Multi-modal curb detection and filtering
Scania（斯堪尼亚）
可靠的道路边界知识对于自主车辆导航至关重要。我们提出了一个强大的路边检测和过滤技术的基础上融合的相机语义和密集的激光雷达点云。通过融合多个激光雷达来收集激光雷达点云，以进行鲁棒的特征检测。相机语义是基于修改后的EfficientNet架构，该架构是用从机载鱼眼相机收集的标记数据进行训练的。在利用鱼眼模型投影将点云投影到图像空间中之后，利用$L_2$范数分析将点云与最近的路缘线段相关联。接下来，使用无监督的基于密度的空间聚类对所选择的点进行聚类，以检测不同的路边区域。当在连续帧中检测到新的路缘点时，使用时间可达性约束将它们与现有路缘簇相关联。如果没有找到可达性约束，则从这些新点形成新的路缘簇。这确保我们可以检测到多个路缘存在于由多个车道组成的路段中，如果它们在传感器的视野中。最后，应用Delaunay滤波去除离群点，并将其性能与传统的基于RANSAC的滤波进行比较。使用从商业地图供应商获得的包含地面实况路缘点的高清地图对所提出的解决方案进行客观评估。所提出的系统已被证明能够检测任何方向的路缘石在复杂的城市道路场景，包括直线道路，弯曲的道路，和交叉口与交通岛。
2022-05-14 cs.CV cs.RO
Distributed Kalman--Consensus Filtering with Adaptive Uncertainty Weighting for Multi-Object Tracking in Mobile Robot Networks
本文提出了一种自适应不确定性加权的分布式卡尔曼-一致性滤波器，用于改进移动机器人网络中多目标跟踪的鲁棒性，通过动态调整邻居信息影响以减少不可靠数据的影响。
2026-03-11 cs.RO cs.SY eess.SY
Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements
Singapore University of Technology and Design（新加坡科技设计大学）；University of Jaffna（贾夫纳大学）；Southwest University of Science and Technology（西南科技大学）
在没有基础设施的情况下，自主机器人之间的相对定位对于在许多应用中实现其导航、路径规划和编队是至关重要的，例如紧急响应，在这些应用中获取环境的先验知识是不可能的。传统的超宽带（UWB）的方法提供了一个很好的估计机器人之间的距离，但获得相对位姿（包括位移和方向）仍然是具有挑战性的。我们提出了一种方法来估计一组机器人之间的相对姿态，每个机器人配备多个UWB测距节点。我们确定两个机器人之间的姿态最小化的残余误差的测距测量从所有UWB节点。为了提高定位精度，我们建议通过基于滑动窗口的优化利用里程限制。最后将优化后的位姿与测距融合在粒子滤波算法中，实现移动机器人群的位姿跟踪。我们已经进行了大量的实验，以验证所提出的方法的有效性。
2021-07-30 cs.AI cs.RO
Retrieval and Localization with Observation Constraints
OPPO Research Institute（OPPO研究院）
精确的视觉重定位对于许多人工智能应用非常关键，例如增强现实、虚拟现实、机器人和自动驾驶。为了完成这一任务，我们提出了一个集成的视觉重定位方法称为RLOCS相结合的图像检索，语义一致性和几何验证，以实现准确的估计。本地化管道被设计为一个由粗到细的范例。在检索部分，我们级联的ResNet 101-GeM-ArcFace的架构，并采用DBSCAN空间验证，以获得一个更好的初始粗糙姿态。我们设计了一个称为观测约束的模块，它结合了几何信息和语义一致性来过滤离群值。在开放数据集上进行了全面的实验，包括R-Oxford 5 k和R-Paris 6 k上的检索，Cityscapes上的语义分割，Aachen Day-Night和InLoc上的本地化。通过创造性地修改整个管道中的单独模块，我们的方法在具有挑战性的本地化基准测试中实现了许多性能改进。
2021-08-19 cs.CV cs.RO
Robust Monocular Localization of Drones by Adapting Domain Maps to Depth Prediction Inaccuracies
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
