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。

本研究通过训练多模态遮罩自编码器模型，解决了分布式临时麦克风阵列的3D声源定位问题。算法在室内环境中的模拟和真实音乐与语音录音测试中表现出与传统及其他学习基方法相竞争的性能。

该文章介绍了一种名为FRI-Net的新方法，用于从3D点云中重建2D楼层平面图。该方法通过使用基于房间的隐式表示和结构正则化来提高房间多边形的几何规则性。实验结果表明，该方法在两个具有挑战性的数据集上表现出更好的性能，验证了其有效性。

本研究使用三元组卷积神经网络解决移动机器人定位问题，并测试其对光照条件变化的鲁棒性。实验证明该网络高效稳健，能考虑真实操作条件。

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室内环境的更好重建。该方法利用深度先验将场景锚定到初始模型，并引入了一种灵活的深度先验来改善几何建模。研究还提出了一种自监督策略来规范表面法线，并提出了适应复杂光照条件的可学习曝光补偿方案。实验结果表明，该方法在室内场景中取得了最先进的3D重建效果。

本研究使用三元组卷积神经网络解决移动机器人定位问题，并测试其对光照条件变化的鲁棒性。实验证明，该网络是解决室内环境中移动机器人定位问题的高效且稳健的工具。

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。