本文旨在比较基于学习的方法和经典方法在虚拟环境导航方面的表现，并通过对两个标准基准测试 MINOS 和 Stanford 大规模 3D 室内空间的经典导航代理的构建，证明了经典代理的优越性。同时，我们进行了详细的分析，研究学习代理和经典代理的优缺点以及虚拟环境特征对人员导航带来的影响。结果表明，学习代理在碰撞避免和存储管理方面较差，但在处理模糊性和噪声方面表现更佳。这些结果可以为未来导航代理的设计提供参考。

Jul, 2019

采用多模态融合方法，提出 Navigation Multimodal Fusion Network（NMFNet）解决复杂环境下自主导航的问题，并在模拟和真实移动机器人中取得了优异的性能。

Jul, 2020

利用增强学习问题和多模态感应输入的辅助深度预测和循环闭环分类任务，可以学习从复杂 3D 迷宫中进行导航并接近人类级别表现

Nov, 2016

自主移动机器人需要通过其载有的传感器 (如 LiDAR 和 RGB 相机) 感知环境，并做出适当的导航决策，为了在人类居住的公共空间中导航，这个导航任务不仅仅是避开障碍物，还需要考虑周围的人类及其意图，以对应社会规范进行导航行为的微小变化，机器学习方法在以数据驱动的方式捕捉这些复杂而微妙的社交互动方面显示出了有效性，而无需显式手工制作简化模型或代价函数，考虑到多种可用传感器模态和学习方法的效率，本文通过使用大规模真实数据集对使用多模态感知学习社交机器人导航进行了全面的研究，该研究分析了在不同社交场景中的全局和局部规划水平上的社交机器人导航决策，并将单模态和多模态学习与一组经典导航方法进行对比，同时从学习的角度分析了训练和泛化性能，我们还进行了一个人体研究，探究了使用多模态感知进行学习如何影响感知到的社交合规性，结果表明，与单模态学习相比，多模态学习在数据集和人体研究中具有明显优势，我们开源了代码，供社区在未来研究中使用多模态感知学习社交机器人导航。

Sep, 2023

该论文探讨了使用 CNN-DNN 网络融合构建机器人导航控制器在模拟环境中的应用。模拟环境模拟了地下救援情况，其中一个自主代理任务是在未知的洞穴系统中找到一个目标。使用模仿学习训练控制算法利用 LiDAR 和摄像头数据导航空间并找到目标。通过使用蒙特卡洛测试训练好的模型的鲁棒性。

Jan, 2024

我们提出了一种混合导航方法，将多对象导航（Multi-ON）任务分解为两个不同的技能：（1）使用经典 SLAM 和符号规划器处理航路点导航，而（2）使用结合监督学习和强化学习训练的深度神经网络处理探索、语义建图和目标检索，我们展示了该方法在模拟和真实环境中相对于端到端方法的优势，并超越了该任务的最先进技术。

Jan, 2024

本文介绍了一种 2D 模拟器 MengeROS，该模拟器可在多个环境中模拟多个机器人和人群，为测试适用于大型拥挤环境的导航算法的能力和性能提供广泛的设置。

Jan, 2018

本文探讨了在三维环境中进行导航任务的挑战以及地图类记忆对导航任务的影响，提出了新的 MultiON 任务，通过一系列实验考察了不同复杂度任务下代理模型的表现，发现简单语义地图代理的表现相对更优，但神经图像特征地图代理和 oracle 地图代理也存在局限性，可能需要进一步的训练和研究。

Dec, 2020

该论文提出一种基于深度强化学习的城市级别自主导航模型，采用 Google StreetView 进行环境交互和训练，具备可迁移性和区域特征一致性，实现了在多个城市环境下自主导航到目标位置。

Mar, 2018

多模态网站的自主体代理在逐渐演变的真实环境中完成复杂用户任务具有挑战性，提出了 MMInA，这是一个多跳和多模态评估综合互联网任务能力的基准，通过构建真实世界的多模态网站和综合任务评估协议，发现自主体代理在长链多跳互联网任务方面存在挑战，提出了一种简单的记忆增强方法，明显提高了代理的单跳和多跳网络浏览能力。

Apr, 2024