AEGIS-Net: Attention-guided Multi-Level Feature Aggregation for Indoor Place Recognition
Hangzhou Dianzi University（杭州电子科技大学）；Zhejiang Key Laboratory of Brain-Machine Collaborative Intelligence（浙江省脑机协同智能重点实验室）；High-speed Aerodynamics Institute, CARDC（中国空气动力研究与发展中心高速空气动力学研究所）
该研究提出新型室内场所识别模型AEGIS-Net，以注意力引导聚合多级RGB点云特征，采用两阶段训练，在ScanNetPR数据集上性能超越六种现有方法。
2023-12-15 cs.CV cs.RO
RoboLoc: A Benchmark Dataset for Point Place Recognition and Localization in Indoor-Outdoor Integrated Environments
Department of Data, Network and AI, Ajou University（数据、网络与人工智能系，亚运会大学）；Korea Railroad Research Institute（韩国铁路研究院）；Department of Mobility Engineering, Ajou University（移动工程系，亚运会大学）
RoboLoc是一个用于室内外集成环境的点位识别和定位基准数据集，通过真实机器人轨迹和多领域转换，评估多种先进模型的泛化能力。
2025-12-01 cs.RO
Visual Object Recognition in Indoor Environments Using Topologically Persistent Features
University of Washington（华盛顿大学）
室内不可见环境中的物体识别一直是移动机器人视觉感知的一个挑战性问题。在这封信中，我们建议使用依赖于对象形状信息的拓扑持久特征来解决这一挑战。特别是，我们提取两种功能，即，稀疏持久性图像（PI）和幅度，通过应用持久的同源性多方向高度函数为基础的过滤的立体复合物表示的对象分割地图。然后，这些特征被用于训练一个完全连接的网络进行识别。对于性能评估，除了广泛使用的形状数据集和基准室内场景数据集，我们收集了一个新的数据集，包括场景图像从两个不同的环境，即，客厅和模拟仓库。这些场景是在不同的照明条件下使用不同的相机姿势捕获的，并且包括来自给定的十四个对象的集合的多达五个不同的对象。在基准室内场景数据集上，稀疏PI特征在看不见的环境中表现出比使用广泛使用的ResNetV 2 -56和EfficientNet-B4模型学习的特征更好的识别性能。此外，它们提供了比Faster R-CNN（一种端到端目标检测方法）及其最先进的变体Domain Adaptive Faster R-CNN略高的召回率和准确率。从训练环境（客厅）到新数据集中看不见的环境（模拟仓库），我们的方法的性能也保持相对不变。相反，目标检测方法的性能大幅下降。我们还实现了所提出的方法在现实世界的机器人，以证明其实用性。
2021-07-28 cs.CV cs.RO
CSCPR: Cross-Source-Context Indoor RGB-D Place Recognition
University of Maryland（马里兰大学）；Amazon（亚马逊公司）
本文提出CSCPR算法，通过整合全局检索与重排序处理跨源RGB-D点云，引入SCC和CSCC模块增强特征表示与匹配，并发布新数据集，在Recall@1上显著超越现有模型。
2025-03-05 cs.CV cs.RO
TextInPlace: Indoor Visual Place Recognition in Repetitive Structures with Scene Text Spotting and Verification
Southern University of Science and Technology（南方科技大学）；Peng Cheng Laboratory（鹏城实验室）；University of Cambridge（剑桥大学）
针对室内重复结构导致的视觉位置识别困难，提出TextInPlace框架，通过集成场景文本检测与双分支架构提取文本特征进行重排序，并构建Maze-with-Text基准，显著提升了识别性能。
2025-08-11 cs.CV cs.RO
Mapping While Following: 2D LiDAR SLAM in Indoor Dynamic Environments with a Person Tracker
Guangdong University of Technology（广东工业大学）；Southern University of Science and Technology（南方科技大学）
二维LiDAR SLAM（同时定位与地图构建）由于其稳定性和灵活性而被广泛应用于室内环境。然而，其映射过程通常在静态环境中由操纵杆操作，而室内环境通常是动态的，具有移动的对象，例如人。由于动态物体的存在，生成的地图中含有噪声点，通常是不完整和失真的。为了解决这个问题，我们提出了一个基于2D-LiDAR的SLAM框架，无需手动控制，有效地排除了动态对象（人），并简化了机器人映射环境的过程。该框架包括三个部分：人员跟踪、过滤和跟踪。我们在实验中验证了我们提出的框架与两个经典的基于2D-LiDAR的SLAM算法在室内环境中。结果表明，该框架在处理动态对象和减少映射错误方面是有效的。