通过联合训练基于深度学习的深度预测和基于贝叶斯滤波的姿态推理，我们提出了一种新的单目定位框架。所提出的跨模态框架在模型可扩展性和对环境变化的容忍度方面显著优于仅深度学习的预测。具体来说，即使使用轻量级深度预测器进行极差的深度估计，我们也几乎没有显示姿态准确性的下降。与标准深度学习相比，即使没有明确的领域自适应，我们的框架也能在极端光照变化中保持高姿态准确度。通过公开表示地图和中间特征地图（如深度估计），我们的框架还允许更快的更新和重用中间预测用于其他任务，如避障，从而提高资源效率。
2022-10-27 cs.AI cs.CV cs.LG
GP-Localize: Persistent Mobile Robot Localization using Online Sparse Gaussian Process Observation Model
National University of Singapore（新加坡国立大学）；Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工学院研究与技术联盟）
机器人探索和绘图的核心是在以空间相关测量为特征的环境领域中进行持续定位的任务。本文提出了一种高斯过程定位（GP-本地化）算法，在现有的作品相比，可以利用空间相关的领域测量机器人的探索（而不是依赖于以前的训练数据）有效地和可扩展地学习GP观察模型在线通过我们提出的新的在线稀疏GP。因此，GP-Localize能够实现恒定的时间和内存（即，独立于数据的大小），这证明了使用GPS进行持久机器人定位和自主性的实际可行性。通过真实世界数据集的模拟实验和真实机器人实验的经验评估表明，GP-Localize优于现有的GP定位算法。
2014-04-22 cs.LG cs.RO stat.ML
(MGS)$^2$-Net: Unifying Micro-Geometric Scale and Macro-Geometric Structure for Cross-View Geo-Localization
Department of Precision Instrument, Tsinghua University, Beijing 100084, China（精密仪器系，清华大学，北京100084，中国）
(MGS)$^2$-Net通过融合微几何尺度与宏几何结构，解决跨视角地理定位中的几何错位问题，实现高精度和鲁棒性的定位性能。
2026-03-06 cs.CV cs.RO
Learning-based Bias Correction for Time Difference of Arrival Ultra-wideband Localization of Resource-constrained Mobile Robots
Institute for Aerospace Studies, University of Toronto（多伦多大学航空航天研究所）；Vector Institute for Artificial Intelligence（矢量人工智能研究院）
准确的室内定位是许多机器人应用的关键技术，从仓库管理到监控任务。基于超宽带（UWB）到达时间差（TDOA）的定位是一种很有前途的轻量级、低成本解决方案，可以扩展到大量设备，使其特别适合于资源受限的多机器人应用。然而，标准的，商用UWB无线电的定位精度往往是不够的，由于显着的测量偏差和离群值。在这封信中，我们解决这些问题，提出了一个强大的UWB TDOA定位框架，包括（i）基于学习的偏差校正和（ii）基于M估计的鲁棒滤波处理离群值。我们的方法的关键特性是，（i）学习的偏见推广到不同的UWB锚设置和（ii）该方法是计算效率足够的资源受限的硬件上运行。我们在Crazyflie纳米四轴飞行器上展示了我们的方法。实验结果表明，所提出的定位框架，仅依赖于板载IMU和UWB，提供了一个平均的42.08%的定位误差减少（在三个不同的锚设置）相比，基线方法没有偏置补偿。{We还示出了使用我们的UWB TDOA定位方法的四轴飞行器上的自主轨迹跟踪。
2021-03-02 cs.LG cs.RO
Multiparticle Kalman filter for object localization in symmetric environments
Novosibirsk Technology Center（新西伯利亚技术中心）；Schlumberger（斯伦贝谢）；Skoltech（斯科尔科沃科学技术研究院）；AIRI（人工智能研究所）
本研究针对复杂对称环境下的目标定位问题，提出一种新颖的多粒子卡尔曼滤波器。解决定位问题的两类众所周知的滤波算法是基于卡尔曼滤波器的方法和基于粒子滤波器的方法。我们认为这些类，证明他们的互补性，并提出了一种新的过滤算法，采取最好的两个类。我们评估的多粒子卡尔曼滤波器在对称和噪声环境。这样的环境对于这两类经典方法来说尤其具有挑战性。我们比较了所提出的方法与粒子滤波，因为只有这种方法是可行的，如果初始状态是未知的。在所考虑的具有挑战性的环境中，我们的方法优于粒子滤波在定位误差和运行时间。
