Learning Wheel Odometry and IMU Errors for Localization
机构：PSL Research University
提供了一个当摄像头无法提供信息时，使用惯性传感器数据（真实值-测量值）的损失函数来训练高斯过程，并在学习得到的模型上建立扩展卡尔曼滤波，
Visual SLAM: Why Bundle Adjust
机构：Queensland University of Technology
提出了一种新的优化方式，针对单目SLAM在慢动作和纯旋转运动的问题。
Project AutoVision-Localization and 3D Scene Perception for an Autonomous Vehicle with a Multi-camera System
旨在为自动驾驶车辆开发定位和3D场景感知功能，采用多个摄像头，可实现360度覆盖和精确的多视角双目。利用多视图几何和深度学习，使得车辆能3D空间中进行定位和感知。本文概述了该项目，描述了传感器套件以及校准，定位和感知领域的当前进展。
A Variational Observation Model of 3D Object for Probabilistic Semantic SLAM
提出了一个完整的概率语义SLAM的贝叶斯目标观测模型，物体检测和特征提取的研究有助于提高场景理解和三维重建。一般目标的三维形状太复杂而不能形成概率观测模型，并且单目RGB相机仅能观察物体的单视图。针对这些问题，对于3D目标进行近似，并从目标的二维图像估计其可能性以利用其观测到的单个视图。
FMD Stereo SLAM: Fusing MVG and Direct Formulation Towards Accurate and Fast Stereo SLAM
提出了一个新的视觉SLAM框架，该框架充分利用基于关键特征的多视图几何和基于直接法的优势，前端，系统直接利用恒定运动模型来预测初始姿态，重投影局部地图来获取坐标对应。
Sensor-Failure-Resilient Multi-IMU Visual-Inertial Navigation
提出了一种实时多IMU的视觉惯性导航系统，利用对个IMU信息来对抗单个IMU故障。并且IMU之一为基础，其余用作辅助传感器。，在线校准IMU。
机构：Department of Mechanical Engineering, University of Delaware, Newark
LookUP-Vision-Only Real-Time Precise Underground Localisation for Autonomous Mining Vehicles
针对地下采矿车辆实施精确定位，之前的工作提出了一个基于粗视觉的定位系统，该系统可以存储地图，定位在地下采矿环境几米处。这里提出了一个新的精确定位系统“LookUP”，学会了基于神经网络的像素采样策略，该算法对面向天花板的摄像头估计单应性而无需标记，可以再有限的计算资源上实时运行，实现了大约每秒5帧的实时性能，并大大提高了平均定位误差。
机构：Queensland University of Technology ,Australia
Robot Localization Based on Aerial Images for Precision Agriculture Tasks in Crop
利用杂草、农作物、草茎来定位无人机的位置
Fast and Robust Initialization for Visual-Inertial SLAM
提供了一个初始化的 方案，能够显著的减小误差
KO-Fusion - Dense Visual SLAM with Tightly-Coupled Kinematic and Odometry Tracking
机构：Imperial College London, Stefan Leutenegger Dyson Robotics Lab
CNN-SVO: Improving the Mapping in Semi-Direct Visual Odometry Using Single-Image Depth Prediction
机构：University of Alberta, UPM
传统的SVO是进行直接的像素映射，本文通过深度预测来预测初始化特征位置处的均值和方差来改进SVO,显著减少初始化地图点的深度不确定性。
Multi-Task Template Matching for Object Detection, Segmentation and Pose Estimation Using Depth Images
Robust Object-based SLAM for High-speed Autonomous Navigation
机构：MIT, CSAIL
提出了一个用于高速自主导航的稳健SLAM, 识别目标，并进行边框检测，图像纹理和语义信息来推断目标的参数
Safely Probabilistically Complete Real-time Planning and Exploration in Unknown Environment
提出了一个新的运动规划框架，在安全的情况下抵达目标点。
机构：UC Berkeley Department of Electrical Engineering and Computer Sciences
Visual Representations for semantic Target Driven Navigation
通过捕获空间布局和语义信息寻找目标物体，使用语义分割和检测掩码获得观察结果，使用深度神经网络来学习导航策略。
机构：George Mason University
Visual-Inertial Navigation: A Concise Review
本文彻底调查了视觉惯性导航领域的所有研究工作。
Customizing Object Detectors for Indoor Robots
针对基于卷积神经的目标检测器对小型目标的检测能力差的问题，介绍了一种用于创建特定目标检测器的系统，通过遥控四旋翼收集数据，选择一个目标通过多个视点自动拍摄该目标，创建训练数据来训练DUNet。
Real-Time Joint Smantic Segmentation and Depth Estimation Using Asymmetric Annotations
Fast Instance and Semantic Segmentation Exploiting Local Connectivity Metric Learning and One-Shot Detection for Robotics
解决了在线方式联合执行语义分割和实例分割的问题，方便机器人在不牺牲准确性的情况下随时使用此信息。
Flight Testing Boustrophedon Coverage Path Planning for Fixed Wing UAVs in Wind
改进了之前提出的方法，优化固定翼无人机的飞行路径，以执行复杂的凹面农田的航空测量
Semantic Mapping Extension for OpenStreetMap Applied to Indoor Robot Navigation
