我们提出了一种新的端到端算法（PoCo）用于室内 RGB-D 场所识别任务。该算法通过学习从噪声点云中提取全局描述符，并将颜色和几何模态集成到点特征中，以增强全局描述符表示。在公共数据集上的评估结果显示，PoCo在性能和效率方面优于已发表的最佳结果CGis，并证明了其在识别实际实验室环境中位置的有效性。

该论文介绍了一种名为HC-LSBO的新型贝叶斯优化方法，利用可变自编码器学习可行决策的分布，实现原始决策空间与较低维潜在空间的双向映射。该方法可以捕捉公共政策制定中固有的隐藏约束的微妙差别，允许在潜在空间进行优化，同时在原始空间中评估目标。在数字实验中，该方法在性能和效率方面均有显著改进。