2023-03-14 cs.AI cs.RO
DeepLocalization: Landmark-based Self-Localization with Deep Neural Networks
Ulm University（乌尔姆大学）
我们解决了多模态传感器信息和参考地图的车辆自定位问题。通过从车辆的视野中提取地标来离线生成地图，同时类似地在飞行中收集测量结果。我们的目标是从地标测量和地图地标确定自动驾驶车辆的姿态。为了学习这种映射，我们提出了DeepLocalization，这是一种深度神经网络，可以从无序和动态输入地标中回归车辆的平移和旋转参数。所提出的网络架构是鲁棒的动态环境的变化，可以应付少量的提取的地标。在训练过程中，我们依赖于综合生成的地面实况。在我们的实验中，我们评估了两种推理方法在现实世界中的场景。我们表明，DeepLocalization可以与常规GPS信号和滤波算法（如扩展的卡尔曼滤波器）相结合。我们的方法达到了最先进的精度，并且比相关工作快了大约10倍。
2019-07-19 cs.CV cs.LG cs.RO
Invariant filtering for wheeled vehicle localization with unknown wheel radius and unknown GNSS lever arm
Aix-Marseille Univ（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）；OFFROAD（OFFROAD（研究机构））；MINES Paris PSL（巴黎矿业学院PSL）；PSL Research University（PSL研究大学）
针对轮径未知、GNSS天线安装位置未知的轮式机器人定位问题，本文调整两帧系统不变卡尔曼滤波理论，提出具有自治误差方程、状态无关雅可比矩阵的不变扩展卡尔曼滤波，仿真性能优异，拓展了不变滤波的应用范围。
2024-09-11 cs.RO
Robust 3D Localization and Tracking of Sound Sources Using Beamforming and Particle Filtering
CSIRO ICT Centre（澳大利亚联邦科学与工业研究组织信息与通信技术中心）；Université de Sherbrooke（谢布鲁克大学）
在本文中，我们提出了一种新的强大的声源定位和跟踪方法，使用一个阵列的八个麦克风（美国专利申请中）。该方法使用一个转向波束形成器的基础上的可靠性加权相位变换（RWPHAT），以及基于粒子滤波器的跟踪算法。所提出的系统是能够估计的方向和源的距离。在视频会议环境中，方向估计的精度优于一度，而距离的精度在10% RMS内。跟踪多达三个同时移动的扬声器证明在嘈杂的环境中。
2016-02-27 cs.RO cs.SD
3D Water Quality Mapping using Invariant Extended Kalman Filtering for Underwater Robot Localization
University of Maryland（马里兰大学）；University of Maryland Centre for Environmental Science（马里兰大学环境科学中心）
针对传统水质测绘受时间与深度限制的问题，提出用配备 GPS 和传感器的 BlueROV2 结合不变扩展卡尔曼滤波定位，在牡蛎养殖场实现可上浮校正的三维水质测绘。
2025-02-19 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
F$^3$Loc: Fusion and Filtering for Floorplan Localization
ETH Zürich（苏黎世联邦理工学院）；Microsoft Mixed Reality & AI Lab（微软混合现实与人工智能实验室）
针对平面图内自定位问题，提出F$^3$Loc概率模型，通过单视图与多视图水平深度预测融合及时间滤波，在普通硬件上实时运行并显著超越现有方法。
2025-05-14 cs.CV cs.RO
GPS-DRIFT: Marine Surface Robot Localization using IMU-GPS Fusion and Invariant Filtering
Department of Naval Architecture and Marine Engineering at the University of Michigan（密歇根大学海军建筑与海洋工程系）
