通过基于单次环境遍历构建交互世界模型、预训练视觉特征编码器和随机环境增强的方法，提出了一种在移动机器人上学习导航到固定目标并在已知环境中进行零样本迁移的方法。该方法成功应用于真实环境变化下的导航问题，避免了过拟合问题。

Nov, 2017

通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

Mar, 2017

自主轮足机器人具有改变物流系统的潜力，通过采用自适应步态控制、导航规划和城市内的大规模路径规划等创新解决方案，能够有效实现对复杂环境中的自主导航。

May, 2024

本文介绍了一种用机器学习来提高机器人导航技能的学习工具箱及其设计原则，并总结了作者们最近研究的实验结果和未来工作的方向。

Dec, 2022

本研究提出一种名为神经导航移动操控（N$^2$M$^2$）的方法，通过将移动操控任务分解为任务空间中的简化运动生成器和移动基地的训练强化学习代理，同时通过对复杂障碍环境的扩展，可以在未知环境中执行不可见、长视距任务，并立即对动态障碍和环境变化做出反应。

Jun, 2022

本文介绍了一种基于视觉技术和先进路径规划算法的自主机器人导航系统，该系统可以避开障碍物并朝着目的地导航，其性能通过定性和定量指标进行评估，研究结果有助于室内机器人导航的发展。

Jul, 2023

通过将模型驱动控制与基于学习的感知相结合，本研究提出了一种适用于未知场景下机器人导航的方法，实验结果表明，相比于几何映射和终端学习方法，该方法在处理复杂环境下的目标到达更加可靠和高效。本方法不依赖于对环境的详细、明确的 3D 地图，适用于低帧率，且具有良好的仿真到真实世界的泛化性能。

Mar, 2019

本文提出了一种机器人导航系统，采用模仿学习框架在复杂环境下成功导航，使用 RGB 和深度 (RGBD) 信息，可以应对大型环境和多个房间及未知目标的导航，相较于多个基准测试具有更好的性能。

Sep, 2019

该文章提出了一种利用路径抽象、端到端优化神经网络实现在动作不确定性和环境变化下追踪路径的方法，并在仿真器中进行了实验验证，结果表明其表现优于传统方法和其他基于学习的基准线。

Dec, 2018

提出了一种全新的端到端方法，利用卷积神经网络将嘈杂的传感观测直接映射到避撞轨迹，从而实现四旋翼的高速自主飞行。在模拟训练中，该方法可以实现从模拟到真实环境的零 - shot 迁移，成功地使四旋翼在森林、雪地、脱轨的火车和倒塌的建筑物等复杂环境中高速自主飞行，并优于传统方法。

Oct, 2021