LIO-PPF: Fast LiDAR-Inertial Odometry via Incremental Plane Pre-Fitting and Skeleton Tracking
Peking University（北京大学）
提出LIO-PPF方法，通过增量平面预拟合（PPF）与iPCA细化追踪3D场景骨架，并引入夹层层消除错误匹配，显著降低LiDAR-惯性里程计的时空复杂度，在保持精度的同时大幅提升速度。
2023-08-03 cs.RO
DL-SLOT: Dynamic Lidar SLAM and Object Tracking Based On Graph Optimization
Tongji University（同济大学）
在自动驾驶系统中，自我姿态估计和动态目标跟踪是两个关键问题。通常对它们做两个假设，即同时定位与地图构建（SLAM）的静态世界假设和目标跟踪的精确自我姿态假设。然而，这些假设在高度动态的道路场景中难以保持，其中SLAM和对象跟踪变得相关且互利。本文提出了一种动态激光雷达SLAM和目标跟踪方法DL-SLOT。该方法将车辆自身以及环境中静态和动态目标的状态估计集成到一个统一的优化框架中，实现SLAM和目标跟踪（SLOT）的同时进行。首先，我们执行目标检测以移除属于潜在动态对象的所有点。然后，使用滤波后的点云进行LiDAR测距。同时，基于滑动窗口中的时间序列信息，将检测到的对象与历史对象轨迹相关联。将滑动窗口中的静态、动态对象和自车的状态统一到一个局部优化框架中。在该框架中，我们同时执行SLAM和对象跟踪，这显著提高了SLAM在高度动态道路场景中的鲁棒性和准确性以及对象状态估计的准确性。在公开数据集上的实验表明，该方法比A-LOAM方法具有更好的准确性。
2022-02-23 cs.AI cs.RO
Dynamic Object Detection and Tracking in Construction: A Fisheye Camera and LiDAR Sensor Fusion Model
Georgia Institute of Technology（佐治亚理工学院）
针对建筑等复杂环境中机器人动态目标检测与跟踪问题，提出融合鱼眼相机与激光雷达传感器的框架，通过在配准点云里识别移动物体、投影坐标分配语义标签并结合图像检测更新卡尔曼滤波器观测，具有高精度、简单且鲁棒的特点。
2026-07-09 cs.CV cs.RO
Swarm-LIO: Decentralized Swarm LiDAR-inertial Odometry
The University of Hong Kong（香港大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
精确的自估计和相对状态估计是完成群任务的关键前提，协同自主探索、目标跟踪、搜索和救援。本文提出了Swarm-LIO：提出了一种完全分散的机群系统状态估计方法，各无人机进行精确的自我状态估计，通过无线通信交换自我状态和相互观测信息，估计相对于（w.r.t.）其余的无人机，都是实时的，只基于激光雷达惯性测量。提出了一种新的基于三维激光雷达的无人机检测、识别和跟踪方法，以获取队友无人机的观测值。然后将相互观测测量与IMU和LiDAR测量紧密耦合，以联合执行自我状态和相对状态的实时和准确估计。大量的真实世界的实验表明，广泛的适应性，复杂的场景，包括GPS拒绝的场景，退化的场景相机（黑夜）或激光雷达（面对一面墙）。与运动捕捉系统提供的地面实况相比，结果表明，厘米级的定位精度优于其他国家的最先进的激光雷达-惯性里程计的单无人机系统。
2023-02-28 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
D-SLAMSpoof: An Environment-Agnostic LiDAR Spoofing Attack using Dynamic Point Cloud Injection
D-SLAMSpoof是一种通过动态点云注入实现的环境无关激光雷达欺骗攻击，利用扫描匹配原理提升攻击成功率，并提出ISD-SLAM作为仅依赖惯性信号的防御方法，有效缓解位置漂移问题。
2026-03-11 cs.RO
P3-LOAM: PPP/LiDAR Loosely Coupled SLAM with Accurate Covariance Estimation and Robust RAIM in Urban Canyon Environment
Shanghai Jiao Tong University（上海交通大学）
