在这项工作中，我们提出了一个新颖的四肢导航框架 TOP-Nav，它将全面路径规划器与地形感知、避障和闭环本体感知整合在一起，突出了视觉和本体感知在路径和动作规划中的协同作用。通过在路径规划器中引入地形估计，我们使机器人能够在更易通过的地形上选择航点，同时有效避开障碍物。在动作规划水平上，我们不仅实现了一种运动控制器来跟踪导航命令，还构建了一个本体感知顾问，为路径规划器提供动作评估。基于闭环运动反馈，我们对基于视觉的地形和障碍物估计进行在线校正。因此，TOP-Nav 在开放世界导航中实现了机器人能够处理先前知识分布范围之外的地形或干扰，并克服了视觉条件造成的约束。通过在模拟和真实环境中进行广泛实验，TOP-Nav 在开放世界导航中展现出了优于现有方法的性能。

Apr, 2024

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

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

自主机器人在未知环境中可靠导航，即使在外部感知出现故障时，或者感知算法由于有限泛化能力而对场景进行错误解释时也是如此。本文将感知故障建模为不可见的障碍物和坑洞，并训练了基于强化学习的本地导航策略来引导四足机器人，在受损感知的情况下对感知故障进行端到端的环境重建和响应。

Oct, 2023

本文介绍了一个名为 PRELUDE 的层级学习框架，其中包括高层决策和低层步态生成。在该框架中，高层导航控制器用人类演示进行了模仿学习，而低层步态控制器则使用强化学习获得多样化的步态。该方法在仿真和硬件实验中表现出色。

Sep, 2022

该研究提出了一个通过注意力机制进行运动控制的算法，将内部和外部感知模式结合，以提高遗憾机器人在恶劣环境下并发控制的速度和稳定性。

Jan, 2022

本研究使用实际噪声模型和视觉里程法，改进了 Habitat PointNav 基准中 PointGoal 导航任务的成功率，成功率从 64.5% 提高到 71.7%，速度提高了 6.4 倍。

Aug, 2021

我们提出了一种使用基于 Transformer 的模型从配 proprioceptive 信息和高维度深度传感器输入中学习的强化学习（RL）来解决四足动物行走任务的方法。

Jul, 2021

提出了 MVP 方法，该方法利用视觉感知和优化运动估计数据相结合，通过强化学习实现无人驾驶车辆的自主导航，相较于传统的仅利用视觉进行导航的方法，MVP 在大尺度环境下具有更高的学习速度、准确性和稳健性，同时克服了 GPS 数据的可靠性问题。

Mar, 2020

通过学习动力学特征，采用嵌入式视觉技术的软多面体网络能够实现自适应的肌感知觉和粘弹性本体感知觉，结合简化设计、全向适应和高精度的本体感知，为机器人提供了低成本的万能解决方案。

Aug, 2023