本文扩展DRIFT框架，提出GPS-DRIFT方法，通过不变扩展卡尔曼滤波融合GPS与IMU数据，并利用对地航向信息实现偏航角校正，在BlueBoat平台上验证了无漂移定位与可靠航向估计，并开源了解决方案。
2025-07-02 cs.RO
Source localization using particle filtering on FPGA for robotic navigation with imprecise binary measurement
Indian Institute of Science（印度科学研究所）；Western Sydney University（西悉尼大学）
粒子滤波是一种递归贝叶斯估计技术，最近在跟踪和定位应用中得到了普及。它使用蒙特卡罗模拟，并已被证明是一种非常可靠的技术来模拟物理系统的非高斯和非线性元素。粒子滤波器由于其非分析和非参数性质而在非高斯和非线性设置中优于各种其他传统滤波器，如卡尔曼滤波器。然而，粒子滤波器的显著缺点是它们的计算复杂性，这抑制了它们在基于常规CPU或DSP的实现方案的实时应用中的使用。本文对现有的粒子滤波算法进行了改进，提出了一种高速专用的硬件结构。该体系结构采用流水线和并行化的设计，以减少执行时间显着。该设计验证的源定位问题，其中我们估计的位置，在实时使用粒子滤波算法实现的硬件上的源。验证设置依赖于顶部带有光电二极管外壳的无人地面车辆（UGV）来感测和定位光源。我们已经原型的设计使用Artix-7现场可编程门阵列（FPGA），和资源利用率为拟议的系统。此外，我们展示了高速架构的执行时间和估计精度，并观察到计算时间的显着减少。我们在FPGA上实现的粒子滤波器是可扩展的和模块化的，处理1024个粒子的执行时间约为5.62 us，可以部署用于实时应用。
2020-10-22 cs.RO eess.SP
BEV-Patch-PF: Particle Filtering with BEV-Aerial Feature Matching for Off-Road Geo-Localization
University of Texas at Austin（德克萨斯大学奥斯汀分校）；DEVCOM Army Research Laboratory（国防部陆军研究实验室）
BEV-Patch-PF通过结合鸟瞰图与空域特征匹配，实现了无GPS的非公路地理定位，显著降低轨迹误差并实现实时运行。
2026-03-09 cs.CV cs.RO
Autonomous Robotic Radio Source Localization via a Novel Gaussian Mixture Filtering Approach
Faculty of Engineering and Applied Sciences（工程与应用科学学院）；Cranfield University（克兰菲尔德大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）；Cho Chun Shik Graduate School of Mobility（Cho Chun Shik 移动研究生院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对未知环境下自主机器人无线电源定位的部分可观测与测量不确定问题，提出新型高斯混合滤波器，经数值基准与野外实验验证，其性能优于粒子滤波器，兼具低计算量与高鲁棒性。
2025-06-13 cs.RO eess.SP
Semantic Mapping with Simultaneous Object Detection and Localization
University of Michigan（密歇根大学）
我们提出了一种基于过滤的语义映射方法，同时检测对象和本地化的6自由度的姿态。对于我们的方法，称为上下文时间映射（或CT地图），我们表示的语义地图作为一个信念，对象类和构成整个观察到的场景。语义映射问题的推理，然后建模的条件随机场（CRF）的形式。CT-Map是一种CRF，它考虑两种形式的关系潜力，以说明对象之间的上下文关系和对象姿态的时间一致性，以及对观察的测量潜力。然后，提出了一种粒子滤波算法进行推理的CT-Map模型。我们证明了CT-Map方法的有效性与密歇根州的进步获取机器人配备RGB-D传感器。我们的研究结果表明，基于粒子滤波的CT地图推理提供了改进的目标检测和姿态估计相对于基线方法，将观察作为一个场景的独立样本。
2018-10-26 cs.RO
D-CLIPSE: Distributed Consensus-based Localization with Passive Listening on Shared State Exchange
