图1｜框架示意：先用相机/IMU等得到短时精确轨迹，再引入GPS等全局信息作锚定；通过统一的图优化把两者对齐并消除漂移，最终获得全局一致的位姿©️【深蓝AI】编译
Autonomous Flights inside Narrow Tunnels【IEEE TRO】
地址：https://arxiv.org/pdf/2505.19657
主要内容：
这项研究面向难以进入的狭窄隧道（最小直径 0.5m），提出一套实时在线的多旋翼自主系统：通过“虚拟全向感知”克服弱纹理/弱光与有限视场，在运动规划中显式建模感知可见性与自体气流扰动（分别基于相机投影与 CFD 分析）；在多处真实窄隧道中，定制四旋翼完成大量飞行实验并表现优于人类飞手，同时给出跨平台部署流程与开源包，为检修/搜救等受限空间作业提供了可复用的工程方案。
图2｜系统设计总览：相机彩色/深度图和 IMU 输出运动估计并融合成地图；从地图抽取“中心线”航点，考虑可见性与自体气流扰动来生成轨迹（位置、偏航、速度），最后转成电机控制。流程：入隧定位与预规划 → 隧内持续重规划 → 出隧后收尾规划©️【深蓝AI】编译
SLIM: Scalable and Lightweight LiDAR Mapping in Urban Environments【IEEE TRO】
地址：https://arxiv.org/pdf/2409.08681
主要内容：
这项研究把原来密密麻麻的 LiDAR 点云，简化成“线”和“面”来表示道路和建筑，让地图更轻、也更好维护；基于这种表示，可以更方便地把不同时间采的地图合在一起，并通过整体优化（把整条轨迹和位置“调顺”）保持局部准确。为了长期使用，系统还能在不明显影响精度的前提下自动压缩不重要的位姿。在 KITTI、NCLT、HeLiPR、M2DGR 等数据上，SLIM 同时做到了精度不降、体量更小、扩展更容易；在 KITTI 上整张城市图大约 130 KB/公里，还能直接拿来做再次定位，这让长期跑车/机器人时的地图存储、更新和复用成本大幅降低。
图3｜SLIM框架总览：先把原始点云提炼成更轻的“线”和“面”，再把不同时间采的地图合成一张全局图。随后用 PGO（位姿图优化） 和 BA（束调整） 做平滑与校正；通过以地图为中心的边缘化，即便长期多次采集，计算与存储也不会爆炸，适合城市级长期建图©️【深蓝AI】编译
Active Contact Engagement for Aerial Navigation in Unknown Environments With Glass【RAL】
地址：https://arxiv.org/pdf/2505.00332
主要内容：
图4｜当视觉判定前方可能是玻璃时，无人机主动前探，用机头两枚触觉传感器轻触表面进行存在性确认；确认无误后再进入后续避障流程©️【深蓝AI】编译
SEPT：Standard-Definition Map Enhanced Scene Perception and Topology Reasoning for Autonomous Driving【RAL】
地址：https://arxiv.org/pdf/2505.12246?