2022-04-18 cs.RO
Automatic Mapping of the Indoor World with Personal Radars
University of Bologna（博洛尼亚大学）；CEA LETI（法国原子能和替代能源委员会电子信息技术实验室）
数字地图将彻底改变我们感知和导航室内环境的体验。虽然今天我们只依赖于室外的表示，但室内的映射主要是传统SLAM问题的一部分，其中机器人发现周围环境并执行自定位。尽管如此，机器人部署阻止了室内的大范围扩散和快速映射，此外，它们通常配备了激光和视觉技术，这些技术在能见度不足的情况下会失败。为此，一个可能的解决方案是将未来的个人设备变成个人雷达，作为使用毫米波大规模阵列技术自动生成室内地图的里程碑，这种技术已经用于通信。在这篇面向应用的论文中，我们将描述到目前为止所取得的主要成就，以发展个人雷达的概念，使用特设收集的实验数据，并讨论未来可能的调查方向。
2019-10-28 cs.RO eess.SP
A sensor fusion approach for improving implementation speed and accuracy of RTAB-Map algorithm based indoor 3D mapping
VNU University of Engineering and Technology（越南国立大学工程技术大学）；Hanoi University of Science and Technology（河内理工大学）
本研究融合IMU、超声波定位和轮式编码器数据，经EKF处理并同步RTAB-Map频率，显著提升室内三维建图的精度、速度与质量。
2023-05-08 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
Real-Time Hybrid Mapping of Populated Indoor Scenes using a Low-Cost Monocular UAV
University of Oxford（牛津大学）
近年来，无人机（UAV）已被用于许多应用，从城市搜索和救援到农业测量，再到自主地下矿山勘探。然而，在狭窄的室内空间（特别是靠近人类的空间）部署无人机仍然是一个挑战。当需要有限的有效载荷时，一种解决方案是使用微型无人机，这对人类构成的风险较小，并且在坠毁后更换的成本通常较低。然而，微型无人机只能携带有限的传感器套件，例如单目相机而不是立体对或LiDAR，这使得密集映射和无标记多人3D人体姿态估计等任务变得复杂，这些任务需要在人们周围的紧密环境中操作。单目的方法，这样的任务存在，密集的单目映射方法已经成功地部署无人机应用。然而，尽管最近有许多关于基于标记和无标记的多UAV单人运动捕捉的工作，但无标记单相机多人3D人体姿态估计仍然是一种早期阶段的技术，我们不知道现有的尝试将其部署在空中环境中。在本文中，我们提出了什么是因此，据我们所知，第一个系统，同时进行映射和多人的三维人体姿态估计从单目摄像机安装在一个单一的无人机。特别是，我们展示了如何松散地耦合最先进的单目深度估计和单目3D人体姿态估计方法，以实时的重建填充室内场景的混合地图。我们通过对大规模ScanNet和GTA-IM数据集的广泛实验来验证我们的组件级设计选择。为了评估我们的系统级性能，我们还构建了一个新的牛津混合映射数据集的人口室内场景。
2022-03-04 cs.CV cs.RO
Online Continual Learning for Robust Indoor Object Recognition
Samsung Research UK（三星英国研究院）
针对家庭机器人视觉系统资源有限、需持续学习新类别且应对测试环境变化的问题，提出RobOCLe方法，通过构建含高阶统计矩的增强特征空间做分类，在不降低推理速度的同时提升了持续学习模型的鲁棒性。
2023-07-19 cs.AI cs.CV cs.RO
A Generalizable Knowledge Framework for Semantic Indoor Mapping Based on Markov Logic Networks and Data Driven MCMC
Siemens AG（西门子股份公司）；Technische Universität München（慕尼黑工业大学）
本文提出了一种可推广的数据抽象知识框架，即利用预定义的抽象术语为输入数据找到紧凑的抽象模型。基于这些抽象术语，智能自治系统（如机器人）应该能够根据特定的知识库进行推理，以便更好地处理现实世界的复杂性和不确定性。我们建议实现这一框架相结合的马尔可夫逻辑网络（MLN）和数据驱动MCMC采样，因为前者是一个强大的工具，为不确定的知识建模和后者提供了一个有效的方法来绘制样本从未知的复杂分布。此外，我们详细展示了如何适应这个框架，以一定的任务，特别是语义机器人映射。基于MLNs，我们制定特定于任务的上下文知识描述性软规则。真实世界的数据和模拟数据的实验证实了我们的框架的实用性。
2020-02-19 cs.CV cs.RO
Integrating Deep Reinforcement and Supervised Learning to Expedite Indoor Mapping
Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Technion - Israel Institute of Technology（以色列理工学院）