基于激光雷达（LiDAR）的同时定位与地图构建（SLAM）技术在自动驾驶领域引起了越来越多的关注。然而，LiDAR-SLAM遭受累积误差，这可以通过全球导航卫星系统（GNSS）显著减轻。精密单点定位（PPP）是一种不依赖于基站的高精度GNSS工作模式，在无人系统中越来越受欢迎。针对LiDAR-SLAM和PPP这两种技术的特点，提出了一种将LiDAR-SLAM和PPP相结合的SLAM系统P3-LOAM（PPP based LiDAR Odometry and Mapping）。为了更好地集成，我们通过使用奇异值分解（SVD）雅可比模型推导LiDAR-SLAM定位协方差，因为SVD提供了迭代最近点（ICP）的显式解析解，这是LiDAR-SLAM中的关键问题。然后提出了一种新的方法来评估估计的LiDAR-SLAM协方差。此外，为了提高GNSS在城市峡谷环境中的可靠性，我们开发了一种LiDAR-SLAM辅助GNSS接收机自主完整性监测（RAIM）算法。最后，我们验证P $^3$ -LOAM与UrbanNav，一个具有挑战性的公共数据集在城市峡谷环境。综合测试结果表明，P3-LOAM在精度和可用性方面优于单点定位（SPP）、PPP、LeGO-LOAM、SPP-LOAM以及UrbanNav出版商提出的松耦合导航系统等基准。
2020-12-04 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
RF-LIO: Removal-First Tightly-coupled Lidar Inertial Odometry in High Dynamic Environments
Xi’an Jiaotong University（西安交通大学）
同时定位与地图构建（SLAM）被认为是智能车辆和移动机器人的基本能力。然而，目前大多数激光雷达SLAM方法是基于静态环境的假设。因此，在具有多个移动对象的动态环境中的定位实际上是不可靠的。本文提出了一种动态SLAM框架RF-LIO，建立在LIO-SAM的基础上，增加了自适应多分辨率距离图像，并使用紧耦合激光雷达惯性里程计首先去除移动物体，然后将激光雷达扫描与子地图匹配。因此，即使在高动态环境中也可以获得精确的姿态。建议的RF-LIO进行了评估，自我收集的数据集和开放的Urbanloco数据集。高动态环境下的实验结果表明，与LOAM和LIO-SAM相比，所提出的RF-LIO的绝对弹道精度可以分别提高90%和70%。RF-LIO是高动态环境中最先进的SLAM系统之一。
2022-06-19 cs.RO
TRLO: An Efficient LiDAR Odometry with 3D Dynamic Object Tracking and Removal
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）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出TRLO动态LiDAR里程计，结合深度学习检测、UKF多目标跟踪与哈希关键帧管理，在动态城市场景中提升定位精度并生成更干净的地图。
2024-10-17 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
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
Benchmark of visual and 3D lidar SLAM systems in simulation environment for vineyards
Lincoln Center for Autonomous Systems, University of Lincoln（林肯大学林肯自主系统中心）
在这项工作中，我们提出了一个比较分析的轨迹估计从各种同时定位与地图构建（SLAM）系统在模拟环境中的葡萄园。葡萄园环境对于SLAM方法是具有挑战性的，这是由于视觉外观随时间变化、不平坦的地形和重复的视觉模式。因此，我们专门为葡萄园创建了一个模拟环境，以帮助在如此具有挑战性的环境中研究SLAM系统。我们评估了以下SLAM系统：LIO-SAM，StaticMapping，ORB-SLAM 2和RTAB-MAP在四种不同的场景。本研究中使用的移动机器人配备了2D和3D激光雷达，IMU和RGB-D相机（Kinect v2）。结果表明，RTAB-MAP在这样的环境中表现良好，令人鼓舞的性能。
2021-07-12 cs.RO
Efficient WiFi LiDAR SLAM for Autonomous Robots in Large Environments
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）
在室内和GPS拒绝环境中运行的自主机器人可以使用LiDAR进行SLAM。然而，LiDAR在几何退化的环境中表现不佳，这是由于环路闭合检测和执行扫描匹配的计算负载的挑战。现有的WiFi基础设施可以用于定位和映射，具有低硬件和计算成本。然而，使用WiFi的准确姿态估计是具有挑战性的，因为由于信号传播的不可预测性，可以在相同位置处测量不同的信号值。因此，我们引入WiFi指纹序列用于SLAM中的姿态估计（即，环路闭合）。这种方法利用了移动机器人移动时获得的位置指纹的空间相干性。这具有更好的校正里程漂移的能力。该方法还结合了LiDAR扫描，从而提高了大型和几何退化环境的计算效率，同时保持了LiDAR SLAM的准确性。我们在室内环境中进行了实验，以说明该方法的有效性。根据均方根误差（RMSE）对结果进行了评估，在测试环境中达到了0.88 m的精度。
2022-06-17 cs.RO