研究多机器人定位问题，提出基于分布式共识的滤波框架，通过共享预积分里程计和相关共享状态实现定位，在模拟和实验中验证，精度和一致性接近集中式方法，优于当前分散式方法。
2026-07-10 cs.RO
Coevolution Based Adaptive Monte Carlo Localization (CEAMCL)
提出了一种基于生态物种协同进化机制的自适应蒙特卡罗定位算法。样本被聚类成物种，每个物种代表机器人姿势的一个假设。由于物种间的协同进化保证了多个不同的假设可以被稳定地跟踪，因此可以解决在高度对称环境中使用MCL时的早熟收敛问题。并利用种群增长模型，根据机器人位姿的不确定性，自适应地调整样本量。此外，通过在演化计算中引入交叉和变异算子，种内进化可以驱动样本向期望后验密度较大的区域移动。因此，小尺寸的样本可以很好地代表所需的密度，以便进行精确的定位。新算法被称为基于协同进化的自适应蒙特卡罗定位（CEAMCL）。实验证明了该算法的有效性。
2004-11-08 cs.RO
Predictive Modeling in AUV Navigation: A Perspective from Kalman Filtering
本文提出一种安全导向框架，通过卡尔曼滤波提升AUV定位精度和轨迹预测，增强通信中断时的搜索效率。
2026-03-28 cs.RO
PFilter: Building Persistent Maps through Feature Filtering for Fast and Accurate LiDAR-based SLAM
University of Science and Technology of China（中国科学技术大学）
基于激光传感器的同时定位与地图构建（SLAM）已被移动机器人和自主车辆广泛采用。这些SLAM系统需要以有限的计算资源支持精确定位。特别地，点云配准，即，在全局坐标框架中匹配和对准在多个位置处收集的多个LiDAR扫描的过程被认为是SLAM中的瓶颈步骤。在本文中，我们提出了一个特征过滤算法，PFilter，可以过滤掉无效的功能，从而可以大大缓解这一瓶颈。同时，由于精心策划的特征点，整体配准精度也得到了提高。我们将PFilter集成到完善的扫描到地图LiDAR测距框架F-LOAM中，并在KITTI数据集上评估其性能。实验结果表明，PFilter算法可以去除局部特征图中约48.4%的点，平均减少19.3%的扫描特征点，每帧节省20.9%的处理时间。与此同时，我们提高了9.4%的准确性。
2022-08-31 cs.RO
Particle Filter Networks with Application to Visual Localization
NUS Graduate School for Integrative Sciences and Engineering（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）
粒子滤波是一种功能强大的方法，顺序状态估计，并发现在许多领域的应用，包括机器人定位，对象跟踪，在实践中应用粒子滤波等，一个关键的挑战是构建概率系统模型，特别是对于系统具有复杂的动态或丰富的感官输入，如摄像机图像。本文介绍了粒子滤波网络（PFnet），它编码的系统模型和粒子滤波算法在一个单一的神经网络。PF网络是完全可区分的，并从数据中进行端到端的训练。它不是学习通用系统模型，而是学习针对粒子滤波算法优化的模型。我们将PF-网应用于视觉定位任务，其中机器人必须在丰富的3-D世界中进行定位，仅使用示意性的2-D楼层地图。在仿真实验中，PF网络在各种传感器输入下的性能始终优于其他学习架构以及传统的基于模型的方法。此外，PF-net可以很好地推广到新的、看不见的环境。
2018-10-25 cs.AI cs.CV cs.LG
Multi-Robot Relative Pose Estimation in SE(2) with Observability Analysis: A Comparison of Extended Kalman Filtering and Robust Pose Graph Optimization
Inha University（仁荷大学）
本研究针对多机器人相对位姿估计的可观测性，比较EKF与鲁棒PGO在仿真和硬件实验中的精度，提出不同感知通信结构下的估计方案。
2024-02-04 cs.CV cs.RO cs.SY
Robust Underwater Localization of Buoyancy Driven microFloats Using Acoustic Time-of-Flight Measurements
