本论文提出了一种基于政策搜索的方法，通过利用类似环境中过去搜索的信息生成更好的分布来适应不同环境。该方法可与各种基于采样的计划程序结合使用，以提高性能，验证结果表明该方法在包括 7 自由度机械臂在内的多项任务中取得了显著改进，尤其在碰撞检查和扩展节点数量方面。

Jun, 2018

我们通过学习参数分布并在潜在空间中进行控制，提出了一种使用双层优化和正规流参数化分布的模型预测控制方法，旨在克服使用简单似然函数进行采样时出现的性能问题。在模拟机器人任务中，我们证明了该方法比以前的方法具有更好的性能和更少的样本数。

Dec, 2022

本论文提出了一种名为矢量量化运动规划转换器（VQ-MPT）的新方法，它克服了以往基于学习的方法的主要限制，包括无法扩展到更高维度空间和缺乏对分布之外环境的通用性，使其能够应用于各种复杂性系统，实现了较高的成功率和更快的路径规划。

Jun, 2023

通过学习可规划的潜在表示，本文提出了基于潜在采样的动作规划 (L-SBMP) 的方法，该方法结合了控制机器人系统的最新进展和采样式运动规划 (SBMP) 的技术，可以处理高维度机器人系统的动作规划问题，同时采用了三个算法基本原则，即状态采样，局部转向和碰撞检查。

Jul, 2018

随机抽样、机器人运动规划、引导空间、信息论方法、混合算法

Apr, 2024

本文提出了运动规划指导空间的概念，并使用信息理论方法评估引导式规划，为多种机器人动作规划算法的研究提供了新的应用框架。

Oct, 2022

我们学习到一种能够关联可达状态的表示方法，通过学习多步逆动力学获得一个潜在表示，并将其转换为在 l2 空间中关联可达状态，这种方法可以显著提高采样效率，并实现层次化规划。

Nov, 2023

学习轨迹分布的先验信息可以帮助加速机器人运动规划优化，本工作提出了学习扩散模型作为先验信息的方法，并通过扩散模型的逆去噪过程在任务目标条件下直接从后验轨迹分布中进行采样，实验证明扩散模型是编码高维机器人运动轨迹分布的强先验。

Aug, 2023

基于变分高斯过程的机器人运动规划算法，通过统一和概括各种基于概率推断的运动规划算法，平衡了路径的成功率和质量，并且提供了不确定性估计。

Sep, 2023

该论文介绍了一种基于深度生成模型的采样策略，以解决受任务约束条件下的运动规划问题。研究使用两种深度生成模型 CVAE 和 CGAN 来生成满足约束条件的样本配置，并通过模拟和实验评估其采样准确性和采样分布的覆盖率。

Apr, 2022