本研究提出了一种可用性感知传感器融合方法（ASF），旨在克服自主驾驶中传感器可用性假设的局限性。ASF通过统一典范投影和跨传感器注意力，在各种天气和传感器降级条件下显著提升了目标检测性能。

本研究探讨了数字孪生技术中数据传感器融合的应用，强调其在新冠疫情期间提升家庭环境能力的重要性。结果表明，传感器融合显著提高了模型的准确性和可靠性。

本文介绍了多种基于深度学习和传感器融合的地图推断与定位方法，旨在提升自动驾驶中的地图精度和安全性。研究涵盖了稠密建图和语义地图学习等技术，实验结果表明新方法在多个数据集上优于传统技术。

本文研究了基于传感器融合的三维语义分割技术，提出了混合融合结构以提升分割精度。介绍了多个自动驾驶和遥感数据集，强调了夜间场景的语义分割进展，并提出了新的数据集WildScenes，解决了自然环境下的语义感知问题。此外，提出了联合学习框架S^3M-Net，以增强场景理解能力。

本文提出了一种鲁棒的多标签Takagi-Sugeno-Kang模糊系统（R-MLTSK-FS），旨在解决模型透明度、标签相关性和抗干扰性问题，并通过大量实验验证了其优越性。同时，研究了多传感器融合技术的脆弱性，提出了改进建议，并探讨了基于模糊粗糙集理论的新型距离测量方法，强调其在机器学习中的应用潜力。

本文提出了一种基于深度学习的姿态估计模型，利用惯性传感器数据进行实时估计，具有高精度和稳健性。模型结合卷积神经网络和长短时记忆网络，经过评估显示在多种运动模式和环境干扰下表现优越。此外，研究探讨了深度学习在惯性导航和传感器融合中的应用，推动相关领域发展。

本文介绍了多种基于神经网络和传感器融合的三维物体检测与相机重定位算法，强调其在自动驾驶中的应用。提出的算法如CoordiNet和CoBEVGlue，提升了检测精度和实时性，并降低了通信成本，展示了在复杂驾驶场景中的有效性和鲁棒性。

该论文探讨了利用LiDAR和摄像头进行传感器数据融合，以提升自主机器人的环境感知能力。研究通过高斯过程回归和多视角融合方法，展示了在不同条件下物体检测和轨迹预测的性能提升，实验结果表明传感器融合显著提高了检测精度，尤其在低能见度环境中表现优异。

该研究探讨了通过无监督目标发现和深度信息融合提升自动驾驶车辆的感知能力，解决遮挡问题。提出了多模3D物体检测器InfraDet3D，结合LiDAR和单目相机数据，提升检测效果。同时分析了多传感器融合在城市和高速公路环境中的定位准确性，展示了车路协同的优势，并提出了优化路侧单元部署的算法，以提升车辆网络效率。

本文探讨了深度学习和传感器融合技术在复杂场景中的物体检测和语义分割应用，提出了实时构建语义地图、动态环境中的物体检测及基于RGB-D视图的语义分割等方法，显示出显著的精度和效率提升。这些技术为智能机器人在环境理解和物体处理提供了有效支持。

本文介绍了一种融合激光雷达（LiDAR）和摄像头特征的方法，以提升自动驾驶的3D检测性能。提出的DeepFusion模型在多模态3D检测中表现出色，具有强大的鲁棒性和高精度。研究探讨了CrossFusion和Bi-LRFusion等融合策略，显著提高了检测精度。新方法在KITTI和nuScenes数据集上取得了先进性能，展示了多传感器融合在自动驾驶中的重要性。

本文介绍了多种视觉惯性测距（VIO）技术，包括通过摄像头和惯性测量单元实现姿态和速度估计的方法。研究提出了新颖的传感器融合框架、无监督深度学习方法及自适应策略网络，并在多个数据集上测试，显示出在动态环境和复杂场景中的优越性能。

该研究提出了一种名为Gated Stereo的深度估计技术，结合了单目和立体深度预测，显著提高了深度估计的准确性，尤其在长距离场景中表现优异。该方法通过融合多种传感器数据，克服了现有技术的局限性，适用于自动驾驶等领域。

本文介绍了开源框架GIRA，利用生成模型实现机器人算法，包括姿态估计和占有建模。提出的传感器融合框架通过姿态图优化实现准确的姿态估计。RoboPose方法从单个RGB图像估计机器人关节角度，性能优于现有技术。GS-Pose框架通过不同表示形式进行物体6D姿态估计，取得了卓越性能。

本文介绍了多种基于深度学习的雷达与相机传感器融合方法，以提升自动驾驶汽车的物体检测能力。研究表明，雷达和相机的互补性可以在低能见度条件下实现更准确的三维物体检测。ClusterFusion 在 nuScenes 数据集上通过不同的特征提取策略取得了最先进的性能，强调了传感器间协作对检测结果的重要性。

本文介绍了一种实时无标定板双目相机标定方法，利用非线性优化最小化几何误差，具有鲁棒性和快速运行速度。提出的校准方法包括基于遮挡关系的无标定目标方法和伪激光雷达自校准方法，均在实际应用中表现出高精度和低误差，适用于自动驾驶和多传感器融合。

该研究开发了一种低水平传感器融合网络，结合雷达和摄像机数据进行3D物体检测，并提出了新损失函数以提升性能。在nuScenes数据集上，融合雷达数据使检测分数提高约5.1%，尤其在低能见度条件下表现优异。研究还探讨了不同特征提取策略的效果，提出的ClusterFusion架构在测试中表现突出，显示传感器间的相互依赖对检测结果至关重要。

该研究提出了LATTE工具，结合深度学习和传感器融合，实现自动标记和高效注释，显著减少人工标注时间，提升自动驾驶3D物体检测的效率和准确性。