李群是一个古老的数学抽象概念，可以追溯到19世纪，当时数学家索菲斯·李（Sophus Lie）奠定了连续变换群理论的基础。许多年后，它的影响已经遍及科技的各个领域。在机器人学中，我们最近正在经历一个重要的趋势，至少在估计领域，特别是在用于导航的运动估计中。然而，对于绝大多数的机器人学家来说，李群是高度抽象的结构，因此很难理解和使用。在对机器人学进行评估时，往往不需要利用理论的全部能力，因此我们要筛

本文系统综述了3D高斯泼溅(3DGS)技术的最新进展。3DGS通过显式高斯分布实现高效3D表示和实时渲染，已在VR/AR、自动驾驶等领域展现出优势。文章从优化、应用和扩展三个维度分类梳理现有工作，重点分析了存储效率、训练加速、真实感渲染等关键技术挑战，并比较了不同方法在人体重建、AIGC、自动驾驶等应用中的性能表现。特别构建了开源项目持续跟踪该领域发展，为研究人员提供了技术路线图。分析表明，3DG

LaTeX是一款高效的排版工具，搭配VSCode可提升写作效率。安装时注意：Windows中文用户名需改为英文，避免报错。VSCode配置需禁用自动编译功能，防止频繁生成中间文件占用磁盘。推荐学习资源包括知乎和CSDN上的LaTeX入门指南，以及Overleaf的文档定位技巧。使用中需定期清理VSCode缓存路径（如WebStorage文件夹）以释放空间。注意图片浮动选项避免"H&quo

摘要： 本文系统综述了机器人领域3D场景表示方法的发展，涵盖传统几何表示（点云、体素、SDF、场景图）与新兴神经表示（NeRF、3DGS、基础模型）。传统SLAM依赖稀疏表示，而稠密表示在导航、避障等任务中更具潜力。神经表示能融合高层语义与语言先验，推动场景理解与具身智能。研究将机器人核心模块分为感知、建图、定位、导航与操作，分析各表示方法的优劣，并探讨未来趋势——3D基础模型可能成为统一解决方案

本文系统综述了机器人领域的三维场景表示方法，涵盖传统几何表示（点云、体素、SDF、场景图）和新兴神经表示（NeRF、3DGS、基础模型）。研究从感知、建图、定位、导航和操作五大核心模块分析不同表示方法的优劣，重点关注内存效率、真实感渲染和几何表达能力。结果表明：传统表示计算高效但表达能力有限；神经表示支持连续场景建模和语义融合但计算成本高；基础模型展现出开放词汇理解潜力。文章开源了相关资源库，并探

来源：IEEE TRANSACTIONS ON ROBOTICS, VOL. 41, 2025学校：University of Hong Kong摘要：本文介绍了 FAST-LIVO2，这是一种快速直接的 LiDAR 惯性视觉里程计框架，旨在在 SLAM 任务中进行准确和稳健的状态估计，从而实现实时机器人应用。FAST-LIVO2 通过高效的误差状态迭代卡尔曼滤波器 （ESIKF） 集成 IMU、

本文系统综述了3D高斯泼溅(3DGS)技术的最新进展。3DGS通过显式高斯分布实现高效3D表示和实时渲染，已在VR/AR、自动驾驶等领域展现出优势。文章从优化、应用和扩展三个维度分类梳理现有工作，重点分析了存储效率、训练加速、真实感渲染等关键技术挑战，并比较了不同方法在人体重建、AIGC、自动驾驶等应用中的性能表现。特别构建了开源项目持续跟踪该领域发展，为研究人员提供了技术路线图。分析表明，3DG

本文对过去30年三维点云配准技术进行了全面综述。系统梳理了成对粗配准、成对精配准、多视图配准等子领域的研究进展。基于几何方法的研究早期聚焦于局部特征检测与描述，近年来转向对应优化和变换估计；无对应方法通过参数搜索获得全局最优解，其中基于BnB的方法因有效性而受关注；基于学习的方法大多采用监督学习，在精度上有显著提升，但泛化能力和无监督方法仍需突破。文章还总结了常用数据集、评价指标，并对未来研究方向

如今，深度学习已经成为一个像编程语言一样基础且重要的工具，是每一个研发工作者绕不过的必备技能，对于科研来说仅仅了解和会使用似乎变得远远不够。不管是处于想把深度学习学好以给自己的论文赋能亦或是学一个找工作的傍身技能的想法，我也决定将这个技能树点起来。学习一项技能最好的时机是入学前，其次就是现在，抓紧时间补补基础吧。为什么选择Transformer是因为这是我认知范围内用的最多最好的模型了，是最可能为

《Splat-SLAM：基于全局优化的纯视觉3D高斯SLAM系统》摘要 本文提出了首个采用稠密3D高斯地图表示的纯视觉SLAM系统Splat-SLAM。针对现有3D高斯SLAM方法缺乏全局优化和单目深度利用的问题，该系统通过以下创新实现突破：1) 引入全局一致的帧间跟踪框架，结合循环光流和DSPO层联合优化相机位姿与深度；2) 设计可变形3D高斯地图表示，通过非刚性变形适应关键帧位姿更新；3) 融