基于大型语言模型的新方法 SayNav，通过建立探索环境的三维场景图，生成高级导航计划，并利用预训练的低级规划器逐步执行，动态生成导航过程中的指令并根据新感知信息不断改进步骤，有效在大规模新环境中定位多个不同物体。

Sep, 2023

智能自主路径规划的关键是提高行星探测器的探索效率。本文提出了一种基于学习的方法，用于在高程地图中快速搜索最优路径，称为 NNPP 模型。该模型通过大量预注释的最优路径示范中学习起点和目标位置的语义信息以及地图表示，并生成每个像素的概率分布，表示其属于地图上最优路径的可能性。通过计算从 DEM 中获得的坡度、粗糙度和高度差来计算每个网格单元的遍历成本。随后，使用高斯分布对起点和目标位置进行编码，并分析不同位置编码参数对模型性能的影响。在训练后，NNPP 模型能够在新颖的地图上进行路径规划。实验证明，NNPP 模型生成的导航场能够在相同硬件条件下显著缩短寻找最优路径的时间，并且 NNPP 的优势随着地图规模的增加而增加。

Aug, 2023

提出了一种基于深度强化学习的算法 CoverNav，用于在隐蔽环境下识别和导航无人地面车辆，同时保持低成本轨迹，并在 3D 点云数据、机器人姿态和目标信息生成的高程图上确定最大的隐蔽性，以及通过选择自然障碍物作为遮蔽物来隐藏。

Aug, 2023

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

通过观察自主移动机器人在现实世界中的操作失败，提出了一种基于强化学习的导航学习方法，该方法学习一个神经网络模型来避免机器人执行意外操作，并在各种复杂真实的道路环境中表现优异。

Oct, 2020

本文总结了 LunarNav 项目的最新发展，该项目开发了算法和软件，能够使月球探测车在月球上具备全球定位和导航能力，以实现对约 2000 公里范围内的区域进行探测和勘探工作，并通过检测周围的陨石坑来匹配数据库中已知的陨石坑，最终目标是实现定位误差小于 5 米，方向误差小于 3 度的自主导航。

Jan, 2023

此研究比较了两种可学习导航策略（安全和不安全），表明安全策略能够在训练过程中生成具有更大间隙（与障碍物之间的距离）的轨迹，减少碰撞，且不影响整体性能。

Jul, 2023

本论文介绍了深度强化学习在自主导航中的应用，指出安全性和泛化性等方面的限制，并探讨了四种学习技术及其在新型开源导航基准和实际环境中的应用，以此进行了全面研究。

Oct, 2022

本文提出了一种基于元学习的方法，通过将贝叶斯回归算法（P-ALPaCA）与参数仿射的标称模型相结合，增强了探测器动力学的概率预测，并引入了一种正则化方法，以鼓励标称和学习特征的正交性，从而导出可解释的各种地形条件下的地形参数的概率估计。

Sep, 2020

提出了一种增强型导航系统，使机器人能够识别和利用自然和人工的环境特征作为掩护，从而减少对潜在威胁的暴露，并以高效的方式进行导航。通过使用 LiDAR 数据生成高保真度的掩护地图和潜在威胁地图，我们的感知管道提供了对周围环境的全面理解。通过使用从真实环境中收集的多样化数据集训练离线强化学习模型，学习一个评估候选动作质量的强大策略，该策略基于其最大化掩护利用、最小化对威胁的暴露以及有效到达目标的能力。广泛的真实世界实验证明了我们的方法在成功率、掩护利用、暴露最小化和导航效率方面相对于最先进方法的优越性。

Mar, 2024