本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

Oct, 2020

该研究介绍了一种新的人类感知式导航方法，其中机器人通过学习模仿人类在人群中安全导航。通过使用 DeepMoTIon 模型，该系统通过 LiDAR 扫描处理并预测人类行为，实现导航目标的达成，同时保证了系统遵循社交规范，且无一异常情况。

Mar, 2018

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

使用深度强化学习，本文研发了一种尊重人们常见社交规范的导航策略，可以使机器人车辆在行人密集的环境中以人类步速进行完全自主导航。

Mar, 2017

我们提出了一种使用低成本传感器进行敏捷越野自主驾驶的端到端模仿学习系统，通过模仿配备高级传感器的模型预测控制器，我们训练了一个深度神经网络控制策略，将原始的高维观测映射到连续的转向和油门命令，这个方法不需要状态估计或实时规划来导航车辆，并通过在线模仿学习克服了协变量漂移方面的挑战，实现了成功的高速越野行驶，匹配了最新的性能水平。

Sep, 2017

教授自主移动机器人在人群中成功导航是一项具有挑战性的任务，该论文采用神经网络来学习机器人在现场的特定策略，以考虑人类行为和对真实机器人的反应，同时针对各种情景学习相应策略，并对方法、实验结果进行了定量评估。

Apr, 2024

自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

Oct, 2023

通过生成对抗性模仿学习策略及原始深度输入，我们提出了一种针对移动机器人在动态环境中与行人相对导航的方法，该方法能够遵守社交规范。在实验中，我们的基于 GAIL 的方法大大提高了移动机器人行为纯克隆方法的安全性和效率。同时，我们还公开了一种基于社会力模型的行人行为建模的仿真插件。

Oct, 2017

本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

May, 2018

本文提出一种基于循环图神经网络和注意力机制的新型 RL 方法，通过捕捉时空中多种交互类型来预测人类行为意图，并将该预测应用于无模型 RL 框架中以避免机器人干扰其他个体，从而在人群中实现机器人的安全、高效导航。

Mar, 2022