解决了绘制室内环境的挑战。求解运动规划问题的典型启发式算法是基于前沿的方法，这在环境完全未知时特别有效。然而，在关于环境的架构特征的先前统计数据可用的情况下，这样的算法可能远非最佳。此外，它们的计算时间可能随着更多的区域被暴露而显著增加。在本文中，我们提出了两种方法来克服这些缺点。一个是使用深度强化学习来训练运动规划器。第二个是包含一个预训练的生成式深度神经网络，用作地图预测器。每一个都有助于通过使用环境的学习结构统计来改进决策，并且两者都被实现为神经网络，确保恒定的计算时间。我们表明，结合这两种方法可以缩短映射过程的持续时间高达4倍，相比基于前沿的运动规划。
2022-02-27 cs.AI cs.LG cs.RO
What Can I Do Around Here? Deep Functional Scene Understanding for Cognitive Robots
University of Maryland（马里兰大学）
对于具有通过其末端执行器与物理环境交互的能力的机器人，理解周围场景不仅仅是图像分类或对象识别的任务。为了执行实际任务，机器人对视觉场景有功能性的理解是至关重要的。在这里，我们解决了从任意室内场景中定位和识别功能区域的问题，制定为基于两阶段深度学习的检测管道。一个新的场景功能测试床，这是从两个公开的室内场景数据集编译，用于评估。我们的方法在新的数据集上进行了定量评估，证明了从任意室内场景中有效识别功能区域的能力。我们还证明，我们的检测模型可以推广到新的室内场景，通过交叉验证它与来自两个不同的数据集的图像。
2016-02-02 cs.CV cs.RO
Towards Ubiquitous Mapping and Localization for Dynamic Indoor Environments
Tshwane University of Technology（茨瓦内理工大学）
本文提出UbiSLAM，一种用于动态室内环境实时映射和定位的创新解决方案，通过部署固定RGB-D相机网络解决传统SLAM系统在环境变化敏感性和依赖移动单元传感器的问题，提升机器人在环境中的定位精度和响应性。
2026-05-18 cs.AI cs.RO
Deep-Learning-Aided Path Planning and Map Construction for Expediting Indoor Mapping
Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Technion - Israel Institute of Technology（以色列理工学院）；Bar-Ilan University（巴伊兰大学）；Holon Institute of Technology（霍隆理工学院）
解决了自主室内测绘的问题。目标是最大限度地减少达到预定义的暴露百分比的时间，并具有某些所需的确定性水平。为了加快映射过程，提出了在路径规划和地图构建中使用预训练的生成式深度神经网络作为地图预测器。结合两个不同的布图规划数据集的几个基于边界的路径规划器，该方法进行了检查。模拟运行几种配置的集成映射预测器，其结果表明，通过利用预测映射时间的显着减少是可能的。当预测集成在路径规划和地图构建过程中，它表明，在某些情况下，映射时间可以减少超过50%。
2022-08-13 cs.LG cs.RO
Inverse k-visibility for RSSI-based Indoor Geometric Mapping
Department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学）；Department of Mechanical and Industrial Engineering, University of Toronto（机械与工业工程系，多伦多大学）；Department of Computer Science, Toronto Metropolitan University（计算机科学系，多伦多 Metropolitan 大学）；Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
针对WiFi信号高精度室内几何建图的挑战，本文提出基于k-visibility算法的逆k可见性概念以识别自由空间，经多场景实验及与LiDAR真值地图对比，验证了算法的鲁棒性与准确性。
2025-11-19 cs.RO
waveSLAM: Empowering Accurate Indoor Mapping Using Off-the-Shelf Millimeter-wave Self-sensing
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；The University of Edinburgh（爱丁堡大学）；IMDEA Networks Research Institute（IMDEA网络研究院）
针对低能见度或含玻璃/镜面墙的室内建图难题，提出waveSLAM系统，仅用移动机器人上现成的激光雷达与毫米波硬件，通过毫米波自感知实现厘米级建图精度，性能与激光雷达相当。
2023-12-12 cs.NI cs.RO
Structure from WiFi (SfW): RSSI-based Geometric Mapping of Indoor Environments
