本文提出了一种新的端到端的物体跟踪方法，它直接从原始传感器输入到物体的轨迹映射，而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模，通过一种输入丢弃的学习方法，能够在无监督的情况下处理包括遮挡物在内的传感器数据，学习跟踪许多动态物体，适用于机器人类应用中常见的 2D 激光数据跟踪任务。

Feb, 2016

本文提出一种全面的端到端视频视觉跟踪方法，利用循环卷积神经网络代理与视频进行交互，并结合强化学习算法来学习不断的关注连续帧相关性和最大化在长期内的跟踪性能，实现了比现有跟踪基准更快速的状态 - of-the-art 性能。是第一个将卷积和循环网络与强化学习算法相结合的神经网络跟踪器。

Jan, 2017

本文提出了一种基于循环神经网络 (RNNs) 进行在线多目标跟踪的新方法，在真实场景下跟踪多个对象涉及许多挑战，包括 a）先验未知和时变目标数量，b）所有目标的连续状态估计，和 c）数据关联的离散组合问题。这项工作中提出的方案通过端到端学习的方式，解决了上述的所有问题，并在合成数据和真实数据上的实验表明取得了不错的效果，为未来研究方向奠定了基础。

Apr, 2016

本文提出了一种新的空间监督递归卷积神经网络，用于视觉对象跟踪，通过研究长短期记忆和区域信息的回归能力，结合卷积网络产生的高层视觉特征直接预测跟踪位置，相较于现有的深度学习跟踪器，我们的跟踪器在保持低计算成本的同时更加准确和鲁棒，实验结果表明在多个数据集上均表现优异，常常优于排名第二的跟踪器。

Jul, 2016

本研究通过深度强化学习解决了目标跟踪和摄像头控制任务难以共同调整的问题，并在模拟器上训练的跟踪器表现出良好的泛化能力，且具备潜在的真实场景应用价值。

Aug, 2018

本研究采用深度强化学习的端到端方法，结合 ConvNet-LSTM 函数的预测能力，提出了一种针对活动物体追踪的解决方案，并通过环境增强技术和定制的奖励函数进行训练。结果表明，在模拟器中训练的跟踪器能够在未知的物体移动路径、外观、背景和干扰物的情况下表现良好。实验还表明，单独在模拟器中训练的跟踪能力具有潜在的适用性和推广性，可以在真实情况下进行。

May, 2017

本研究提出了一种基于 Transformer 机制的新型循环神经网络单元，该单元能够利用序列传感器录音中的时空相关性，并跟踪对象编码，以获取场景动态和回归速度，并根据提取的速度估计将循环神经网络的内存状态进行投影，以解决空间和时间不对齐的问题。

Jun, 2023

通过训练循环神经网络模型的运动策略，结合学习预测代理在移动中对环境的影响，我们成功实现了主动学习视觉识别，并提高了识别性能。

Apr, 2016

我们提出了一种用于语义实例分割的循环模型，它可以为图像中的每个对象顺序生成二进制掩码和它们的相关类概率。

Dec, 2017

本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。

Nov, 2020