本文提出了一种针对城市道路网络的分散数据融合和主动感知算法，可以有效、可扩展地预测交通现象，实证评估结果表明该算法具有显著的时间效率和可扩展性，并且预测性能与最先进的集中式算法相当。

Aug, 2014

本研究提出并分析一个排队论模型，用于自主移动出行（MOD）系统，其中机器人、自动驾驶车辆在城市环境中运输乘客并使自身再平衡以确保整个网络的可接受服务质量。研究表明，可以通过解决线性规划来找到最优再平衡算法，从而最小化（自主）再平衡车辆数量并保持整个网络车辆可用性的平衡。我们基于这些理论洞见设计了一个稳健的实时再平衡算法，并将其应用于纽约市的案例研究。这篇论文提供了一个解决自主驾驶车辆系统范围协调问题的严谨方法，并提供了对机器人交通网络可持续性益处的首个表征。

Apr, 2014

通过一个基于 1500 万次出租车记录的仿真实验，我们展示了一个全新的对于车辆调度问题建模的思路，并且展示了这种思路优于其他传统算法。同时，我们的结果也提示出，在实际场景中，独立决策的分布式策略在实践中更加有效。

Apr, 2018

本文关注的是在共享 AV 机动车辆出行服务 (SAMSs) 中，空闲车辆的预测性行驶问题。将该问题建模为马尔可夫决策过程，并提出了一种使用优势 actor-critic (A2C) 方法的强化学习方法，与基于优化的分配策略协作，学习一个预测性均衡策略。实验证明，该方法通过观察过去的需求并能够预测未来的需求，显著降低了乘客的等待时间。

Oct, 2022

自主按需移动（AMoD）系统中的车辆调度是本研究的重点，使用多代理深度强化学习（MADRL）算法，通过分配全局奖励，解决训练代理和操作者之间的目标冲突，从而实现了显著的性能改进和全局收益的优化。

Dec, 2023

采用 VGA 方法来有效地解决大规模 MoD 系统中的乘客 - 车辆分配和路线问题，实验表明，采用最优化乘客共乘策略相对于没有共乘策略的 MoD 系统，车辆行驶距离减少 57%，平均乘客旅行延迟降低 5%。

Apr, 2023

论文提出了利用代理中心支持集的高斯过程分散数据融合算法，允许每个移动感知代理在执行过程中选择不同的支持集并动态切换，以便将其自己的数据封装到本地摘要中，然后可以与其他代理的本地摘要相结合，从而预测环境现象。同时，提出了一种新的信息共享机制，并通过实验验证了该算法的性能优异。

Nov, 2017

本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

Oct, 2019

本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

Jun, 2022

提出了一种基于高斯过程（GP）的模型，用于主动检测未来运动规划失败的风险，并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练，并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败，又能将机器人恢复到可能成功规划的状态，并以敏捷的运动方式进行操作。

Feb, 2024