Toronto Metropolitan University（多伦多都会大学）
针对室内SLAM中基于WiFi实现几何建图的难题，本文受k可见性启发提出逆k可见性概念及自由空间建图算法，并在仿真与真实环境中验证其有效性。
2024-03-04 cs.RO
Mapping Walls of Indoor Environment using RGB-D Sensor
Institut Teknologi Bandung（万隆理工学院）；Telkom University（Telkom大学）
推断室内环境的墙壁配置可以帮助机器人更好地“理解”环境。这允许机器人执行涉及房间间导航的任务，例如在厨房中挑选物体。在本文中，我们提出了一种方法来推断墙壁的配置从移动的RGB-D传感器。我们的目标是结合一个简单的墙壁配置模型和快速的墙壁检测方法，以获得一个系统，在线工作，是实时的，不需要一个曼哈顿世界的假设。我们使用MIT Stata Center Dataset测试了我们的初步工作，即移动RGB-D传感器的墙壁检测和测量。我们的方法的性能报告的准确性和执行速度。
2018-03-28 cs.RO
SuperEx: Enhancing Indoor Mapping and Exploration using Non-Line-of-Sight Perception
Department of Applied Mathematics, Delhi Technological University（应用数学系，德里技术大学）；Stony Brook University（石溪大学）
本文提出 SuperEx 框架，将非视距（NLOS）单光子 LiDAR 感知集成到机器人建图与探索循环中，通过物理与数据驱动方法重建隐藏结构，显著提升了低覆盖率下的建图精度与探索效率。
2025-10-12 cs.CV cs.RO
Semantic Mapping in Indoor Embodied AI -- A Survey on Advances, Challenges, and Future Directions
本文综述了具身智能中专门用于室内导航的语义地图构建方法，按结构表示和编码信息类型进行分类，指出开放词汇、可查询的地图表示是未来方向，而高内存与低计算效率仍是主要挑战。
2025-08-10 cs.CV cs.RO
Automatic Mapping with Obstacle Identification for Indoor Human Mobility Assessment
University of Guanajuato（瓜纳华托大学）
我们提出了一个框架，允许移动机器人建立一个室内场景的地图，识别和突出显示的对象，可能被认为是一个障碍的人与有限的流动性。该地图是通过将单目SLAM的最新发展与来自机器人平台的惯性传感器的信息相结合来构建的，从而产生可以进一步处理以获得网格的度量点云。来自单目摄像机的图像同时用对象识别神经网络进行分析，该神经网络被调谐以检测特定类别的目标。这些信息然后被处理并被合并到度量地图上，从而导致对感兴趣的对象的位置和边界体积的详细调查。研究结果可用于向决策者和行动不便的用户通报特定室内场所存在的危险。我们最初的测试是使用微型无人机进行的，并将扩展到其他机器人平台。
2021-11-24 cs.RO
On the Application of Efficient Neural Mapping to Real-Time Indoor Localisation for Unmanned Ground Vehicles
Newcastle University（纽卡斯尔大学）；New York University Abu Dhabi（纽约大学阿布扎比分校）
本研究评估了隐式神经映射在真实机器人场景中的适用性，通过约束2维空间并增加训练数据，训练出能在嵌入式平台实时推理的紧凑模型，在UGV上实现了9cm平均精度的航点导航，并发布了含数万样本的新颖定位数据集。
2024-01-02 cs.AI cs.CV cs.RO
Mapping at First Sense: A Lightweight Neural Network-Based Indoor Structures Prediction Method for Robot Autonomous Exploration
Beijing University of Technology（北京工业大学）；Tsinghua University（清华大学）；Peking University（北京大学）；Southwest Minzu University（西南民族大学）
本文提出轻量级神经网络方法 Mapping at First Sense 及 SenseMapNet，通过预测局部地图未观测区域提升机器人室内自主探索效率，并构建 SenseMapDataset 数据集，实验表明其重建质量更优且探索时间较传统前沿方法缩短 46.5%。
2025-04-05 cs.AI cs.RO
SLAM for Indoor Mapping of Wide Area Construction Environments
Institute for Photogrammetry（摄影测量研究所）；Geoinformatics, University of Stuttgart, Germany（地理信息学，斯图加特大学，德国）
针对广域室内施工环境缺乏GNSS、纹理少、光照差导致SLAM位姿估计难的问题，研究采用搭载多传感器的机器人采集大型工厂数据，对比不同SLAM方法优劣，并用3D Gaussian splatting生成高精度深度图，服务于施工监测。
