通过机器人之间的 peer-to-peer 通信，在使用高斯信念传播在非线性因子图上对机器人网络观测的概率结构进行计算的基础上，我们实现了一个灵活的 Robot Web 解决方案，可以解决千个机器人相互交互的问题，即使测量传感器或通信数据包出错，该方法也具有容错性。

Feb, 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

本篇论文提出了一种基于协调的认知预测和规划框架来解决多机器人系统中的非通信性渲染问题，同时实现了探索、覆盖、任务发现和完成以及汇合应用等任务，该框架通过基于前沿的方法在人工物理学框架内实现置信状态的传播和环境覆盖，经过模拟和实验验证了其有效性。

Feb, 2023

基于变分高斯过程的机器人运动规划算法，通过统一和概括各种基于概率推断的运动规划算法，平衡了路径的成功率和质量，并且提供了不确定性估计。

Sep, 2023

高维模型中的高效推理是机器学习中的一大挑战。本文介绍了高斯集成信念传播算法（GEnBP），它是集合卡尔曼滤波器和高斯信念传播方法的融合。GEnBP 通过图模型结构中的低秩局部消息传递来更新集合，结合了每种方法的优点，能够处理高维状态、参数和复杂、嘈杂、黑盒子生成过程。GEnBP 特别适用于集合大小远小于推理维度的情况，常见于时空建模、图像处理和物理模型反演等领域。GEnBP 可应用于包括联合学习系统参数、观测参数和潜在状态变量在内的一般问题结构。

Feb, 2024

通过将 Belief Propagation、门控循环单元和图注意力网络无缝地整合进消息传递框架中，我们提出了一种名为 DABP 的深度注意力置信传播模型，它可以推断得到优化后的权重和阻尼因子，通过无需昂贵的训练标签，可有效避免常见的分布问题进行自我监督学习，并通过实验表明它显著优于现有的基线模型。

Sep, 2022

基于分布式高斯过程的多智能体强化学习技术能够利用深度学习的最新进展，在未知目标上规划和决策，以解决传统方法所依赖的启发式问题，并在硬件实验中展示了在无人机群组上的应用性能和可迁移性。

Aug, 2023

使用高斯信仰传递算法（GaBP）解决线性方程组问题，实现了迭代解法，从而实现了分布式消息传递实现解决方案的算法。通过广泛的模拟实验，在具有数百万节点和数亿通信链接的真实网络拓扑上展示了 GaBP 算法的吸引力和适用性。

Nov, 2008

该论文研究了大规模组目标跟踪问题，提出了一种基于置信传播（BP）框架的可扩展组目标置信传播（GTBP）方法，将目标存在变量、组结构、数据关联和目标状态联合推断计算，具有良好的可扩展性和低计算复杂度。

Aug, 2022

研究了基于信念空间规划的在线决策问题，在信息收集等场景下，介绍了一种自适应的方法来寻求最大可行回报，应用这种方法可以在保证准确率的前提下显著加速在线决策过程，并进行了大量现实模拟来验证此方法的优越性。

Feb, 2023