本研究探讨了室外环境下的基于距离的源分离（DSS），提出了一种结合两阶段conformer block和线性关系感知自注意力（RSA）的模型，显著提高了移动设备的能源效率和实时推断速度。

本研究比较了激光雷达与立体相机在室内环境中对单一物体的追踪性能，提出了一种快速物体检测器。结果表明，立体相机的追踪性能与激光雷达相当，但成本差异超过十倍。

本研究提出了一种基于多模态深度强化学习的音频视觉导航方法，利用音频和视觉数据在三维环境中进行导航。通过动态设置航点和声音记忆，揭示未映射空间的几何结构，实验表明音频在导航中至关重要。此外，研究探讨了主动声学采样和模拟到真实的转换策略，展示了在真实环境中成功导航的潜力。

本研究提出了一种基于自然语言指令的移动机器人运动规划系统LASMP。该系统通过改进的快速探索随机树方法，提高了规划效率，减少了节点数量，在复杂室内环境中表现优越，具有良好的应用潜力。

本文探讨了在室内环境中通过视觉输入主动接近物体的通用行动策略，提出了GAPLE解决方案，并在House3D数据集及真实场景中进行了验证。研究涉及无监督视觉深度学习、单目深度估计和元学习方法，旨在提升室内单张图像深度预测的泛化能力，开发了Meta Omnium数据集和G2-MonoDepth基准测试，展示了在深度估计中的优越性能。

本文介绍了一种基于数据驱动的室内场景3D重建方法，利用CAD模型表示物体和墙壁布局。研究提出了多种技术，如3D线段提取平面、端到端语义重建、蒙特卡罗树搜索算法和Transformer架构，显著提升了室内布局估计和图形生成的准确性与质量。

本研究采用三元组卷积神经网络解决移动机器人定位问题，测试其在不同光照条件下的鲁棒性。提出了分层定位和全局定位两种方法，实验证明该网络在室内环境中高效且稳健，适应真实操作条件。

本研究提出了一种新型神经场景渲染系统，能够高效学习对象组合的神经辐射场，并具备编辑能力。该系统通过双通道架构，在静态场景新视点综合和对象级别编辑中表现优异，生成逼真渲染效果。

本文提出了一种高效的室内环境语义分割和目标检测伪标签获取方法，通过多视图标注融合识别不一致现象，并与人工注释进行比较验证。采用多尺度卷积神经网络在NYU-v2数据集上实现了64.5%的准确率，证明该方法可在适当硬件上实现实时处理，推动了机器人应用的场景分类能力。

该论文提出了一种构建3D场景图的方法，通过构建空间本体和使用逻辑张量网络解决了室内和室外环境的复杂性和数据不足的问题。该方法在多个数据集上测试表明，能够显著提高生成3D场景图的质量。

该研究论文提出了一种名为 Du-NeRF 的双重神经辐射场方法，可同时实现高质量的几何重建和视角合成，大大改善了室内环境下的新视角合成和三维重建性能，并对不服从多视角颜色一致性的细几何构造尤为有效。

该研究提出了一种新的神经隐式建模方法，通过多种正则化策略实现了大型室内环境的更好重建。实验结果表明，该方法在具有挑战性的室内场景中产生了最先进的3D重建结果。

该文介绍了一种新颖的神经隐式建模方法，可在仅依赖图像的情况下实现大型室内环境的更好重建。作者提出了多种正则化策略和自监督策略，以及可学习的曝光补偿方案，实现了最先进的3D重建结果。