本研究提出了一种多传感器数据融合的方法，通过结合热成像、光电和雷达数据的特征，构建卷积神经网络（CNN），显著提高了无人机的检测和分类准确性，具有广泛的应用潜力。

本文介绍了多种新方法以提高自动驾驶中的三维环境感知和物体检测准确性，包括SOGDet、FlashOCC、SelfOcc、OccFusion、FastOcc、EFFOcc和AdaOcc。这些方法通过多传感器融合、自监督学习和高效网络设计，显著提升了复杂场景中的预测性能和计算效率。

本文提出了一种基于伪激光雷达的物体三维检测方法，通过改进深度估计网络和损失函数，结合稀疏激光雷达数据，显著提升了远处物体的检测精度超过40%。研究还探讨了夜间深度估计、自监督学习和多传感器融合等技术，以改善低光照条件下的深度估计效果。

本文介绍了HDMapNet、VectorMapNet和MapTR等高清地图学习方法，强调通过多传感器数据融合和新型神经网络结构提高地图构建的精度与效率。这些方法在自动驾驶中尤为重要，特别是在复杂环境下的实时推断和稳定性方面。研究还探讨了标准定义地图在局部地图感知中的潜力及未来挑战。

本文综述了鸟瞰图（BEV）感知的最新研究，重点讨论多传感器融合、物体检测与定位等关键问题。介绍了M-BEV框架、RoboBEV基准和FedBEVT方法，强调预训练和无深度变换的有效性。此外，提出了BEVerse框架和POWERBEV端到端框架，展示了在自动驾驶任务中的性能提升。最后，研究了无监督学习方法，利用少量标注数据生成语义鸟瞰地图，以增强遮挡推理能力。

本研究提出了一种新的定位质量预测方法，结合多传感器融合和动态匹配技术，显著提升了视觉地点识别（VPR）的性能。通过分析不同算法在NYC-Indoor-VPR数据集上的表现，揭示了其挑战和研究价值，并探讨了图像分辨率对VPR精度的影响，为相关领域提供设计建议。

本文介绍了一种多传感器融合方法，用于支持自动驾驶车辆的安全过马路。该方法通过设计基于物理条件的危险函数，并使用多个传感器评估这些条件，提高决策准确性并支持安全评估。实验评估结果表明该方法在实验室环境中有效，并提供数据集供科学界进一步研究。该工作是在欧洲项目REXASI-PRO的框架下进行的，旨在为行动不便的人们的社交导航开发可信赖的人工智能。

该论文提出了MV3D框架，用于自动驾驶场景下的高精度3D物体检测。该框架采用多传感器融合技术，将LIDAR点云和RGB图像作为输入，并预测有方向的3D界限框。实验结果显示，该方法在3D定位和3D检测任务方面的表现优于现有技术约25％和30％，在2D检测中也表现出显著的技术优势。