ICRA2020论文整理(SLAM + Deep Learning)

参考: https://github.com/PaoPaoRobot/ICRA2020-paper-list

目录: 

1. SLAM

2. Deep Learning in Robotics and Automation

3. Localization

4. Sensor Fusion

5. Calibration and Identification

6. Semantic Scene Understanding

7. Reinforcement Learning for Robotics

8. Omnidirectional Vision

9. Human Detection and Tracking

10. Range Sensing

11. Recognition

12. RGB-D Perception

13. Object Detection, Segmentation and Categorization

14. Autonomous Vehicle Navigation

15. Mapping


1. SLAM

  • Real-Time Graph-Based SLAM with Occupancy Normal Distributions Transforms

  • Spatio-Temporal Non-Rigid Registration of 3D Point Clouds of Plants

  • Uncertainty-Based Adaptive Sensor Fusion for Visual-Inertial Odometry under Various Motion Characteristics

  • Loam_livox: A Fast, Robust, High-Precision LiDAR Odometry and Mapping Package for LiDARs of Small FoV

  • Active SLAM Using 3D Submap Saliency for Underwater Volumetric Exploration

  • Are We Ready for Service Robots? the OpenLORIS-Scene Datasets for Lifelong SLAM

  • Intensity Scan Context: Coding Intensity and Geometry Relations for Loop Closure Detection

  • TextSLAM: Visual SLAM with Planar Text Features

  • FlowNorm: A Learning-Based Method for Increasing Convergence Range of Direct Alignment

  • Redesigning SLAM for Arbitrary Multi-Camera Systems

  • Dynamic SLAM: The Need for Speed

  • GradSLAM: Dense SLAM Meets Automatic Differentiation

  • Long-Term Place Recognition through Worst-Case Graph Matching to Integrate Landmark Appearances and Spatial Relationships

  • Linear RGB-D SLAM for Atlanta World

  • Stereo Visual Inertial Odometry with Online Baseline Calibration

  • Lidar-Monocular Visual Odometry Using Point and Line Features

  • Probabilistic Data Association Via Mixture Models for Robust Semantic SLAM

  • Closed-Loop Benchmarking of Stereo Visual-Inertial SLAM Systems: Understanding the Impact of Drift and Latency on Tracking Accuracy

  • Metrically-Scaled Monocular SLAM Using Learned Scale Factors

  • Inertial-Only Optimization for Visual-Inertial Initialization

  • Hierarchical Quadtree Feature Optical Flow Tracking Based Sparse Pose-Graph Visual-Inertial SLAM

  • Keypoint Description by Descriptor Fusion Using Autoencoders

  • Towards Noise Resilient SLAM

  • LAMP: Large-Scale Autonomous Mapping and Positioning for Exploration of Perceptually-Degraded Subterranean Environments

  • Modeling Semi-Static Scenes with Persistence Filtering in Visual SLAM

  • Broadcast Your Weaknesses: Cooperative Active Pose-Graph SLAM for Multiple Robots

  • FlowFusion: Dynamic Dense RGB-D SLAM Based on Optical Flow

  • Efficient Algorithms for Maximum Consensus Robust Fitting (I)

  • MulRan: Multimodal Range Dataset for Urban Place Recognition

  • GPO: Global Plane Optimization for Fast and Accurate Monocular SLAM Initialization

  • Large-Scale Volumetric Scene Reconstruction Using LiDAR

  • Topological Mapping for Manhattan-Like Repetitive Environments

  • Structure-Aware COP-SLAM

  • Robust RGB-D Camera Tracking Using Optimal Key-Frame Selection

  • Voxgraph: Globally Consistent, Volumetric Mapping Using Signed Distance Function Submaps

  • DeepFactors: Real-Time Probabilistic Dense Monocular SLAM

  • DOOR-SLAM: Distributed, Online, and Outlier Resilient SLAM for Robotic Teams

  • Windowed Bundle Adjustment Framework for Unsupervised Learning of Monocular Depth Estimation with U-Net Extension and Clip Loss