2024-04-26 cs.CV cs.RO
SLAM-Assisted Coverage Path Planning for Indoor LiDAR Mapping Systems
Purdue University（普渡大学）
涉及移动代理的自主导航和规划的应用可以通过采用在线同时定位与地图构建（SLAM）技术而极大地受益，然而，它们的适当实现仍然保证与可以用于特定应用的任何离线路径规划方法的有效融合。在本文中，这种情况下的融合被认为是一个基于激光雷达的室内测绘系统，提出了自己作为一个2D覆盖路径规划问题，随着在线SLAM实现。本文展示了如何通过提出两个修改来改变经典的离线覆盖路径规划（CPP）以用于在线SLAM：（i）执行多边形覆盖区域的凸分解，以允许任意选择初始点，同时仍然跟踪最短覆盖路径，以及（ii）使用新的方法将多边形区域内的不同小区拼接在一起以形成连续的覆盖路径。此外，还对SLAM操作进行改变以适合覆盖路径规划策略，其根据区域覆盖成本函数来评估导航误差。实施结果示出了两个修改的离线和在线规划策略的组合如何允许通过映射系统改善总区域覆盖-修改因此提出了用于修改离线和在线导航策略以用于稳健操作的方法。
2018-11-12 cs.RO
The Invisible Map: Visual-Inertial SLAM with Fiducial Markers for Smartphone-based Indoor Navigation
Olin College of Engineering（奥林工程学院）
本文提出一种基于图SLAM和基准标记的智能手机室内导航系统，通过推断地标与手机位姿构建精确3D地图，并引入超参数调优技术以适应新环境。
2023-10-16 cs.CV cs.RO
Robust Multi-Modal Multi-LiDAR-Inertial Odometry and Mapping for Indoor Environments
University of Turku（图尔库大学）
集成多个LiDAR传感器可以显著增强机器人对环境的感知，使其能够捕获足够的测量值，用于同时定位与地图构建（SLAM）。事实上，固态LiDAR可以在机器人应用中以低成本为传统的旋转LiDAR带来高分辨率。然而，它们减小的视场（FoV）限制了性能，特别是在室内。在本文中，我们提出了一个紧密耦合的多模态多激光雷达-惯性SLAM系统的测绘任务。通过利用固态和旋转LiDAR以及内置惯性测量单元（IMU），我们在各种具有挑战性的室内环境（例如，小而无特色的房间）。首先，我们使用时空校准模块来对齐时间戳和校准传感器之间的外部参数。然后，我们提取两组特征点，包括边缘和平面点，从激光雷达数据。接下来，使用预集成的IMU数据，将反失真模块应用于LiDAR点云数据。最后，将未失真的点云合并为一个点云，并使用基于滑动窗口的优化模块进行处理。从大量的实验结果来看，我们的方法在不同的环境中显示出与最先进的旋转LiDAR或固态LiDAR SLAM系统竞争的性能。更多结果、代码和数据集可在\href{https://github.com/TIERS/multi-modal-loam}{https://github.com/TIERS/multi-modal-loam}上找到。
2023-03-05 cs.RO
Semantic-Aware Guided Drone Exploration for Language-Conditioned 3D Indoor Mapping
Department of Electrical Engineering and Computer Sciences（电气工程与计算机科学系）
提出SAGE系统，结合CLIP语义提示与覆盖导向探索，在未知室内环境中优先发现目标物体，同时保持高覆盖率。
2026-05-22 cs.CV cs.RO
Language-EXtended Indoor SLAM (LEXIS): A Versatile System for Real-time Visual Scene Understanding
Oxford Robotics Institute（牛津机器人研究所）
本文提出实时室内SLAM系统LEXIS，通过结合LLM开放词汇能力、CLIP特征与拓扑SLAM图，实现灵活房间理解、语义地点识别及回环优化，性能达到或超过SOTA。
2024-03-05 cs.CV cs.RO eess.IV
Differential Barometric Altimetry for Submeter Vertical Localization and Floor Recognition Indoors
Key Laboratory of Intelligent Perception and Human-Machine Collaboration – ShanghaiTech University, Ministry of Education, China（智能感知与人机协同关键实验室 – 上海科技大学，教育部，中国）
本文提出了一种基于微分气压传感的低成本ROS兼容框架，实现亚米级垂直定位和100%楼层识别，解决了传统SLAM里程计在复杂多层环境中的局限性。
2026-01-05 cs.RO
A Hybrid SLAM and Object Recognition System for Pepper Robot
Edinburgh Robotics Center（爱丁堡机器人中心）；VICOROB, UdG（赫罗纳大学计算机视觉与机器人研究所）；I2R, A*STAR（新加坡科技研究局资讯通信研究院）；Heriot-Watt University（赫瑞瓦特大学）