主要内容：
这项研究面向“尽量少依赖昂贵 HD 高精地图”的自动驾驶，提出 SEPT框架，把标准清晰度（SD）地图当作先验信息接入在线感知与拓扑推理：通过混合特征融合把 SD 地图与鸟瞰视角（BEV）特征结合（同时处理栅格/矢量两种表示并缓解二者错位问题），并利用路口特性设计路口感知的关键点辅助任务来强化整体理解；在 OpenLane-V2上对远距离/遮挡等难场景有明显提升，整体效果显著优于现有方法，为更低成本且更稳健的“轻地图”自动驾驶提供了可行路径。
Generalizable and Efficient Scene Graph Registration【IEEE TRO】
地址：https://arxiv.org/pdf/2504.14440
主要内容：
这项研究面向多机器人/先验地图的“对齐”问题，把环境抽象成场景图（节点=物体/语义点，边=关系），并设计网络同时编码三类信息：开放集语义、带空间感知的局部拓扑和形状特征，融合成紧凑的节点描述；前端用由粗到细的匹配找对应，后端用鲁棒位姿估计解出两图的变换，全流程保持稀疏分层表示以减少GPU 占用与通信带宽；训练数据不依赖人工标注，而由视觉基础模型 + 语义建图自动生成；在两智能体 SLAM 基准上，配准成功率显著优于手工特征方案，相比视觉回环网络召回更高且每帧仅约 52 KB通信，代码开源，为低带宽场景下的多机器人地图对齐与共享定位提供了通用基石。
图6｜两机器人 SLAM 的语义场景图对齐：相向采集的 RGB-D 跨视角匹配节点并估计变换，最终把两张图对齐成一张统一地图©️【深蓝AI】编译
GoIRL: Graph-Oriented Inverse Reinforcement Learning for Multimodal Trajectory Prediction【ICML】
地址：https://arxiv.org/pdf/2506.21121
主要内容：
这项研究把轨迹预测从“纯监督学习”转向逆强化学习（IRL）：先用向量化车道图把道路与交互关系表示成“图”，再用特征适配器把图信息汇入栅格空间，在最大熵 IRL框架下学到“隐含奖励”与策略，从而采样出多种合理的未来轨迹；在此基础上，提出分层参数化生成器与精修模块提升精度，并用概率融合提高置信度；在 Argoverse与 nuScenes上取得 SOTA，对未见场景的泛化也优于纯监督方法，为复杂路口与长尾交互场景的稳健预测提供了一条更可解释、可扩展的 IRL 路线。
图7｜上图：GoIRL 总览，基于车道图与 IRL 奖励，先推理意图、再生成多模态轨迹（蓝色为目标车）；下图：T 字路口示例：训练数据标注为“直行”，但测试时路口临时路障出现，模型需自适应只给出“左转”这一路线©️【深蓝AI】编译
Event-based Visual-Inertial State Estimation for High-Speed Maneuvers【IEEE TRO】
地址：
主要内容：
这项研究利用事件相机的超高时间分辨率，提出一套不依赖地图的视觉惯性估计：不再直接求相机位姿，而是先实时恢复线速度（更符合事件相机的“微分式”成像原理）。系统输入为双目事件相机 + IMU，前端从原始事件中计算法向流与深度，后端用连续时间 + 滑窗融合不同步的数据，在线估计速度与 IMU 偏置；在仿真与真实数据上实现低时延、米级标定的速度估计，被作者称为首个面向高速机动的纯事件视觉惯性实时方案，为高速无人机/极端运动场景下的稳健感知提供了更快更稳的路径。
图8｜系统用双目事件流 + IMU 推出当下线速度：(a) 通过水平旋转制造高速运动；(b) 事件数据估计法向流（稀疏、异步）；(c) 在法向流起点估计稀疏深度；(d) 得到机体系下的瞬时线速度示意©️【深蓝AI】编译
Foresight in Motion: Reinforcing Trajectory Prediction with Reward Heuristics【ICCV】
地址：https://arxiv.org/abs/2507.12083?
主要内容：
这项研究把轨迹预测从“直接回归未来”改成“先推理、后预测”：先用基于 IRL 的可解释意图推理器（query-centric IRL）把场景里的车辆与道路要素编码到统一向量表示中，聚合上下文后得到奖励分布，以此推断出多种可能意图作为先验；再用分层解码器（DETR 风格）结合双向状态空间模块生成带概率的未来轨迹。在 Argoverse与 nuScenes上显著提升置信度与性能，为路口博弈、遮挡等不确定场景提供了更可解释且易与规划对接的预测路径.
图9｜上：用感知特征直接回归未来轨迹。下：先基于场景关系推断目标车意图（可选虚线步骤），再生成带概率的多条轨迹，更稳健也更可解释©️【深蓝AI】编译
总结返回搜狐，查看更多