  • StructVIO : Visual-Inertial Odometry with Structural Regularity of Man-Made Environments (I)

  • Flow-Motion and Depth Network for Monocular Stereo and Beyond

  • Online LiDAR-SLAM for Legged Robots with Robust Registration and Deep-Learned Loop Closure

  • Hybrid Camera Pose Estimation with Online Partitioning for SLAM

  • Analysis of Minima for Geodesic and Chordal Cost for a Minimal 2D Pose-Graph SLAM Problem

  • Voxel Map for Visual SLAM

2. Deep Learning in Robotics and Automation

  • Learning 3D-Aware Egocentric Spatial-Temporal Interaction Via Graph Convolutional Networks

  • C-3PO: Cyclic-Three-Phase Optimization for Human-Robot Motion Retargeting Based on Reinforcement Learning

  • AP-MTL: Attention Pruned Multi-Task Learning Model for Real-Time Instrument Detection and Segmentation in Robot-Assisted Surgery

  • Automatic Gesture Recognition in Robot-Assisted Surgery with Reinforcement Learning and Tree Search

  • Towards Privacy-Preserving Ego-Motion Estimation Using an Extremely Low-Resolution Camera

  • ACNN: A Full Resolution DCNN for Medical Image Segmentation

  • RoNIN: Robust Neural Inertial Navigation in the Wild: Benchmark, Evaluations, & New Methods

  • Segmenting 2K-Videos at 36.5 FPS with 24.3 GFLOPs: Accurate and Lightweight Realtime Semantic Segmentation Network

  • Temporally Consistent Horizon Lines

  • Full-Scale Continuous Synthetic Sonar Data Generation with Markov Conditional Generative Adversarial Networks

  • Real-Time Soft Body 3D Proprioception Via Deep Vision-Based Sensing

  • A General Framework for Uncertainty Estimation in Deep Learning

  • Learning Local Behavioral Sequences to Better Infer Non-Local Properties in Real Multi-Robot Systems

  • Unsupervised Geometry-Aware Deep LiDAR Odometry

  • SA-Net: Robust State-Action Recognition for Learning from Observations

  • A Generative Approach for Socially Compliant Navigation

  • Scalable Multi-Task Imitation Learning with Autonomous Improvement

  • Motion2Vec: Semi-Supervised Representation Learning from Surgical Videos

  • PointAtrousGraph: Deep Hierarchical Encoder-Decoder with Point Atrous Convolution for Unorganized 3D Points