Applied Physics Laboratory University of Washington Seattle, WA, USA（应用物理实验室 华盛顿大学 塞维亚, 美国）
本文提出了一种基于双向声学时间飞行测量的稳健水下定位方法，通过过滤技术显著降低定位误差，提高微浮体的定位鲁棒性。
2025-12-13 cs.RO
Memory-efficient particle filter recurrent neural network for object localization
Novosibirsk Technology Center（新西伯利亚技术中心）；Schlumberger（斯伦贝谢）；AIRI；Skoltech（斯科尔科沃科学技术研究院）
本研究针对噪声环境下的目标定位问题，结合经典粒子滤波思想与GRU RNN架构提出内存高效的mePFRNN模型，其参数量不随环境规模变化，在对称高噪环境中定位精度更优且参数更少。
2023-10-02 cs.AI cs.RO
Region Prediction for Efficient Robot Localization on Large Maps
University of Bologna（博洛尼亚大学）
已经探索过的地方（A.K.A.）位置识别）是同时定位与地图构建（SLAM）中的基本任务，以实现机器人重新定位和环路闭合检测。在拓扑SLAM中，通过将与当前节点相关联的签名（或特征向量）与已知地图中的节点的签名进行比较来进行识别。然而，随着节点数量的增加，将当前节点签名与所有现有节点签名进行匹配变得效率低下，并且阻碍了实时导航。在本文中，我们提出了一种新的方法来预先选择一个子集的地图节点的地方识别。地图节点在探索期间被聚类，并且每个聚类与区域相关联。区域标签成为深度神经网络的预测目标，并且在导航期间，仅考虑与以高概率预测的区域相关联的节点进行匹配。虽然所提出的技术可以集成在不同的SLAM方法，在这项工作中，我们描述了一个有效的集成与RTAB-Map（一个流行的实时拓扑SLAM框架），使我们能够设计和运行几个实验，以证明其有效性。实验中的所有代码和材料都可以在https://github.com/MI-BioLab/region-learner上获得。
2023-03-01 cs.AI cs.LG cs.RO
MarsLGPR: Mars Rover Localization with Ground Penetrating Radar
University of Michigan Robotics Department（密歇根大学机器人学系）；University of Michigan Space Institute（密歇根大学太空研究所）
提出利用探地雷达（GPR）辅助火星车定位，开发基于GPR的深度学习模型预测一维相对位姿平移，并将其与惯性和轮式编码器数据融合于滤波框架，实验证明其在高滑移环境中优于轮式编码器并改善多模态滤波估计，同时发布了首个火星模拟环境GPR定位数据集。
2025-11-03 cs.LG 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
EndoSensorFusion: Particle Filtering-Based Multi-sensory Data Fusion with Switching State-Space Model for Endoscopic Capsule Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）；Louisiana State University（路易斯安那州立大学）；Institute for Systems and Robotics, University of Coimbra（科英布拉大学系统与机器人研究所）
可靠的实时的多传感器融合功能对于主动控制胶囊式内窥镜机器人的定位至关重要，胶囊式内窥镜机器人是一种新兴的胃肠道微创诊断和治疗技术。在这项研究中，我们提出了一种新的多传感器融合方法的基础上的粒子滤波器，采用了在线估计传感器的可靠性和非线性运动学模型学习的递归神经网络。我们的方法顺序估计真正的机器人姿态从多个传感器提供的噪声姿态观测。我们实验测试的方法，使用5度的自由度（5-DoF）的绝对姿态测量的磁定位系统和6-DoF的相对姿态测量的视觉里程计。此外，所提出的方法能够通过忽略损坏的数据来检测和处理传感器故障，从而提供医疗设备所期望的鲁棒性。详细的分析和评价，使用离体实验猪胃模型证明，我们的系统实现了不同类型的内窥镜胶囊机器人轨迹的高平移和旋转精度。
2017-09-25 cs.RO
AIMS: An Adaptive Integration of Multi-Sensor Measurements for Quadrupedal Robot Localization
