针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。

Sep, 2016

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

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

本文提出了一种名为 SEAL 的方法，该方法使用基于高斯过程的信息融合实现最大化探索，同时进行通信图优化以实现相对定位，通过 Rao-Blackwellization 技术将这两个交叉依赖的目标进行整合，并使用分布式线性化凸壳优化来选择下一个最佳未开发的区域。在广泛的 ROS-Gazebo 模拟中，SEAL 在探索和定位性能上优于先进方法，说明了该方法在实际应用中的实用性。

Jun, 2023

本文综述了在地球卫星观测中，机器学习算法（尤其是高斯过程回归）在生物物理参数估计方面的应用，以及如何利用前向模型改进预测和理解物理关系。最后，本文提出了三种高斯过程模型，分别为联合高斯过程模型、潜在力模型和自动高斯过程仿真器，通过植被监测和大气建模的实例验证了它们的性能。

Dec, 2020

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

本文提出了一种解决多输出高斯过程模型主类型和相关环境现象多种共存的主动学习问题的方法，该问题涉及选择最具信息量的采样位置和每个位置的测量类型，以在预算范围内最小化目标感兴趣的预测不确定性（即后验联合熵），为了解决优化时的问题，我们利用了稀疏 MOGP 模型的常见结构，推导出一种新的主动学习准则，并利用新准则的放松形式子模性质，设计了一种多项式时间近似算法，实证评估表明我们的方法优于 MOGP 和单输出 GP 模型的现有算法。

Nov, 2015

该文章介绍了如何用稀疏 BSOS 分层算法将姿态 - 图和地标 - 图问题表述为多项式优化问题，并以全局最小化解决了这些问题，同时通过实验展示了该方法的卓越性能。

Sep, 2018

通过机器人之间的 peer-to-peer 通信，在使用高斯信念传播在非线性因子图上对机器人网络观测的概率结构进行计算的基础上，我们实现了一个灵活的 Robot Web 解决方案，可以解决千个机器人相互交互的问题，即使测量传感器或通信数据包出错，该方法也具有容错性。

Feb, 2022

GP-MPPI 是基于在线学习的控制策略，将 MPPI 与基于稀疏高斯过程（SGP）的局部感知模型相结合，通过构建方差表面来引导机器人在未知、杂乱环境中进行自主导航，确保机器人安全到达目标并避开障碍物。

Jul, 2023