l A Convolutional Neural Network Vision System Approach to Indoor Autonomous Quadrotor Navigation
提出了一个CNN的无人机自主飞行的方法，可以检测墙或者交叉路口，允许2m/s的速度航行。
l Active SLAM using Connectivity Graphs as Priors
提出了一种拓扑图的方法，将一些工厂等固定环境作为先验知识来提高SLAM的稳定性
l Advanced Autonomy on a Low-Cost Educational Drone Platform
一个用于教学的无人机平台
l An Autonomous Quadrotor System for Robust High-Speed Flight Through Cluttered Environments Without GPS
通过两个双目广角相机定位无人机到以建好的地图中，提前规划路径并跟踪路径---悉尼大学
l Automatic Annotation for Semantic Segmentation in Indoor Scenes
提出了一种用于视频序列的逐个像语义注释的自动方法。
l CALC2.0: Combining Appearance, Semantic and Geometric Information for Robust and Efficient Visual Loop Closure
传统地回环检测多依赖于几何特征和视觉信息，更好地方法时从深度神经网络中提取语义，外观和几何特征。本文提出了一种结合几何特征和CNN地方法，有很好地鲁棒性实时性。
l Cooperative Range-only SLAM based on Sum of Gaussian Filter in Dynamic Environments
一种协同动态RO-SLAM算法，是一种基于高斯滤波器和与动态环境协同地方法，集成了所有节点间地测量结果以进行定位，其地图估计误差很小，收敛速度快，还可以跟踪动态环境下任何节点地运动。----韩国首尔智能机器人研究中心
l Coverage Sampling Planner for UAV-enabled Environmental Exploration and Filed Mapping
提出了一种高效地无人机采样器，以适应无人机电源约束，有效探索未知环境。
l CubeSLAM: Monocular 3D Object SLAM
提出了一种在静态和动态环境中用于单图像3D长方体目标检测和多视图目标SLAM方法。通过识别目标边缘，利用运动目标地运动模型约束来改善相机位姿估计。Cmu-物体级SLAM
l Data Flow ORB-SLAM for Real-Time Performance on Embedded GPU Boards
介绍了如何修改和自定义开源算法ORB-SLAM2, 以便在TX2上实时运行，采用数据流范式来处理图像，从而有效获得cpu/GPU负载分配，可以获得每秒约30帧地处理速度。Github已开源。
l DeepVIO: Self-Supervised Deep Learning of Monocular Visual Inertial Odometry Using 3D Geometric Constraints
https://luyao777.github.io/2020/02/13/DeepVIO.html
l Degeneracy in Self-Calibration Revisited and a Deep Learning Solution for Uncalibrated SLAM
提出一种基于CNN地无棋盘校准工具。
l Dense 3D Reconstruction for Visual Tunnel Inspection using Unmanned Aerial Vehicle
提出了一种利用动态结构、束调整和可用地几何先验来稳健地估计摄像机地姿态，使用最少量地图像来重建类似隧道的稠密3D场景
l Efficient Autonomous Robotic Exploration With Semantic Road Map in Indoor Environments
本文提出了一个新的综合性的框架，提供室内机器人进行自主探索。SRM基本概念时构造一个图，集成了环境的语义和结构信息，在勘探中使用拓扑图，本文基于SRM提出了一种具有语义信息的新颖决策模型用于在探索过程中确立NBV，。。可以在SRM上高效查询该信息，从而实现对环境的有效探索。
l Efficient Environment Guided Approach for Exploration of Complex Environments
提出了一种自动机器人解决方案，主要贡献时通过评估地图的前沿区域以最大化覆盖范围来找到下一个最佳视图的新策略。
l Fast Time-optimal Avoidance of Moving Obstacles for High-Speed MAV Flight
