从模拟中学习地面可通行性
面向离线环境的自主导航，提出了一种基于航空图像的不确定性感知路径规划方法（URA*），利用集成的卷积神经网络模型从区域感兴趣的航空图像中进行像素级可行性估计，然后应用不确定性感知规划器计算路径，并使用重规划技术来实现在线机器人操作中的快速重规划。结果表明，该方法在初始路径的质量和可行性及重新规划路径的质量方面优于传统规划算法。
Sep, 2023
本文提出一种基于学习的方法，重建移动机器人行进城市环境中的局部地形，通过算法估计机器人周围的地形，采用 4D 全卷积网络，可以利用合成数据进行训练，并在机器人上取得良好效果。
Jun, 2022
本文提出了一种基于自我监督的图像学习方法来训练自主车辆在各种条件下准确地遍历地形，通过生成自我监督的地形穿越标签和使用一元分类算法来识别能够安全穿越的地形，结合视觉表征的自我监督方法，在各种驾驶环境和感知条件下进行全面评估。
May, 2023
应用深度学习算法解决了地面移动机器人中的两个关键问题，并比较了传统机器学习方法和深度神经网络的性能表现以及体现网络结构的调参参数对于结果的影响。
Jun, 2018
WayFAST（无路标自主系统）是一种基于自我监督学习方法，使用 RGB 和深度数据以及导航经验，在户外非结构化环境中自动生成适合行走的路径，通过对移动机器人轮胎牵引力的估计以及基于牵引力估计的在线过程中进行自我监督式的算法优化，能够学习避免几何障碍和不可横跨区域 (如雪地) 的有效方法，并且比其他启发式方法更有效。
Mar, 2022
这篇论文提出了一种新的半监督方法来对腿式机器人进行地形分类，避免了对长变长数据集的预处理，采用堆叠式长短时记忆架构和新型的损失正则化方法，解决了现有问题并提高了准确性。与现有架构的比较显示出了改进。
Mar, 2024
在本研究中，我们提出了一种名为 RoadRunner 的新框架，该框架能够从相机和 LiDAR 传感器输入中直接预测地形可通行性和高程图，通过融合传感器信息、处理不确定性和生成具有上下文信息的预测，实现可靠的自主导航，并减少系统延迟并提高可靠性。
Feb, 2024
通过使用第三人称视角的单目摄像头替代第一人称视角的传感器，在机器人室内导航中实现了通过人类轨迹预测被遮挡地板的可通过性，可在具有挑战的视觉场景中稳定地进行预测。
Sep, 2023
本文提出了一种基于视觉的在线自监督学习系统 - Wild Visual Navigation（WVN），用于遍历可行性估计，并且可以在户外环境中适应地学习，可以在 5 分钟以内训练机器人，使其能够穿越复杂的户外地形，并克服高草障碍。
May, 2023
通过使用依身视觉视频和自动标注过程来训练语义可通行性估计器的有效方法，在多个国家和城市拍摄的视频进行的广泛实验表明，所提议的注释方法具有高可扩展性和普适性，而经过训练的语义可通行性估计器具有高准确性，能处理多样的摄像机观点，计算量小且适用于实际场景。
Jun, 2024