该研究论文探究了将确定性的低离散度采样序列应用于机器人运动规划中的概率采样算法，并证明了其渐近最优性，并通过数值实验验证了其在路径成本和成功率方面表现出更高的性能。

Apr, 2015

本文介绍了一种新的算法 PRM * 和 RRT*，证明了它们是渐近最优的，并且在样本数增加的情况下，它们的解决方案成本几乎肯定收敛于最优值。这些算法的计算复杂度与传统的，但不是渐近最优的算法相当。

May, 2011

本文采用新的 Branch-and-Cut 算法来修订传统的 Lazy Probabilistic Roadmaps 算法，通过在 PRM 选择的几何图上动态生成约束来阻止无法满足运动学约束的路径，评估了我们的方法在最近提出的 BARN 基准测试上的可伸缩性。

Sep, 2022

提出了一种基于高斯过程（GP）的模型，用于主动检测未来运动规划失败的风险，并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练，并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败，又能将机器人恢复到可能成功规划的状态，并以敏捷的运动方式进行操作。

Feb, 2024

PRM-RL 是一种利用采样路径规划结合强化学习实现远程导航的分层方法，其中 RL 代理通过学习短距离点到点导航策略，采用面向特征和深度神经网络及 PRMs 进行构建，并通过采样计划器提供的规划路径实现机器人的控制。PRM-RL 的应用结果表明，在室内和城市环境下，比起单独使用 RL 代理或传统的采样路径规划方法，PRM-RL 实现了任务完成度的显著提升，在噪声传感器条件下成功完成长达 215 米的轨迹，且实现了对 1,000 米长的空中货运的无违约任务达成。

Oct, 2017

PRM-RL 是一种层次机器人导航方法，其中用强化学习智能体学习解决短程避障任务，随后基于 PRM 建立可靠的仿真环境，最后在实际机器人上通过自动学习技术进行长距离室内导航，并且实验结果表明 PRM-RL 比其他基线算法更为成功并且具有鲁棒性。

Feb, 2019

本文提出了一种混合在线部分可观察马尔可夫决策过程规划系统，针对多模态不确定性对自主导航的影响。通过使用多查询运动规划和在线 POMDP 求解器，我们实现了更加灵活和高效的实时方法，从而更好地解决了密集人群和障碍物之间的自主导航问题，并获得了更高的安全性和效率。

Jun, 2022

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机器人速度的可穿越性新表示方法，该方法可通过对数据的学习获得，可以轻松地与各种规划范例相结合，并且在成本图的形式下提供风险感知成本项。数值模拟表明，该风险感知规划算法导致平均到达目标的时间更快，并且 Planner 可以调节为稍慢但方差较低的行为。此外，该方法在一个高度真实的 Unity 环境中得到了展示，并表明其在导航成功率方面提供了 30％的改进。

Mar, 2022

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