提出了一种可以有效的方法获得平滑，时间的最优的轨迹来使MAV躲避移动障碍物。先计算出起点到任意目标状态（位置、速度、加速度）的n维轨迹。最终在避开障碍物的时候的时候仍然保持时间最优。
l Fast Trajectory Planning for Multiple Quadrotors using Relative Safe Flight Corridor
提出了一种在障碍物密集的环境下多四旋翼飞行器的轨迹规划方法，使用了安全飞行走廊。
l FIESTA：Fast Incremental Euclidean Distance Fields for Online Motion Planning of Aerial Robots
ESDF用于空中机器人的在线运动规划，可以轻松查询障碍物的距离和坡度信息，快速增量构建的ESDF映射是进行是是运动计划的瓶颈，本文提出了FIESTA的映射系统，已开源。
l Flight Recovery of MAVs with Compromised IMU
在对抗性攻击研究表明，许多常用的IMU易受物理特性攻击，常规冗余方法无法有效抵抗此类攻击，本文提出了一种针对IMU受损情况的容错解决方案，使用单独的航向信息和位置来恢复位置姿态。
l Graph-based Path Planning for Autonomous Robotic Exploration in Subterranean Environments
地下环境中基于图的自主勘探路径规划的新策略，地下环境通常是由狭窄隧道和多支节拓扑网络，有效识别无冲突路径。
l Informed Region Selection for Efficient UAV-based Object Detectors:Altitude-aware Vehicle Detection with CyCAR Dataset
一个基于深度学习的无人机检测车辆。
l LiDAR Based Navigable Region Detection for Unmanned Surface Vehicles
利用无人机对狭窄河流上航行的通航区域检测，（相机不可靠？？）所以用3D雷达。
l Map-Aware SLAM with Sparse Map Features
https://www.youtube.com/watch?v=p-pLd7LNwRE
l MAVNet: an Effective Semantic Segmentation Micro-Network for MAV-based Tasks
一个小型的轻量化的深度神经网络，用于在微型飞行器上进行实时语义分割，在速度和精度上进行了权衡，在TX2可以9帧每秒进行。
l Monocular Object and Plane SLAM in Structured Environments
介绍了使用高级目标和平面的单目SLAM, 与基于特征点的SLAM相比，构建的地图更密集，更紧凑且语义更有意义。
l Online Trajectory Generation of a MAV for Chasing a Moving Target in 3D Dense Environments
是一个在复杂环境下对配备视觉传感器的移动目标追踪任务，追赶者能够同时处理碰撞和遮挡，提高飞行效率。
l ORB-SLAM-Atlas: A Robust and Accurate Multi-Map System
包含了一个强大的多地图合并算法。能够检测具有公共区域的子地图并将其无缝融合。ORB的鲁棒性和准确性的原因是它能检测关键帧之间的宽基线匹配，并通过非线性优化来匹配它，但它只能处理单个地图。因此本文将宽基线匹配检测和开发带到多个地图领域，使SLAM系统更见通用和强大。
l Physical Orienteering Problem for Unmanned Aerial Vehicle Data Collection Planning in Environments With Obstacles
不懂
l Semantically Assisted Loop Closure in SLAM Using NDT Histograms
结合使用深度分布网络的语义和正太分布变换（NDT）点云配准
l Spatiotemporal Representation of Dynamic Scences(动态场景的时空表示)
提出了由移动主体感知的动态场景的新的表示，动态场景相对于静态场景的相对位置发生了变化，这种类型的环境要使用常规的几何方法不断更新地图信息。验证这种环境表示法提高了场景感知的鲁棒性和准确性，简化了感知模块的处理和复杂性，同时更改后的表示方法还可以更好的优先注意机器人周围的移动目标，无需考虑欧几里得距离，而实要考虑交互作用时间(TTI)。
l Stereo Visual-Inertial SLAM Using Graph-Based Optimization
l Virtual Maps for Autonomous Exploration with Pose SLAM
提出了一个基于分段辅助位姿SLAM的探索框架，适用于更好的定位，该探索将位置的界标明确建模维潜在变量并预测其预期确定性，以解决SLAM密集实例中界标状态的缺失。