人形机器人在现实生活中扮演着越来越重要的角色，特别是在室内应用方面。为室内环境测绘、自定位和物体识别等任务提供强大的解决方案，对于使机器人更加自主，从而更加人性化至关重要。著名的毕宿五服务机器人Pepper是实现这些目标的合适人选。在本文中，同时定位和映射（SLAM）算法与对象识别相结合的混合系统的开发和测试与胡椒机器人在现实世界的条件下第一次。ORB SLAM 2算法是本课题的一项重要研究工作.然后，基于尺度不变特征变换（SIFT）和随机采样一致性（RANSAC）的对象识别技术与SLAM相结合，识别和定位映射的室内环境中的对象。我们的实验结果表明，该系统的适用性，在现实世界的场景中的胡椒机器人。此外，我们在https://github.com/PaolaArdon/Salt-Pepper上向社区提供了我们的源代码。
2019-03-08 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
Towards bio-inspired unsupervised representation learning for indoor aerial navigation
Ghent University（根特大学）；imec（微电子研究中心）
在没有GPS的室内环境中进行空中导航仍然是一个公开的挑战。无人机可以从更丰富的视角感知环境，同时具有比其他自主平台更严格的计算和能源约束。为了解决这个问题，这项研究展示了一种生物启发的深度学习算法，用于同时定位与地图构建（SLAM）及其在无人机导航系统中的应用。我们提出了一种无监督的表示学习方法，产生低维的潜在状态描述符，减轻感知混淆的敏感性，并在节能，嵌入式硬件上工作。在室内仓库环境中收集的数据集上对所设计的算法进行了评估，初步结果表明了鲁棒室内空中导航的可行性。
2021-06-17 cs.AI cs.RO
NextBestPath: Efficient 3D Mapping of Unseen Environments
IP Paris（巴黎理工学院）；Univ Gustave Eiffel（埃菲尔大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；École normale supérieure（巴黎高等师范学院）；PSL Research University（巴黎文理研究大学）
针对主动3D映射中现有方法易陷入局部区域、室内数据集不足的问题，本研究引入含地图生成器的新数据集AiMDoom，并提出预测长期目标的next-best-path方法，在两类数据集上显著优于现有方法，提升了不同室内环境下3D映射的效率。
2025-02-07 cs.CV cs.RO
Indoor Air Quality Detection Robot Model Based on the Internet of Things (IoT)
本文提出一种基于物联网的移动机器人系统，集成多种传感器与模糊逻辑，实现室内空气质量自主测绘与实时监测，实验验证误差较低。
2025-05-26 cs.RO
Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints
Poznań University of Technology（波兹南理工大学）
个人室内定位通常通过融合来自各种传感器的信息来实现。一个常见的选择是使用WiFi适配器，它提供有关附近可以找到的接入点的信息。不幸的是，基于WiFi的定位的现有技术方法通常采用WiFi信号分布的非常密集的地图，并且需要耗时的参数选择过程。另一方面，摄像机图像通常用于视觉位置识别，每当用户观察到与数据库中已经记录的场景相似的场景时进行检测。视觉位置识别算法可以与记录场景的稀疏数据库一起工作，并且通常参数化简单。因此，我们提出了一个基于WiFi的全球定位方法采用著名的FAB-MAP视觉位置识别算法的结构。类似于FAB-MAP，我们的方法使用Chow-Liu树来估计一个地方的重新观察的联合概率分布，给出了一组在访问过的地方提取的特征。然而，我们是第一个将这个想法应用于记录WiFi扫描而不是视觉文字的人。新方法在EvAAL竞赛中使用的UJIIndoorLoc数据集上进行了评估，可以与其他解决方案进行公平比较。
2017-04-28 cs.RO
Efficient and Robust Semantic Mapping for Indoor Environments
Technische Universität Ilmenau（伊尔默瑙工业大学）
自主移动机器人执行高级任务必须具备的一个关键能力是对其环境的深刻理解。这涉及关于存在什么类型的对象、它们在哪里、它们的空间范围是什么以及如何到达它们的信息，即，关于自由空间的信息也是至关重要的。语义地图是提供此类信息的有力工具。然而，应用语义分割和构建具有高空间分辨率的3D地图是具有挑战性的有限资源的移动机器人。在本文中，我们将语义信息有效占用正态分布变换（NDT）地图，使移动机器人的实时语义映射。在公开的数据集Hypersim上，我们表明，由于其子体素精度，语义无损检测地图优于其他方法。我们比较他们的最新国家的最先进的方法的基础上体素和语义贝叶斯空间核推理~（S-BKI），并在本文中得到的优化版本。提出的语义NDT地图可以表示语义相同的细节水平，而映射速度是2.7至17.5倍。对于相同的网格分辨率，它们的性能明显更好，而映射速度最多可快5倍以上。最后，我们证明了语义无损检测地图的实际应用与定性结果在国内的应用。
