机器人中估计不确定的空间关系
本文介绍了一种针对动态环境的Markov定位算法，它能够在表征机器人环境中所有位置的概率密度的基础上精确地确定机器人的位置，并且能够从弱化的环境模型和嘈杂的传感器中恢复定位。
Jun, 2011
在不确定的世界中，使用Bacchus、Halpern和Levesque的框架和连续领域的扩展，以期望推理的方式进行基于状态的位置估计，并揭示了行为理论下的位置估计问题。此外，本文还表明，虽然行动可能以非标准的方式影响先验分布，但总体规范的副作用是产生了适当的后验信念。
Feb, 2014
本文提出了一种高斯过程定位算法，利用机器人探索时获取的空间相关的测量数据，通过在线稀疏高斯过程有效地学习观测模型，实现定位且不因数据规模增大而降低效率。仿真实验和实际机器人实验表明，该算法胜过已有算法。
Apr, 2014
介绍了一种名为图结构和积网络的概率方法，可用于机器人领域的结构预测问题，演示了该方法如何通过处理机器人在大规模办公空间中的嘈杂拓扑关系来提高关于语义概念描述的推断，并显示GraphSPNs始终优于传统基于无向图模型的方法。
Sep, 2017
该研究提出了一种通过图论技术和本地环境特征来识别关键状态的方法，并通过分层图中的全局连接有效利用这些关键状态来提高采样规划效率的“Critical Probabilistic Roadmaps ”的算法，达到比均匀采样高三个数量级的效率提升。
Oct, 2019
DC-SAM是一种计算机图形模型求解库，能够在离散和连续水平上寻找最大后验估计，应用于机器人感知应用中包括鲁棒的姿态图优化和基于对象的建图与定位，通过在离散和连续变量之间交替优化实现近似推理。
Apr, 2022
本文提出一种计算信息论预期奖励的方法，运用信息量(mutual information)进行降维，开发出一个Sequential Monte Carlo (SMC)估计器，以避免未来信仰表面的重建，并将此方法应用于信息规划优化问题，最后在活动 SLAM问题的模拟中评估该方法。
Sep, 2022
本文提出了一种考虑机器人状态和环境不确定性的安全运动规划方法，旨在解决机器人定位中地标不确定性的问题，并给出了在高斯分布机器人运动、感知和障碍位置不确定性下的碰撞概率的精确表达式。
May, 2023
本文解决了机器人在结构化室内环境中探索效率低下的问题，提出了一种新颖的探索框架MapEx。该框架通过联合考虑机器人观察能力和不确定性，利用预测地图估计信息增益，实现了相较于传统方法12.4%的提升，具有显著的实用价值。
Sep, 2024