Online Robust Sliding-Windowed LiDAR SLAM in Natural Environments
尽管人们对自主环境监测的兴趣越来越大，但在原生栖息地实现有效的SLAM在很大程度上仍未解决。在本文中，我们填补了这一空白，提出了一种新的在线基于图形的SLAM系统的二维激光雷达传感器在自然环境中。通过采用稳健的加权方案、滑动窗口优化、快速扫描匹配器和并行计算等技术，该系统不仅在复杂环境中具有稳定的性能，而且满足实时性要求。仿真和实验结果验证了该系统总体设计的可行性和有效性。
2021-05-31 cs.RO
Range-Aided LiDAR-Inertial Multi-Vehicle Mapping in Degenerate Environment
Beijing Institute of Technology（北京理工大学）
提出了一种测距辅助的激光雷达-惯性多车测绘系统（RaLI-Multi）。首先，我们设计了一个多度量权重的激光雷达-惯性测距融合的观察从惯性测量单元（IMU）和光探测和测距传感器（LiDAR）。退化水平和方向通过分析特征点云的法向量的分布来评估，并且用于激活退化校正模块，其中距离测量从退化方向校正姿态估计。然后，我们设计了一个多车辆映射系统，其中一个集中的车辆接收每个车辆的本地地图和车辆之间的距离测量，以优化全局姿态图。全球地图被广播到其他车辆用于定位和地图更新，并且集中式车辆是动态可替换的。最后，我们提供了三个实验来验证所提出的RaLI-Multi的有效性。结果表明，该算法在退化环境中具有较好的性能
2023-03-15 cs.RO
Simultaneous Location of Rail Vehicles and Mapping of Environment with Multiple LiDARs
精确、实时的轨道车辆定位以及轨道环境监测对铁路安全至关重要。在这封信中，我们提出了一个多激光雷达为基础的同时定位与地图构建（SLAM）系统的铁路应用。我们的方法从测量预处理开始，对多个LiDAR输入进行降噪和同步。根据LiDAR的放置使用不同的帧到帧配准方法。此外，我们利用提取的轨道的平面约束，以提高系统的精度。利用绝对位置测量进一步将局部地图与全局地图对准。考虑到不可避免的金属磨损和螺钉松动，在长时间的操作过程中，唤醒了在线外部细化。所提出的方法被广泛验证收集超过3000公里的数据集。结果表明，该系统实现了准确和强大的定位以及有效的映射大规模的环境。该系统已应用于某货运铁路的监控任务中。
2021-12-25 cs.RO
When Geometry is not Enough: Using Reflector Markers in Lidar SLAM
Robert Bosch Corporate Research（罗伯特·博世公司研究部）；Bosch Rexroth AG（博世力士乐股份公司）
基于激光雷达的SLAM系统通过依赖于环境的几何形状而在广泛范围的情况下表现良好。然而，当环境包含无结构区域（如长走廊）时，即使是成熟可靠的方法也会遇到困难。为了允许在这样的环境中使用基于激光雷达的SLAM，我们建议在特定位置添加反射器标记，否则这将是困难的。我们提出了一种算法来可靠地检测这些标记和两种方法来融合检测到的标记与基于几何的扫描匹配。所提出的方法的性能表现在现实世界的数据集，从几个工业环境。
2022-11-07 cs.RO
An Integrated LiDAR-SLAM System for Complex Environment with Noisy Point Clouds
当前的LiDAR SLAM（同时定位与地图构建）系统在面对复杂环境时存在精度低和鲁棒性有限的问题。从我们的实验中，我们发现，目前的激光雷达SLAM系统具有有限的性能时，在所获得的点云的噪声水平是大的。因此，在这项工作中，我们提出了一个通用框架，以解决在复杂环境中由反射材料引起的许多噪声和离群值的LiDAR SLAM的去噪和环路闭合问题。现有的点云去噪方法主要是针对小规模点云设计的，不能推广到大规模点云场景。在这项工作中，我们首先提出了一个轻量级的网络大规模点云去噪。随后，我们还设计了一个高效的闭环网络用于全局优化的位置识别，以提高整个系统的定位精度。最后，我们通过大量的实验和基准研究证明，当面对噪声点云时，我们的方法可以显着提高LiDAR SLAM系统的定位精度，同时计算成本略有增加。
2022-12-12 cs.RO
Evaluation of Lidar-based 3D SLAM algorithms in SubT environment
Luleå University of Technology（吕勒奥理工大学）
在缺乏自然或不良照明的恶劣和GPS拒绝地下（SubT）环境中的机器人自主导航是一项具有挑战性的任务，促进了姿势估计和映射算法的发展。受现实生活中的自主机器人在这样的环境中部署的需要，本文提出了一个实验比较研究的3D SLAM算法。这项研究的重点是最先进的激光雷达SLAM算法与开源实现，i）激光雷达只有像BLAM，LOAM，A-LOAM，ISC-LOAM和hdl图形满贯，或ii）激光雷达惯性像乐高LOAM，制图师，LIO映射和LIO-SAM。这些方法的评估是基于从配备3D激光雷达Velodyne Puck Lite和IMU Vectornav VN-100的Boston Dynamics Spot机器人在地下隧道中执行任务期间收集的数据集进行的。在评估过程中，将SLAM算法的姿态和3D隧道重建进行比较，以找到在姿态精度和地图质量方面具有最可靠性能的方法。