College of Automation Chongqing University of Posts
AIMS通过自适应融合LiDAR、IMU和腿里程计，提升四足机器人在退化环境中的定位精度和鲁棒性。
2026-01-04 cs.RO
Machine Learning in Appearance-based Robot Self-localization
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Kharkevich Institute for Information Transmission Problems RAS（哈尔克维奇信息传输问题研究所（俄罗斯科学院））
在机器学习框架下，研究了基于外观的机器人自定位问题。外观空间由所有可能的图像组成，这些图像可以由机器人的视觉系统在所有机器人定位下捕获。使用最近的流形学习和深度学习技术，我们提出了一个新的几何动机的解决方案的基础上训练数据组成的一组有限的图像在已知位置的机器人。该解决方案包括估计从外观空间到机器人定位空间的机器人定位映射，以及估计用于建模视觉图像特征的逆映射。后者允许解决机器人定位问题的卡尔曼滤波问题。
2017-10-04 cs.CV cs.LG cs.RO
DiffPF: Differentiable Particle Filtering with Generative Sampling via Conditional Diffusion Models
Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，国立新加坡大学）
DiffPF通过条件扩散模型实现高精度后验采样，提升动态系统状态估计性能。
2026-01-11 cs.RO
ToF-Wheel Odometry: Navigating Degeneration of Localization With Limited Sensing Capabilities
Deptrum Ltd.（德图科技有限公司）
本文提出TWO框架，将车轮运动学与ToF相机几何约束耦合，通过退化感知协方差策略和帧内反馈循环，提升了有限传感下轮式里程计的定位精度与鲁棒性。
2026-10-14 cs.CV cs.RO
Active Neural Localization
Carnegie Mellon University（卡内基梅隆大学）
定位是从环境的观察和地图估计自主智能体的位置的问题。传统的定位方法，过滤的信念的基础上的观察，是次优的步骤所需的数量，因为它们不决定采取的行动的代理。我们提出了"主动神经定位器"，一个完全可微的神经网络，学习准确和有效地定位。该模型结合了传统的基于过滤的定位方法的思想，通过使用一个结构化的信念的状态与乘法的相互作用来传播信念，并将其与一个政策模型相结合，以准确定位，同时最大限度地减少定位所需的步骤。主动神经定位器通过强化学习进行端到端训练。我们使用各种模拟环境，我们的实验，其中包括随机的2D迷宫，随机迷宫的毁灭战士游戏引擎和虚幻游戏引擎中的照片般逼真的环境。在2D环境中的结果显示了在理想化设置中学习策略的有效性，而在3D环境中的结果显示了模型从基于原始像素的RGB观测中联合学习策略和感知模型的能力。我们还表明，在Doom环境中对随机纹理进行训练的模型可以很好地推广到虚幻引擎中的照片般逼真的办公空间环境。
2018-01-24 cs.AI cs.LG cs.RO
Physics-Regularized Machine Learning for Proprioceptive Vehicle Localization Using Onboard Sensors
AImotion Bavaria, Technische Hochschule Ingolstadt（巴伐利亚AImotion公司，英戈尔施塔特技术应用大学）；Technische Universität München（慕尼黑工业大学）
研究针对自主移动系统中车辆定位问题，提出物理正则化机器学习框架PRML2，结合卡尔曼滤波与数据驱动学习优势，通过可微卡尔曼滤波器实现物理正则化学习，提升定位精度与泛化能力，在公开数据集上验证其性能并引入新数据集。
2026-07-08 cs.AI cs.LG cs.RO
PCR-ORB: Enhanced ORB-SLAM3 with Point Cloud Refinement Using Deep Learning-Based Dynamic Object Filtering
Yuan Ze University（元智大学）
PCR-ORB通过深度学习优化点云细化，提升动态环境中ORB-SLAM3的定位与建图精度。
2025-12-29 cs.CV cs.RO