  • Learning Error Models

内容概要:本文介绍了“快速LDP-MST”这一针对大型数据集的高效基于密度峰值的聚类方法,并提供了完整的Matlab代码实现。该方法通过构建最小生成树(MST)并融合密度峰值聚类思想,有效提升了传统算法在处理大规模、复杂分布数据时的聚类效率与准确性,尤其适用于高维与非球形簇结构的数据分析任务。文章不仅阐述了算法的核心原理与技术优势,还强调了科研过程中逻辑思维、创新意识与“借力”工具的重要性,倡导研究者善用现有资源加速科研进程。; 适合人群:具备一定编程基础,特别是熟悉Matlab语言,从事数据科学、机器学习、模式识别或相关领域的科研人员、工程师及研究生;尤其适合正在开展聚类算法研究或需要高效处理大规模数据的开发者。; 使用场景及目标:①在大规模数据集中实现高效、精确的聚类分析;②研究基于密度与图论结合的聚类算法设计原理与优化路径;③通过提供的Matlab代码快速搭建实验环境,验证算法性能,或在此基础上进行二次开发与算法改进。; 阅读建议:此资源以Matlab代码为核心支撑,建议读者结合算法理论与工程实践,按照文档结构循序渐进地学习,充分利用所提供的网盘代码与模型资源,动手运行、调试并可视化算法结果,从而深入理解快速LDP-MST算法的设计思想与实现细节,提升科研效率与创新能力。
内容概要:本文围绕考虑电动汽车灵活性的微网多时间尺度协调调度问题展开研究,提出了一种基于Matlab的代码实现方案。研究充分利用电动汽车作为移动储能单元所具有的时空灵活性,将其整合到微网能量管理系统中,构建了涵盖日前计划与实时调整两个时间尺度的协调优化调度模型。模型综合考虑了可再生能源(如光伏发电)的波动性、负荷需求变化、分时电价机制以及电动汽车用户的充放电行为等多重因素,通过建立以最小化系统综合运行成本为目标的优化问题,并结合适当的约束条件,采用优化算法求解,从而实现对微网内多种分布式资源的高效协同调度。该方法有效提升了微网对可再生能源的消纳能力和系统运行的经济性与稳定性。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事微网、智能电网相关工作的工程技术人员。; 使用场景及目标:①用于教学与科研中深入理解微网多时间尺度调度的机制与建模方法;②为实际微网工程项目中引入电动汽车参与需求响应与调度提供理论依据和可复用的仿真工具;③支撑在能源互联网背景下开展关于需求响应、分布式能源集成及灵活性资源优化利用的前沿研究。; 阅读建议:建议读者结合提供的Matlab代码,逐步理解从问题建模、目标函数设计、约束条件设定到最终优化求解的完整流程,重点关注电动汽车灵活性建模与多时间尺度协调策略的具体实现方式。同时,可通过修改电动汽车渗透率、改变充电策略或调整电价信号等参数进行扩展实验,以深化对系统灵活性资源调度效果与影响因素的理解。
内容概要:本文档围绕“源网荷储”背景下的现代电力系统优化问题,重点研究基于二阶锥规划(SOCP)的主动配电网优化调度方法,并结合Matlab与Simulink平台实现仿真建模。内容涵盖高渗透率电动汽车接入对配电网承载能力的影响评估、源---储协同优化、多时间尺度调度、分布式能源并网控制、储能管理、需求响应及电力系统稳定性分析等关键技术。文档提供了丰富的科研选题与完整的Matlab/Simulink代码实现案例,展示了SOCP在电力系统优化中的建模优势,同时延伸至机器学习、路径规划、信号处理等交叉学科应用,突出数学规划与智能算法在提升系统灵活性与稳定性方面的作用。; 适合人群:适用于具备电力系统、电气工程、自动化或相关专业背景,熟悉Matlab/Simulink仿真环境,从事新能源并网、微电网优化、综合能源系统等方向研究的科研人员、研究生及工程技术人员,尤其适合正在开展高水平学术论文写作或项目开发的专业人士。; 使用场景及目标:①开展含高比例可再生能源与电动汽车接入的配电网承载能力评估与优化调度研究;②掌握基于SOCP的电力系统二阶锥松弛建模与求解方法;③学习光伏、储能、电动汽车等多元设备的协同控制与仿真建模技术;④实现源网荷储协同下的多时间尺度优化策略与Matlab代码开发;⑤拓展至机器学习、路径规划、信号处理等跨学科研究方向。; 阅读建议:建议结合文档附带的网盘资源与完整代码包,按照研究主题循序渐进地实践仿真模型,重点关注SOCP建模流程、YALMIP等优化工具箱的应用,通过复现经典案例加深对电力系统优化理论与工程实现的理解,并在此基础上进行创新性扩展。