2023-03-13 cs.RO
PlaneSLAM: Plane-based LiDAR SLAM for Motion Planning in Structured 3D Environments
Stanford（斯坦福大学）
LiDAR传感器是在未知环境中进行机器人同时定位与地图构建（SLAM）的强大工具，但它们产生的原始点云密集，存储计算成本高，不适合下游自主任务（如运动规划）直接使用。为了与运动规划集成，期望SLAM管线产生轻量几何地图表示。这种表示也特别适合人造环境，通常可以被视为建立在笛卡尔网格上的所谓“曼哈顿世界”。在这项工作中，我们提出了一个三维激光雷达SLAM算法的曼哈顿世界环境中提取平面特征点云，实现轻量级，实时定位和映射。我们的方法产生基于平面的地图，占用显着较少的内存比他们的点云等价物，并适合于快速碰撞检查运动规划。通过利用曼哈顿世界假设，我们的目标是提取正交平面来生成比现有的基于平面的LiDAR SLAM方法更结构化和组织化的地图。我们在高保真AirSim模拟器和配备Velodyne LiDAR的地面漫游车的真实实验中展示了我们的方法。对于这两种情况，我们能够以与10 Hz的传感器速率相匹配的速率生成高质量的地图和轨迹估计。
2022-09-29 cs.RO
AdaLIO: Robust Adaptive LiDAR-Inertial Odometry in Degenerate Indoor Environments
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）
针对固定参数使 LiDAR-惯性里程计在走廊等狭窄室内场景退化发散的问题，本文提出 AdaLIO，通过识别类走廊环境并自适应调整体素化与法向量估计参数来增加对应关系，在公开数据集上验证了鲁棒性。
2023-04-25 cs.RO
D-LIO: 6DoF Direct LiDAR-Inertial Odometry based on Simultaneous Truncated Distance Field Mapping
Service Robotics Laboratory, Universidad Pablo de Olavide（服务机器人实验室，帕布罗·德·奥拉维德大学）
D-LIO通过同时截断距离场映射实现6自由度直接激光雷达-惯性里程计，提升环境感知精度与实时性。
2025-11-27 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
AEOS: Active Environment-aware Optimal Scanning Control for UAV LiDAR-Inertial Odometry in Complex Scenes
School of Electrical and Electronic Engineering（电子工程学院）；Nanyang Technological University（南洋理工大学）；Robotics Institute（机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
针对无人机LiDAR窄视场导致的定位退化问题，受猫头鹰启发提出AEOS框架，融合模型预测控制与强化学习实现自适应扫描控制，显著提升复杂场景下LIO里程计精度。
2025-09-11 cs.RO
Challenges of SLAM in extremely unstructured environments: the DLR Planetary Stereo, Solid-State LiDAR, Inertial Dataset
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Munich（慕尼黑工业大学）
我们提出了DLR行星立体，固态激光雷达，惯性（S3LI）数据集，记录在山。埃特纳，西西里岛，类似于月球和火星的环境，使用手持式传感器套件，其属性适合在类似太空的移动漫游车上实施。该环境的特征在于视觉和结构外观方面的挑战性条件：严重的视觉混叠对视觉SLAM系统执行位置识别的能力构成了重大限制，而缺乏突出的结构细节，加上所使用的固态LiDAR传感器的有限视场，挑战传统LiDAR SLAM单独使用点云进行姿态估计的任务。这些数据覆盖了在软火山斜坡上超过4公里的行程，我们的目标是：1）提供一种工具来揭示最先进的SLAM系统在环境方面的局限性，这些局限性在广泛可用的数据集中不存在，2）激励开发新的定位和映射方法，有效地依赖于两个传感器的互补能力。可通过以下URL访问数据集：https://rmc.dlr.de/s3li_dataset
2022-07-14 cs.RO
