效操作，并通过实验验证其可扩展性。
2023-10-30 cs.RO
Autonomous Drone Landing: Marked Landing Pads and Solidified Lava Flows
Reykjavik University（雷克雅未克大学）
着陆是多旋翼无人机飞行中最具挑战性和风险的方面，对于自主无人机来说，只有简单的着陆方法。我们探讨了两种情况下自主无人机着陆的方法。在第一种情况下，我们研究的方法着陆在已知的着陆垫使用基准标记和万向架安装的单目相机。这种方法在无人机应用中具有潜力，其中无人机必须比GPS可以提供的更准确地着陆（例如，城市峡谷中的包裹递送）。我们扩大了以前的方法，通过驱动无人机的摄像头跟踪标记随着时间的推移，我们解决的复杂性所造成的基准标记方向模糊的姿态估计。在第二种情况下，我们与RAVEN项目合作，探索在冰岛凝固的熔岩流上着陆的方法，冰岛作为火星的模拟环境，并提供了对无人机漫游者探索团队有效性的见解。我们的无人机使用深度摄像头来可视化地形，我们正在开发方法来分析地形数据，以实时的可行着陆点，最大限度地减少传感器和外部基础设施的需求，因此该解决方案不会严重影响无人机的行为，任务结构或操作环境。
2023-02-01 cs.RO
Image-based Visual Servo Control for Aerial Manipulation Using a Fully-Actuated UAV
ShanghaiTech University（上海科技大学）；Birla Institute of Technology and Science Pilani（比尔拉科学技术学院皮拉尼分校）；Pennsylvania State University（宾夕法尼亚州立大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种基于图像的视觉伺服控制策略，用于全驱动无人机桥梁维护，无需外部位姿估计或预定义标记，实现运动与力控制。
2023-06-28 cs.RO cs.SY eess.SY
Keypoint Detection Technique for Image-Based Visual Servoing of Manipulators
Toronto Metropolitan University（多伦多都会大学）
提出基于CNN改进VGG-19的关键点检测技术，通过平均池化和自适应学习率将验证损失降低50%，有效提升机械臂深度视觉伺服性能。
2024-09-20 cs.RO
Fiducial Tag Localization on a 3D LiDAR Prior Map
York University（约克大学）
本文提出首个可直接在3D LiDAR先验地图上定位基准标签的方法，通过强度与几何联合分析提取候选点簇，并利用中间平面法计算标签位姿和顶点位置，实验证明其精度优于已有方法。
2024-06-05 cs.CV cs.RO eess.IV
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
Latent Representations for Visual Proprioception in Inexpensive Robots
University of Central Florida（中央佛罗里达大学）
本文探讨了低成本机器人通过单个外部摄像头图像进行视觉本体感觉的可行性，比较了CNN、VAE、ViT和fiducial标记袋等潜在表示方法的性能。
2026-03-18 cs.CV cs.RO
Towards Quadruped-Provided Localization and Active Tracking for Micro-UAVs
IT University of Copenhagen（哥本哈根信息技术大学）；Helix Lab（Helix实验室）；Novo Nordisk A/S（诺和诺德公司）
本文提出由四足机器人搭载机械臂和摄像头，通过检测微型无人机上的AprilTag标记物，为其提供外部定位并主动跟踪，从而减轻无人机载荷，实现高精度自主飞行。
2026-10-06 cs.RO
Tracker-Free Robotic Ultrasound Calibration with a Spherical-Marker Phantom and Threshold-Free Center Localization
University of Michigan（密歇根大学）
提出一种无跟踪器机器人超声标定框架，采用球形标记体模和无阈值中心定位方法，实现自动标定，实验验证精度与三标记方法相当。
2026-09-22 cs.RO eess.IV
Fault-Tolerant Multi-Modal Localization of Multi-Robots on Matrix Lie Groups
Autonomous Space Robotics and Mechatronics Laboratory, Carleton University（卡尔顿大学自主空间机器人与机电一体化实验室）
本文提出一种基于矩阵李群的容错多模态多机器人定位框架，通过新颖的随机运算构建伪位姿并结合EKF融合多传感器数据，引入故障检测模块确保可靠性，实验证明其在多机器人定位中具备高效、可扩展和实时性能。
2025-05-01 cs.RO cs.SY eess.SY
Pose Estimation for Robot Manipulators via Keypoint Optimization and Sim-to-Real Transfer
University of California San Diego（加州大学圣地亚哥分校）
关键点检测是许多机器人应用（如运动捕获和姿态估计）的重要组成部分。历史上，使用独特设计的标记（例如棋盘或基准点）检测关键点。最近，已经探索了深度学习方法，因为它们能够以无标记的方式检测用户定义的关键点。然而，不同的手动选择的关键点在检测和定位方面可能具有不均匀的性能。这方面的一个例子可以在对称机器人工具上找到，其中DNN检测器无法正确解决对应问题。在这项工作中，我们提出了一种新的和自主的方式来定义关键点的位置，克服了这些挑战。该方法涉及寻找机器人操作器上的关键点的最佳集合，用于鲁棒的视觉检测和定位。使用机器人模拟器作为媒介，我们的算法利用合成数据进行DNN训练，所提出的算法用于通过迭代方法优化关键点的选择。结果表明，当使用优化的关键点时，DNN的检测性能显着提高。我们进一步将优化的关键点用于真实的机器人应用程序，通过使用域随机化来弥合模拟器和物理世界之间的现实差距。物理世界的实验表明，所提出的方法可以应用到广泛的机器人应用，需要视觉反馈，如摄像机到机器人校准，机器人工具跟踪，和末端执行器姿态估计。
2022-02-08 cs.CV cs.RO
Relative Visual Localization for Unmanned Aerial Systems
New York University Abu Dhabi（纽约大学阿布扎比）
在GPS拒绝环境中的合作无人机系统（UAS）需要一个精确的位姿定位系统，以确保有效的操作。在本文中，我们提出了一种新的视觉相对定位系统，能够监测360 $^o$视野（FoV）在周围的UAS使用球形摄像机。协作UAS携带一组由相机系统检测的基准标记。球面图像被分割并校正成一组正方形图像。提出了一种算法来选择平衡计算负载的图像数量，同时保持最低的跟踪精度水平。所开发的系统跟踪UAS在附近的球形摄像机和实验研究，使用两个UAS提供相对视觉定位对运动捕捉系统的性能进行验证。
2020-03-04 cs.RO
Robust Visual Servoing under Human Supervision for Assembly Tasks
Royal Institute of Technology (KTH)（皇家理工学院（KTH））；Peking University（北京大学）
针对积木装配的拾取-放置任务，提出集成手眼视觉伺服（含CBFs保证标记可见）、眼在手外精确放置及人在环能力的框架，分析相机位姿误差鲁棒性并提出适配障碍函数，经6自由度移动机械臂实验验证有效性。
2025-04-16 cs.RO cs.SY eess.SY
EVPeriscope: Extended Perception across Aerial and Ground Vehicles with Event-based Propeller Tracking
University of Pennsylvania（宾夕法尼亚大学）
EVPeriscope利用事件相机检测四旋翼螺旋桨高频信号，实现地面与空中机器人的可靠相对定位，在恶劣条件下支持闭环导航，扩展地面机器人感知能力。
2026-09-11 cs.RO