2022-03-11 cs.RO
Implicit Shape Model Trees: Recognition of 3-D Indoor Scenes and Prediction of Object Poses for Mobile Robots
University of Aberdeen（阿伯丁大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出ISM树模型及配套识别与生成算法，解决移动机器人在杂乱环境中联合进行三维室内场景识别与物体位姿预测的问题，有效降低了误报并提升了主动视觉搜索效率。
2023-10-20 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
Low-effort place recognition with WiFi fingerprints using deep learning
Poznań University of Technology（波兹南理工大学）
使用WiFi信号进行室内定位是在移动设备上操作的现有个人室内定位系统的主要定位形式。WiFi指纹识别也用于移动机器人，因为WiFi信号通常在室内可用，并且可以提供粗略的初始位置估计，或者可以与其他定位系统一起使用。目前，最好的解决方案依赖于过滤、手动数据分析和耗时的参数调整来实现可靠和准确的定位。在这项工作中，我们建议使用深度神经网络来显着降低定位系统设计的劳动力负担，同时仍然取得令人满意的结果。假设采用最先进的分层方法，我们采用DNN系统进行建筑物/楼层分类。我们表明，堆叠的自动编码器允许有效地减少特征空间，以实现鲁棒性和精确的分类。在公开的UJIIndoorLoc数据集上验证了所提出的架构，并将结果与其他解决方案进行了比较。
2017-04-28 cs.NE cs.RO
Traversability-aware Consistent Situational Graphs for Indoor Localization and Mapping
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（电气工程学院，韩国科学技术院）
针对室内定位与建图中房间分割不一致的问题，提出可通行性感知的分割方法，增强语义连贯性与优化效率，提升重检测频率并降低耗时。
2025-10-17 cs.RO
Active Neural Mapping at Scale
Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院）
提出基于NeRF的主动建图系统，通过从神经地图中提取广义Voronoi图并锚定不确定区域，实现大规模室内环境的高效鲁棒探索与高质量重建。
2024-09-30 cs.CV cs.RO
Semi-Semantic Line-Cluster Assisted Monocular SLAM for Indoor Environments
Hong Kong University of Science and Technology（香港科技大学）；Texas A&M University（德克萨斯农工大学）
针对室内单目同时定位与地图构建（SLAM）中尺度漂移问题，提出了一种新的尺度漂移抑制方法。我们利用现有知识，即在室内环境中，线段形成紧密的集群，例如，直走廊中的许多门框具有相同的形状、大小和取向，因此这些门框的相同边缘形成紧密的线段集群。我们在流行的ORB-SLAM 2中实现了我们的方法，这也是我们的基线。在前端，我们检测每帧中的线段，并在3D空间中逐步聚类它们。在后端，我们优化地图施加的约束，同一集群的线段应该是相同的。实验结果表明，我们提出的方法成功地减少了室内单目SLAM的尺度漂移。
2018-11-05 cs.CV cs.RO
Mono-Hydra++: Real-Time Monocular Scene Graph Construction with Multi-Task Learning for 3D Indoor Mapping
Department of Earth Observation Science, University of Twente（特文特大学地球观测科学系）
本文提出Mono-Hydra++，一种基于多任务学习的实时单目RGB加IMU流水线，用于3D室内度量语义映射和分层3D场景图构建，通过结合M2H-MX多任务模型和深度特征视觉惯性里程计前端，实现了在资源受限的机器人平台上无需主动深度传感器的实时度量语义映射和场景图构建。
2026-10-20 cs.CV cs.RO
Extracting Semantic Indoor Maps from Occupancy Grids
Technische Universität München（慕尼黑工业大学）；Siemens AG（西门子股份公司）
在现实的、不受约束的场景中运行的任何自主系统的主要挑战是管理现实世界的复杂性和不确定性。虽然目前还不清楚人类和其他高等动物是如何掌握这些问题的，但很明显，抽象起着重要作用。抽象概念的使用允许在更高级别上定义系统行为。在本文中，我们专注于室内环境的语义映射。我们提出了一种方法来提取一个抽象的平面图从典型的网格地图使用贝叶斯推理。这个过程的结果是在抽象概念上定义的环境的概率生成模型。它非常适合更高层次的推理和通信目的。我们使用真实世界的数据证明了该方法的有效性。
2020-02-19 cs.CV cs.RO