Ground-SLAM: Ground Constrained LiDAR SLAM for Structured Multi-Floor Environments
提出了一种三维LiDAR SLAM算法Ground-SLAM，该算法利用结构化多层环境中的地面来压缩主要由LiDAR测量偏差引起的姿态漂移。Ground-SLAM是基于著名的姿态图优化框架开发的。在前端，使用LiDAR测距法（LO）进行运动估计，并引入了一种新的以传感器为中心的滑动映射，该滑动映射通过基于误差传播模型过滤过期特征来保持。在每个关键帧处，滑动地图被记录为局部地图。附近的地面提取和建模为一个无限的平面地标的最近点（CP）参数化的形式。然后，在不同的关键帧观察到的地面相关联，地面约束融合到姿态图优化框架，以压缩姿态漂移的LO。最后，进行环路闭合检测，并联合最小化残差，这可能导致全局一致的地图。实验结果表明，所提出的方法的准确性优越的性能。
2021-03-05 cs.RO
Multi-robot LiDAR SLAM: a practical case study in underground tunnel environments
本文研究了多机器人SLAM在地下隧道环境中的应用，发现环检测是导致假阳性的主要原因，并提出新的启发式方法来解决这一问题。
2026-02-25 cs.RO
A Benchmark for Multi-Modal Lidar SLAM with Ground Truth in GNSS-Denied Environments
University of Turku（图尔库大学）
基于激光雷达的同时定位与地图构建（SLAM）方法在自主机器人系统中获得了相当大的成功。这在一定程度上是由于强大的SLAM算法的高精度以及新的低成本激光雷达产品的出现。这项研究对当前最先进的激光雷达SLAM算法进行了基准测试，其中多模态激光雷达传感器设置展示了不同的扫描模式（旋转和固态）和传感技术，以及安装在移动传感和计算平台上的激光雷达相机。我们扩展了我们以前的多模态多激光雷达数据集与额外的序列和新的来源的真值数据。具体而言，我们提出了一种新的多模态多激光雷达SLAM辅助和ICP为基础的传感器融合方法生成真值地图。有了这些地图，我们然后使用自然分布变换（NDT）方法匹配实时点云数据，以获得具有全6自由度位姿估计的真值。这种新颖的真值数据利用了高分辨率旋转和固态激光雷达。我们还包括新的开放道路序列与GNSS-RTK数据和额外的室内序列与运动捕捉（MOCAP）真值，补充以前的森林序列与MOCAP数据。我们进行了十个不同的SLAM算法和激光雷达组合实现的定位精度的分析。我们还报告了四种不同计算平台和总共五种设置（Intel和Jetson ARM CPU）的资源利用率。我们的实验结果表明，目前最先进的激光雷达SLAM算法执行不同类型的传感器非常不同。更多结果、代码和数据集可以在以下位置找到：\href{https://github.com/TIERS/tiers-lidars-datase…
2022-10-03 cs.RO
LiV-GS: LiDAR-Vision Integration for 3D Gaussian Splatting SLAM in Outdoor Environments
Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
LiV-GS提出一种室外激光雷达-视觉SLAM系统，首次直接对齐稀疏激光雷达数据与可微分三维高斯地图，并通过条件高斯约束实现视场外更新，以7.98 FPS实现高精度建图与新视角合成。
2024-11-19 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
Spatiotemporal Attention Enhances Lidar-Based Robot Navigation in Dynamic Environments
University of Bonn（波恩大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
针对动态室内环境中的低成本机器人导航问题，提出基于二维激光雷达的时空注意力流水线与动态障碍物状态表示，提升泛化性并实现真实机器人部署。
2024-02-28 cs.RO
ART-SLAM: Accurate Real-Time 6DoF LiDAR SLAM
Politecnico di Milano（米兰理工大学）
地面车辆的实时的【形】六自由度姿态估计代表了机器人技术中的一个相关和充分研究的主题，由于其许多应用，例如自动驾驶和3D地图绘制。虽然已经有了一些系统，但它们要么不准确，要么在实时的【形】设置中很吃力。在本文中，我们提出了一个快速，准确和模块化的激光雷达SLAM系统的批量和在线估计。我们首先应用下采样和离群点去除，以过滤掉噪声并减小输入点云的大小。过滤后的云然后用于姿态跟踪和地板检测，以地面优化估计的轨迹。与过滤过程并行工作的预跟踪器的可用性允许获得预先计算的里程，以在执行跟踪时用作辅助。通过g2 o姿态图实现的高效循环闭合和姿态优化是所提出的SLAM流水线的最后步骤。我们比较了我们的系统的性能与国家的最先进的点云为基础的方法，LOAM，LEGO-LOAM，A-LOAM，LEGO-LOAM-BOR和HDL，并表明，该系统实现了相等或更好的精度，甚至可以很容易地处理没有循环的情况下。使用KITTI和辐射数据集评估估计的轨迹位移进行比较。
