利用语音指令完成机器人自主导航的一个重要任务是构建具备层级空间表示能力的智能移动机器人。为此，研究者提出了一种基于概率生成模型的层级空间表示方法 SpCoTMHP，并相应的提出了一种路径规划方法，实现了机器人与人类之间的交互通信，提高了导航性能和降低了计算成本。

Mar, 2022

本文研究图像目标导航问题，提出了一种基于拓扑表示法、语义特征和监督学习算法的解决方案，在视觉和物理仿真实验中部署该算法，与现有方法相比，在长时间任务中呈现出 50％以上的相对提高。

May, 2020

使用新的记忆架构 Bayesian Relational Memory（BRM）结合概率关系图技术，使得机器人可以更好地在未知环境中实现语义视觉导航。BRM 模块和 goal-conditioned 定位模块共同组成一种 BRM 代理，可在测试时比未利用概率关系记忆结构的基线表现更出色。

Sep, 2019

MemoNav 是一种新型的内存模型，利用工作内存类似的流水线来提高图像目标导航的性能，通过三种类型的导航内存以及场景特征的学习和利用，使得代理能够学习并利用与目标相关的场景特征在拓扑图中进行高效导航，实验证明 MemoNav 在吉布森和 Matterport3D 场景的多目标任务中显著优于先前的方法，定性结果进一步说明 MemoNav 规划更高效的路径。

Feb, 2024

本研究提出了一种新的记忆机制 MemoNav，它通过保留有信息的短期记忆和长期记忆来提高多目标任务下图像目标导航的性能。实验结果表明，MemoNav 方法与最先进的方法相比，在使用更少的导航历史记录的情况下取得了更好的性能，并且更不容易被困在死结中。

Aug, 2022

利用数据中的统计规律，我们提出了空间规划变换器 (SPT)，通过学习障碍地图生成长程空间相关的行动来规划移动路径，实现了比先前数据驱动规划方法更好的算法，能够适应不同的障碍地图和任务目标。

Dec, 2021

在这篇论文中，我们提出了一种名为 MANTM（Multi-Agent Neural Topological Mapping）的方法，用于改善多智能体探索任务的效率和泛化能力，通过构建包含主要节点和对应虚拟节点的图形，以及使用图神经网络从粗到细的方式捕捉智能体与图节点之间的相关性进行全局目标选择。通过在模拟器 Habitat 中进行广泛实验，我们发现 MANTM 在未见过的场景中，相比于基于规划和基于强化学习的竞争方法，可以将步骤至少减少 26.40％和 7.63％。

Nov, 2023

本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

Jul, 2020

本文提出了一种基于元路径的特征提取方法，用于改善现有 ST-graph 模型在交通预测、人体动作建模等领域表现不佳的问题，并在行人轨迹预测任务中应用，实现了比传统方法高 32% 的预测精度及更为社交化的轨迹。

Feb, 2022

提出一种学习从第一人称视角中建图并规划行动序列实现导航的神经网络架构，并应用于仿真和物理机器人环境中，取得了比其他基于学习或传统映射和路径规划方法更好的性能，能够扩展到语义化的目标。

Feb, 2017