论文介绍了一种名为Active Neural SLAM的模块化和分层方法来学习探索3D环境的策略，并在真实的3D环境中进行实验，结果表明该方法比过去的学习和几何方法更有效。

Apr, 2020

提出一种新型的主动摄像机定位算法，包括一个被动和一个主动模块，前者通过建立点对点的相机与世界的对应关系，在连续的位姿空间中优化相机位姿，后者则显式地建模场景和相机的不确定性部件以规划精准摄像机位姿估计的路径。

Dec, 2020

提出一个用于多智能体视觉导航的大规模三维数据集CollaVN，探索不同MAVN方法进行智能体的协作，用于弥补以往方法只关注格子世界或者游戏环境的不足，并采用记忆增强型通信框架提高多智能体合作效率和鲁棒性。

Jul, 2021

本文提出了一种基于多智能体协作的视觉语义导航方法，通过分层决策框架、场景先验知识和通信机制，可以使多个机器人协同完成探索任务，并在测试实验中表现出与单一智能体模型相比更高的准确性和效率。

Sep, 2021

本文介绍了一种名为NeuralCoMapping的算法，通过将多机器人建图问题转化为二分图匹配，并使用多通道图神经网络来简化亲和矩阵的填充过程，同时通过增强学习来优化线性分配层，该算法能够在较短时间内完成完整的地图构建，同时在各种室内场景和未见过的机器人数量上获得卓越的性能和通用性。

Mar, 2022

我们提出了一种异步的多智能体强化学习算法，Asynchronous Coordination Explorer (ACE)，可以在处理机器人探索问题时减少实际探索时间，并通过使用基于CNN的策略将遗失的机器人维护在一个团队中。

Jan, 2023

本文介绍了一种基于图神经网络的多智能体导航任务的目标条件层次方法，名为MAGE-X，该方法由高级目标指挥官和低级行动执行器组成，并通过使用关键合作者构建子图来提高合作。结果显示，MAGE-X在多智能体颗粒环境（MPE）和更复杂的四旋翼3D导航任务中均优于最先进的MARL基线。

Feb, 2023

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

我们提出了基于多智能体可扩展图神经网络的分层规划器(MASP)，用于具有大量智能体的导航任务，通过将搜索空间分成多个较小的空间以减少复杂度和加快训练收敛速度，并利用图神经网络建模智能体和目标之间的相互作用，提高目标实现能力，并在未见过的团队规模工作场景中展示了零-shot泛化能力。

Dec, 2023

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