2021-09-12 cs.RO
Real-Time LiDAR Gaussian Splatting SLAM
Sungkyunkwan University（成均馆大学）
提出基于激光雷达的高斯点云拼接SLAM实时框架，将快速G-ICP配准与球形光栅化密集映射紧密结合，利用激光雷达几何信息优化地图，引入几何分数改进效果，在多数据集实验验证其性能。
2026-07-07 cs.CV cs.RO
SLIM: Scalable and Lightweight LiDAR Mapping in Urban Environments
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong University（香港大学）
SLIM是一种用于城市环境长期LiDAR建图的可扩展轻量级系统，通过将点云参数化为线和平面，结合位姿稀疏化方法，在保证精度的同时实现低内存消耗（约130 KB/km）。
2025-03-26 cs.RO
NV-LIO: LiDAR-Inertial Odometry using Normal Vectors Towards Robust SLAM in Multifloor Environments
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院（KAIST））
针对多层室内环境下现有LIO点云配准困难的问题，提出基于法向量的NV-LIO框架，通过法向量匹配、退化调整和视角回环提升配准鲁棒性，经多数据集验证有效且代码将开源。
2024-05-26 cs.RO
Environment-Adaptive Solid-State LiDAR-Inertial Odometry
School of Automation Chongqing University of Posts（自动化学院 重庆邮电大学）；Department of Survey Engineering, Faculty of Engineering Chulalongkorn University Bangkok, Thailand（工程学院 测绘工程系 朱拉隆功大学 泰国曼谷）；School of Cyberspace Security Hangzhou Dianzi University Hangzhou, China（网络空间安全学院 杭州电子科技大学 杭州中国）
提出一种集成局部法向量约束与退化感知地图维护的环境自适应固态激光雷达-惯性里程计，以解决极端环境下的几何退化与观测不可靠导致的定位漂移和地图不一致问题。
2026-05-28 cs.RO
Complex Urban LiDAR Data Set
Department of Civil and Environmental Engineering, KAIST（韩国科学技术院（KAIST）土木与环境工程系）
本文提出了一种针对复杂城市环境的光探测和测距（LiDAR）数据集。城市环境中的高层建筑和拥挤的交通对许多机器人应用提出了重大挑战。所呈现的数据集是独特的，因为它能够捕捉城市环境的真实特征（例如大都市地区，大型建筑群和地下停车场）。在数据集中提供了作为LiDAR传感器的典型类型的二维（2D）和三维（3D）LiDAR的数据。两个16射线3D激光雷达在两侧倾斜，以获得最大的覆盖范围。一个2D LiDAR面向后，而另一个面向前，分别收集道路和建筑物的数据。来自光纤陀螺仪（FOG）、惯性测量单元（IMU）和全球定位系统（GPS）的原始传感器数据以文件格式呈现，用于车辆姿态估计。应用图同时定位与地图构建（SLAM）算法后，给出了100 Hz下车辆的姿态估计信息。为了方便开发，在Robot操作系统（ROS）环境下的文件播放器和数据查看器也通过网页发布。完整的数据集可在http://irap.kaist.ac.kr/dataset上查阅。在本网站中，使用WebGL提供每个数据集的3D预览。
2018-03-16 cs.RO
Efficient Dynamic LiDAR Odometry for Mobile Robots with Structured Point Clouds
Technical University of Darmstadt（达姆施塔特工业大学）
针对城市搜索与救援场景中移动机器人的动态激光雷达里程计问题，提出一种高效流水线，通过复用数据、距离图像分割与残差启发式区分动静态目标，在保证检测性能的同时提升计算效率，实现点级别非刚性目标检测且无信息损失。
2024-11-27 cs.RO
Development of a Service Robot for Hospital Environments in Rehabilitation Medicine with LiDAR Based Simultaneous Localization and Mapping