RadLoc: Radar-based 3-DoF Global Localization via Fast, Robust, and Lightweight Spatial Descriptor Across Diverse Environmental Scenarios
Electrical Engineering, Inha University（电子工程系，延世大学）
本文提出RadLoc，通过1D CA - CFAR滤波加速预处理，利用旋转雷达图像近程优势设计描述符与检索策略，结合相位相关姿态估计，在多数据集实验中保持最小描述符大小和最快检索时间，实现稳健的3自由度全局定位。
2026-10-30 cs.RO
Graph-based Robot Localization Using a Graph Neural Network with a Floor Camera and a Feature Rich Industrial Floor
Robotics Research Institute, Section Information Technology, TU Dortmund University（机器人研究 institute，信息科技部，图卢兹多特蒙德大学）；Fraunhofer IML（弗劳恩霍夫IML研究所）
针对传统Lidar或QR-code定位方法在复杂环境中的可扩展性和适应性限制，本研究提出一种基于图表示和图卷积网络（GCNs）的机器人定位框架，利用地面相机捕获的特征丰富工业地面特征进行定位，实现0.64cm误差的高精度定位，并在每帧中解决被绑架机器人问题，无需复杂滤波过程。
2025-08-08 cs.CV cs.RO
Whisker-Inspired Tactile Sensing for Contact Localization on Robot Manipulators
Stanford University（斯坦福大学）
通过触摸感知环境对于机器人在混乱的环境中到达很重要，但是设计一种在不干扰物体的情况下感知的方法是具有挑战性的。这项工作提出了胡须启发传感器的设计和建模，这些传感器附着在机器人操纵器的表面上，通过光接触来感知周围环境。我们获得一个传感器模型使用的校准过程，适用于直和弯曲的胡须。然后，我们提出了一个传感算法，使用贝叶斯滤波定位接触点。该算法结合了准确的本体感觉的机器人和传感器读数从胡须的偏转。我们的研究结果表明，我们的算法能够跟踪接触点与亚毫米精度，优于基线方法。最后，我们展示了我们的传感器和感知方法在现实世界中的系统中，机器人之间的移动独立的对象，并使用触须传感器跟踪接触跟踪对象轮廓。
2022-10-22 cs.RO
Robot Localization Using a Learned Keypoint Detector and Descriptor with a Floor Camera and a Feature Rich Industrial Floor
Fraunhofer IML（弗劳恩霍夫物流研究所）
提出KOALA框架，利用深度神经网络从工业地板图像提取关键点特征，无需可读标记即可实现高精度机器人定位，位置误差2cm，有效解决机器人绑架问题。
2025-04-04 cs.CV cs.RO
Delta Descriptors: Change-Based Place Representation for Robust Visual Localization
Queensland University of Technology（昆士兰科技大学）；Monash University（蒙纳士大学）
视觉位置识别具有挑战性，因为有很多因素会导致一个地方的外观发生变化，从昼夜周期到季节变化再到大气条件。近年来，已经开发了大量方法来解决这一挑战，包括深度学习的图像描述符，域转换和顺序滤波，所有这些方法都具有通用性和速度敏感性等缺点。在本文中，我们提出了一种新的描述符，来自跟踪任何学习的全局描述符随时间的变化，称为三角洲描述符。增量描述符通过考虑沿路线观察到的地点之间的时间差异，以无监督的方式减轻在原始描述符匹配空间中引起的偏移。像所有其他方法一样，Delta描述符有一个缺点-帧到帧的波动性-可以通过将它们与顺序滤波方法相结合来克服。使用两个基准数据集，我们首先单独展示了Delta描述符的高性能，然后在与基于序列的匹配相结合时展示了新的最先进的性能。我们还提出的结果表明，该方法与四种不同的底层描述符类型，和其他两个有益的属性相比，现有的技术的三角洲描述符：其增加的固有鲁棒性的变化，在相机运动和降低的性能退化率，作为降维应用。源代码可在https://github.com/oravus/DeltaDescriptors上获得。
2020-07-30 cs.CV cs.IR cs.LG