GAPLE: Generalizable Approaching Policy LEarning for Robotic Object Searching in Indoor Environment
Arizona State University（亚利桑那州立大学）；Adobe Systems, Inc.（Adobe系统公司）
我们研究的问题，学习一个可推广的行动政策的智能代理，积极接近感兴趣的对象在室内环境中，仅仅从其视觉输入。虽然场景驱动或示意图驱动的视觉导航已被广泛研究，但先前的努力严重受限于泛化能力。本文首先论证了目标搜索任务是环境依赖的，而接近能力是一般的。为了学习一个可推广的接近策略，我们提出了一种新的解决方案，称为GAPLE，采用两个通道的视觉特征：深度和语义分割，作为输入的策略学习模块。对House3D数据集以及真实世界场景中的物理平台进行的实证研究验证了我们的假设，我们进一步提供了深入的定性分析。
2019-03-07 cs.CV cs.RO
A Modular Vision-Language-Action Robotics Framework for Indoor Environments
TCS Research, Tata Consultancy Services（塔塔咨询服务公司TCS研究部）；CMU（卡内基梅隆大学）
提出模块化架构，集成环境建图、问题处理和导航，通过双流并行处理（语义体素建图与语言分类）实现自然语言指令驱动的自主任务执行。
2026-07-01 cs.AI cs.RO
Drift-Free Indoor Navigation Using Simultaneous Localization and Mapping of the Ambient Heterogeneous Magnetic Field
Xsens Technologies（Xsens科技公司）
在没有外部参考位置信息（例如GNSS）的情况下，SLAM已被证明是用于室内导航的有效方法。定位漂移可以通过定期的循环闭合和全局松弛作为后端来减小，从而在探索和开发之间实现良好的平衡。虽然基于视觉的系统（如激光扫描仪）通常用于SLAM，但这些传感器笨重、能源效率低且昂贵，使其对可穿戴设备或智能手机应用缺乏吸引力。然而，SLAM的概念可以扩展到非光学系统，例如磁力计。代替使用ICP算法的某种变体来匹配诸如墙壁和家具之类的特征，可以匹配局部磁场以在高斯过程（GP）SLAM框架中提供环路闭合和全局轨迹更新。基于MEMS的惯性测量单元提供连续的轨迹，并匹配局部不同的磁场地图，本文的实验结果表明，在室内环境中的无漂移导航解决方案，毫米级的精度可以实现。GP-SLAM方法可以被公式化为最大后验估计问题，并且它可以自然地同时执行环路检测、特征到特征距离最小化、全局轨迹优化和磁场图估计。使用空间上连续的特征（即，平滑的磁场签名）来代替传统的基于视觉的SLAM中的离散特征对应（例如，点对点）。来自环境磁场的这些位置更新还提供了用于校准使用中的加速度计和陀螺仪偏置的足够信息。这种方法的唯一限制是需要磁干扰（这通常不是室内的问题）;然而，不需要对传感器的一般运动进行假设。
2018-02-17 cs.RO eess.SP
PRAM: Place Recognition Anywhere Model for Efficient Visual Localization
University of Cambridge（剑桥大学）
本文提出PRAM框架，通过自监督生成3D地标并利用稀疏关键点进行高效识别与匹配，在室内外大规模场景中以更低内存和更高速度实现了与分层方法相当的定位精度。
2025-03-07 cs.CV cs.RO
OSMa-Bench: Evaluating Open Semantic Mapping Under Varying Lighting Conditions
Biomechatronics and Energy-Efficient Robotics (BE2R) Lab, ITMO University（生物机电学与节能机器人实验室，ITMO大学）
OSMa-Bench通过评估不同光照条件下语义映射算法的性能，推动了更鲁棒的机器人系统发展。
2026-01-21 cs.AI cs.CL cs.CV
Human-Inspired Long-Term Indoor Localization in Human-Oriented Environment
IDSIA, Universita della Svizzera italiana（IDSIA、瑞士意大利语区大学）；University of Bonn（波恩大学）
本文概述了服务机器人长期室内定位与建图的研究，通过利用平面图等几何先验并整合文本与语义信息，在跨越数月的数据上验证了方法有效性并开源。
2024-10-16 cs.RO
II-NVM: Enhancing Map Accuracy and Consistency with Normal Vector-Assisted Mapping
Hangzhou Qisheng Intelligent Techology Co. Ltd.（杭州齐晟智能科技有限公司）；Columbia University in the City of New York（纽约哥伦比亚大学）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
本文提出II-NVM方法，通过体素地图存储法向量信息、自适应半径KD树搜索和LRU缓存策略，有效解决室内SLAM中的双面建图问题，并开源了首个专用数据集。
2025-04-11 cs.RO