Joldasbekov Institute of Mechanics and Engineering（卓尔达斯别科夫力学与工程研究所）
本研究开发了集成3D LiDAR与NDT匹配的医院服务机器人，通过SLAM实现自主导航，显著提升医疗环境中的导航精度与运行可靠性。
2024-11-07 cs.RO
Autonomous Navigation in Dynamic Human Environments with an Embedded 2D LiDAR-based Person Tracker
ETH Zürich（苏黎世联邦理工学院）
本文提出一种基于2D LiDAR的嵌入式实时人员跟踪与避障流水线，集成于导航规划框架，在四足机器人上实现85.45%的MOTA和20Hz实时运行，有效提升了动态环境中的轨迹优化与避障能力。
2024-12-19 cs.RO cs.SY eess.SY
Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry
The University of Hong Kong（香港大学）；Southern University of Science and Technology（南方科技大学）
提出了一种用于LiDAR测距的高效概率自适应体素映射方法。该地图是体素的集合;每个体素包含一个平面（或边缘）特征，该特征能够实现环境的概率表示和新LiDAR扫描的准确配准。我们进一步分析了粗到细的体素映射的需要，然后使用一种新的体素映射组织的哈希表和八叉树有效地建立和更新地图。我们建议的体素地图的迭代扩展卡尔曼滤波器，并构造一个最大后验概率问题的姿态估计。在开放的KITTI数据集上的实验表明，与其他最先进的方法相比，我们的方法具有较高的准确性和效率。非重复扫描激光雷达的非结构化环境的室外实验进一步验证了我们的映射方法对不同环境和激光雷达扫描模式的适应性。我们的代码和数据集在Github上开源
2022-07-08 cs.RO
Factor Graph Accelerator for LiDAR-Inertial Odometry
Tianjin University（天津大学）；PerceptIn（PerceptIn公司）；University of Rochester（罗切斯特大学）
因子图是一个图表示的概率分布函数的因式分解，并已被用于许多自主机器计算任务，如定位，跟踪，规划和控制等，我们正在开发一个架构的目标是使用因子图作为一个共同的抽象大多数，如果不是，所有的自主机器计算任务。如果成功，该架构将提供一个非常简单的接口，将自主机器功能映射到底层计算硬件。作为这种尝试的第一步，本文介绍了我们最近的工作，开发一个因子图加速器的激光雷达惯性里程计（LIO），在许多自主机器，如自动驾驶汽车和移动机器人的一项重要任务。通过将LIO建模为因子图，所提出的加速器不仅支持多传感器融合，如LiDAR、惯性测量单元（IMU）、GPS等，而是以批量或增量模式解决机器人导航的全局优化问题。我们的评估表明，所提出的设计显着提高了自主机器导航系统的实时性能和能源效率。初步的成功表明了将因子图体系结构推广为自治机器计算的公共抽象的潜力，包括跟踪，规划和控制等。
2022-09-06 cs.AR cs.RO
A Tightly Coupled LiDAR-IMU Odometry through Iterated Point-Level Undistortion
扫描去畸变是高动态环境下激光测距的关键技术之一。现有的研究主要集中在单程去失真上，这意味着在整个LiDAR-IMU里程计管道中仅对每个点进行一次去失真。在本文中，我们提出了一种基于优化的紧耦合LiDAR-IMU里程计解决迭代点级失真。通过联合最小化来自LiDAR和IMU测量的成本，我们的LiDAR-IMU里程计方法在高动态环境中表现得更准确和鲁棒。此外，该方法通过限制参数的数量，具有很好的计算效率。
2022-09-28 cs.CV 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
Advanced techniques and applications of LiDAR Place Recognition in Agricultural Environments: A Comprehensive Survey
University Institute for Engineering Research（工程研究院）；Miguel Hernández University（米格尔·海纳尔德大学）
本文综述了农业环境中激光雷达地点识别的最新技术与应用，探讨了其挑战、现有方法及未来研究方向。
2026-01-29 cs.AI cs.ET cs.RO
Adaptive Lidar Scan Frame Integration: Tracking Known MAVs in 3D Point Clouds
University of Turku（图尔库大学）
