本文提出了一种新型密集语义SLAM系统GSFF-SLAM，克服了现有系统在稀疏和噪声信号下的局限性。实验结果表明，该方法在跟踪精度和渲染质量上优于以往，mIoU语义分割性能达到95.03%，速度提升2.9倍。

本文探讨了固定翼无人机在结构损坏或执行器失效时的信息处理问题。提出的基于变换器的控制方法通过上下文学习和注意机制，将外部参考值直接映射为控制命令，从而提高了跟踪精度和稳定性，增强了无人机的安全性和可靠性。

本文介绍了多目标跟踪领域的几种新方法，包括循环自回归网络、空间-时间关系网络和基于运动的跟踪器MambaTrack。这些方法在复杂场景、遮挡和非线性运动的处理上表现优异，显著提高了跟踪精度，尤其在DanceTrack和SportsMOT数据集上取得了良好成绩。

本文介绍了一种基于核化多分辨率卷积网络的视觉目标跟踪方法，能够直接输出目标运动轨迹，并在无人机跟踪数据集上表现优异。研究还提出了新型跟踪器和无监督学习方法，提升了跟踪精度和效率，展示了在无人机跟踪任务中的应用潜力。

本文介绍了多种基于深度学习的多目标跟踪（MOT）方法，如PointTrackNet、SimpleTrack和MotionTrack，强调它们在复杂场景中的表现和改进。研究提出了新的算法和框架，如3DMOTFormer和UCMCTrack，以提高跟踪精度和鲁棒性，特别是在拥挤和遮挡环境中。实验结果表明，这些方法在多个基准测试中表现优异。

该文介绍了一种基于四维雷达数据的创新解决方案RaTrack，用于跟踪三维世界中的移动物体，通过运动分割和聚类实现优越跟踪精度。