提出了一种用于室内机器人的基于图的语义映射方法，针对基本的室内结构引入了模型，提取语义、拓扑和几何信息，并和基于网格的运动规划兼容。
A Unified Framework for Mutual Improvement of SLAM and Semantic Segmentation
提出了一个新的框架，同时定位和语义分割，通过利用两者产生的中间数据，可以同时提高两者的性能、
RESLAM - A Real-Time Robust Edge-Based SLAM System
提出了一个基于边缘的SLAM系统，更鲁邦。
Search-Based 3D Planning and Trajectory Optimization for Safe Micro Aerial Vehicle Flight under Sensor Visibility Constraints
提出了一种针对微型无人机的轨迹优化方法，针对无人机不仅根据静态环境还需要感知和响应位置的动态物体，载荷有限的问题。
DeepFusion - Real-Time Dense 3D Reconstruction for Monocular SLAM Using Single-View Depth and Gradient Predictions
一种实时的在GPU上运行的密集三维重建。
Real-Time Minimum Snap Trajectory Generation for Quadcopters - Algorithm Speed-Up through Machine Learning
提出了针对四旋翼的最优轨迹问题。
MID-Fusion - Octree-Based Object-Level Multi-Instance Dynamic SLAM
提出了一种新的多实例动态RGB-D SLAM系统，可以在动态环境下提供可靠的相机轨迹
Global Localization with Object-Level Semantics and Topology
的的
机构：赫瑞瓦特大学爱丁堡机器人技术中心
Obstacle-Aware Adaptive Informative Path Planning for UAV-Based Target Search
针对无人机在有限飞行时间内规划最优路径来实现最大搜索效率，提出了一种障碍感知的自适应信息路径规划（OA-IPP算法），用于在杂乱环境中使用无人机进行目标搜索。
Online Estimation of Geometric and Inertia Parameters for Multirotor Aerial Vehicles
提出了一种新的滤波器来融合电机速度、惯性和位姿测量值，在线估算车辆的关键动态特性。
Efficient Trajectory Planning for High Speed Flight in Unknown Environments
提出了一种渐进式的基于地平线的规划架构，通过先前的轨迹生成方法与空间分区数据结合，实施推理环境的几何形状，其次展示如何通过障碍物密度来规划速度，从而在未知环境中保持安全。
Localizing Discriminative Visual Landmarks for Place Recognition
提出了一种基于卷及神经网络特征提取方法，来通过提取一些明显的地表比如建筑物、植被等来解决位置识别的问题。
ModQuad-Vi - A Vision-Based Self-Assembling Modular Quadrotor
机构：Penn, GRASP
Real-Time Monocular Object-Model Aware Sparse SLAM
将实时深度学习的目标检测器融合值单目SLAM框架中。
Integrated UWB-Vision Approach for Autonomous Docking of UAVs in GPS-Denied Environments
提出了一种结合超宽带(UWB)测距传感器和视觉的方法来在GPS拒止条件下稳定降落。
DSNet - Joint Learning for Scene Segmentation and Disparity Estimation
研究了场景语义和光流估计的联合预测，证明了这两个任务之间的互相促进，提出了深度语义信息和视差特征图相互学习，将语义和视差信息同时估计。
Navigating Dynamically Unknown Environments Leveraging past Experience
为解决机器人在未知动态障碍物之间的自主导航，在线计划机器人运动，，基于过去的结果设置概率模型来推理未来的执行。
An Autonomous Loop-Closure Approach for Simultaneous Exploration and Coverage of Unknown Infrastructure Using MAVs
解决了自主MAV探索和覆盖未知结构的问题，获取构建高保真三维模型的空间信息，通过直接规划回环检测来最大程度上减少勘探过程中的累计数据错误。
An Empirical Evaluation of Ten Depth Cameras: Bias, Precision, Lateral Noise, Different Lighting Conditions and Materials, and Multiple Sensor Setups in Indoor Environments
Real-Time Planning with Multi-Fidelity Models for Agile Flights in Unknown Environments
Deep Reinforcement Learning Robot for Search and Rescue Applications: Exploration in Unknown Cluttered Environments
针对救援任务中环境的不可预测性，将传统基于边界和深度强化学习结合在一起，使机器人能够自主探索未知的混论环境。
Chance-Constrained Collision Avoidance for MAVs in Dynamic Environments
针对多机器人在复杂的动态环境协同避障所面对的问题，本文提出了概率冲突避障方法，该方法明确考虑了每个机器人和移动障碍物之间的碰撞概率，建立了近似碰撞概率的严格界限，提出了(CCNMPC)问题并实时求解。实验验证了十六个四旋翼的协调策略。
Efficient Autonomous Exploration Planning of Large Scale 3D-Environments
提出了一种将前沿探索计划（FEP）和后退地平线最佳视图计划（RH-NBVP）结合起来的方法，前者作为全局 勘探，后者用于局部勘探。
Enhancing V-SLAM Keyframe Selection with an Efficient ConvNet for Semantic Analysis
提出了一种基于图像质量和语义信息的关键帧选择策略，传统方法仅基于相对位移和特征点的数量来选择关键帧。本文提出的关键帧选择策略能更好的使机器人利用这些信息。提出了一个新的CNN架构来在机载cpu上运行语义图像分析。