微型飞行器（MAV）在多个行业和应用领域变得无处不在。只有机载飞行控制器和最小传感器套件的轻型微型飞行器（例如，IMU、视觉和垂直测距传感器）具有作为移动和易于部署的传感平台的潜力。当从地面机器人部署时，一个关键参数是地面机器人和MAV之间的相对定位。提出了一种在激光雷达点云中跟踪微型飞行器的新方法。在激光雷达点云中，我们考虑MAV的速度和距离，以主动适应激光雷达的帧积分时间，本质上是要处理的点云的密度和大小。我们表明，这种方法可以更持久和强大的跟踪时，MAV的速度或其距离的跟踪传感器的变化。此外，我们提出了一种多模态跟踪方法，该方法依赖于高频扫描进行精确的状态估计，低频扫描进行鲁棒性和持久性跟踪，以及亚Hz处理进行轨迹和对象识别。这三种集成和处理模式允许总体准确和鲁棒的MAV跟踪，同时确保被跟踪的对象满足形状和尺寸约束。
2021-04-29 cs.RO
UAV Tracking with Solid-State Lidars:Dynamic Multi-Frequency Scan Integration
University of Turku（图尔库大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
针对复杂环境下无人机跟踪难题，提出基于固态激光雷达的动态多频率扫描积分跟踪方法，融合双频扫描并结合逆协方差交集法与卡尔曼滤波，实现与基线相当且单频场景下更可靠精准的跟踪效果。
2023-07-18 cs.RO
ROS 2-Based LiDAR Perception Framework for Mobile Robots in Dynamic Production Environments, Utilizing Synthetic Data Generation, Transformation-Equivariant 3D Detection and Multi-Object Tracking
Chair of Intelligence in Quality Sensing (IQS), Laboratory for Machine Tools and Production Engineering (WZL), RWTH Aachen University（亚琛工业大学机床与生产工程实验室质量感知智能教席）；The Sirindhorn International Thai-German Graduate School of Engineering (TGGS), King Mongkut’s University of Technology North Bangkok (KMUTNB)（北曼谷先皇技术大学泰德国际工程研究生院）
本文提出基于ROS 2的LiDAR框架，通过合成数据训练的变换等价3D检测与多目标跟踪，提升动态生产环境中机器人对6D姿态估计和多目标跟踪的鲁棒性，实验结果在72种场景中达到83.12%的IoU和91.12%的高阶跟踪精度。
2026-04-02 cs.RO
Evaluating the Performance of Multi-Scan Integration for UAV LiDAR-based Tracking
University of Turku（图尔库大学）
本文评估了多扫描集成方法在GNSS受限环境中使用固态激光雷达和卡尔曼滤波器跟踪无人机的性能，结果表明该方法能实现较低的位置误差，是一种可行的跟踪方案。
2023-05-10 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
Towards Robust UAV Tracking in GNSS-Denied Environments: A Multi-LiDAR Multi-UAV Dataset
University of Turku（图尔库大学）；Swiss Federal School of Technology in Zurich - ETH Zurich（苏黎世联邦理工学院）
针对GNSS拒止环境，提出一个多LiDAR多无人机数据集，包含多种传感器和室内外场景，并基准测试现有算法，揭示当前方法在不同场景下无法一致跟踪的缺陷。
2023-10-13 cs.RO
UAV Tracking with Lidar as a Camera Sensors in GNSS-Denied Environments
University of Turku（图尔库大学）
提出融合单个 LiDAR-as-a-camera 传感器生成的全景图像与点云，利用自定义 YOLOv5 检测并实时持续跟踪无先验初始位置的无人机。
2023-08-14 cs.RO
Visibility-Aware Cooperative Tracking with Decentralized LiDAR-Based Aerial Swarms
Department of Mechanical Engineering, The University of Hong Kong（香港大学机械工程系）；School of Intelligent System Engineering, Sun Yat-sen University（中山大学智能系统工程学院）
本文提出了一种基于去中心化激光雷达的群体协同跟踪框架，通过SSDF度量和电势启发分布度量，实现复杂环境中的可视化目标跟踪与动态群体重构。
2026-07-30 cs.RO