内容概要:本文围绕“基于谐波线性化的并网VSG逆变器正负序阻抗模型研究”展开,结合Matlab代码与Simulink仿真实现,系统探讨了虚拟同步发电机(VSG)在并网运行条件下,尤其是在不平衡电网环境中,其正负序阻抗的建模理论与方法。研究采用谐波线性化技术对VSG这一强非线性系统进行精确的小信号线性化处理,克服了传统线性化方法在处理时变、非线性系统时的局限性,从而建立了能够准确反映系统动态特性的序阻抗模型。该模型为分析VSG并网系统与弱电网之间的交互稳定性提供了坚实的理论基础,并通过详细的仿真验证了所建模型的有效性与准确性,对于提升新能源并网系统的稳定运行能力具有重要意义。; 适合人群:具备电力电子、新能源并网、电力系统自动化或自动控制等相关专业背景,熟练掌握Matlab/Simulink仿真工具,从事新能源发电、微电网控制、阻抗建模与稳定性分析等方向的硕士/博士研究生、科研人员及工程技术人员。; 使用场景及目标:① 深入掌握VSG在电网电压不平衡等复杂工况下的精确建模方法;② 学习并应用谐波线性化这一先进理论解决非线性、时变系统的线性化难题;③ 实现并提取VSG系统的正负序阻抗,完成扫频仿真与奈奎斯特判据分析;④ 评估并网系统的稳定性,为解决实际工程中的振荡问题提供依据,支撑高水平学术论文的撰写与科研项目的深入实施。; 阅读建议:建议读者结合文中提供的Matlab代码与Simulink仿真模型进行同步操作与验证,重点关注谐波线性化的具体实现步骤、关键参数的设置依据以及仿真结果与理论推导的一致性,通过反复调试与对比,深化对VSG系统动态行为和稳定性机理的理解。
内容概要:本文档《STK入门手册》系统介绍了AGI公司开发的Satellite Tool Kit(STK)软件的基本用法与核心功能,涵盖用户界面操作、地图窗口设置、各类对象(如卫星、航天器、设施、传感器等)的创建与属性定义,以及高级分析模块如高精度轨道预测(HPOP)、长周期轨道内容概要:预测(LOP)、地形本文档为与高分辨率地图《STK入门手册》,介绍了Sat的应用。手册还详细说明了Scellite Tool Kit(STK)软件的基本用enarios的时间设置、单位法与核心功能,配置、数据库管理重点涵盖用户界面操作、地图窗口设置、场景及动画演示等功能,帮助用户进行全面(Scenario)管理的卫星系统仿真、卫星及各类与分析。;对象(如航天器、设施、传感器 适合人群:适用于等)的创建与刚接触STK的新属性配置。手册手用户以及具备详细说明了STK一定经验的卫星系统分析的专业技术特性,包括人员,尤其适合从事高精度轨道预测(HPOP)、长航天、遥感、周期轨道分析(LO通信等领域工程技术人员P)、地形与高分辨率地图模块和研究人员。;、姿态模拟与指向 使用场景及目标:①用于、数据可视化等功能卫星轨道设计、,并提供了对象管理覆盖分析、通、动画设置、单位路计算、传感器配置、数据库调建模等航天用等实用操作任务仿真;指导。附录还包含术语表、文件②支持复杂空间格式说明及高级技术注释。; 适合人群:从事环境下的高精度动力学建模与可视化卫星系统分析、航天分析,提升系统设计与决策效率工程、轨道设计;③辅助等相关领域的科研人员和技术教学培训与工程项目工程师,尤其适合初学者和有一定实践,实现从基础操作到高级经验的STK用户功能的全面掌握。。; 使用; 阅读建议:建议场景及目标:①用于学习和掌握结合STK软件STK软件的基础实际操作同步学习,重点关注操作与高级分析功能;②支持各章节中的属性卫星轨道仿真、覆盖设置与操作流程分析、通路,注意手册中标计算、传感器建注的Notes、模等航天任务的规划与评估;③Hints和Warnings以避免常见错误,辅助教学培训与推荐配合官方教程工程项目中的空间态势与数据库资源深化可视化与数据分析。理解。; 阅读建议:建议结合软件实际操作同步阅读,重点关注各章节中的属性设置、投影类型选择及高级模块说明,注意手册中标注的Notes、Hints和Warnings以避免常见错误。
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值