通过学习地形性质直接获取数据，本研究以有效地量化离散牵引分布和牵引预测潜在特征的概率密度，利用证据深度学习参数化与网络输出的狄利克雷分布，并提出了一种新颖的风险感知和平方地球移动距离损失，通过模拟最坏情况下的牵引来处理不确定性，惩罚通过具有高认知不确定性的地形的轨迹，并在仿真中广泛验证以及在轮式机器人和四足机器人上进行比较，显示出改进的导航性能。

Nov, 2023

该研究提出了一个从感知中学习语义导向运动技能的框架，以使四足机器人可以穿越复杂的越野地形在感知信息的帮助下以适当的速度和步态进行行走。

Jun, 2022

提出一种基于人类认知和成本评估的自适应运动规划器，以实现自动驾驶车辆在复杂地形和挑战性场景中的稳定高效行驶。通过构建多层地图描述不同的越野地形特征，并利用 CNN-LSTM 网络学习人类驾驶员在各种越野情景下规划的轨迹，设计了基于原始轨迹和成本权重选择的轨迹规划器，能生成与越野车辆动力学一致的高度自适应、稳定、高效的轨迹。在复杂地形和不同路况的沙漠越野环境中进行实验证明，提出的人类化运动规划器在不同越野条件下具有极好的适应性，实时操作、更大稳定性，并且在多样化和挑战性场景中具备更加人类化的规划能力。

Apr, 2024

面向离线环境的自主导航，提出了一种基于航空图像的不确定性感知路径规划方法（URA*），利用集成的卷积神经网络模型从区域感兴趣的航空图像中进行像素级可行性估计，然后应用不确定性感知规划器计算路径，并使用重规划技术来实现在线机器人操作中的快速重规划。结果表明，该方法在初始路径的质量和可行性及重新规划路径的质量方面优于传统规划算法。

Sep, 2023

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

提出一种适用于自主驾驶的、适应于车辆周围复杂地形信息的、六自由度动态学模型，并设计出相应的安全稳定的模型预测控制器。仿真实验表明，相比基线模型，该模型 - 控制器组合表现出更好的高速行驶性能，具备较高的安全性和稳健性。

May, 2023

使用自定义的模拟器和强化学习系统，在 Unity 游戏引擎中为自主车辆设计了一个端到端的深度强化学习解决方案，通过基于奖励的训练和控制栏函数，帮助智能体在真实场景中进行泛化，并通过提出的模拟环境在实际 RC 汽车上部署该方法。

Apr, 2024

WayFAST（无路标自主系统）是一种基于自我监督学习方法，使用 RGB 和深度数据以及导航经验，在户外非结构化环境中自动生成适合行走的路径，通过对移动机器人轮胎牵引力的估计以及基于牵引力估计的在线过程中进行自我监督式的算法优化，能够学习避免几何障碍和不可横跨区域 (如雪地) 的有效方法，并且比其他启发式方法更有效。

Mar, 2022

研究如何保证机器人在不完美的环境观测下的行动安全性并设计了一种安全性检查的算法实现

May, 2017

本文提出了一种混合在线部分可观察马尔可夫决策过程规划系统，针对多模态不确定性对自主导航的影响。通过使用多查询运动规划和在线 POMDP 求解器，我们实现了更加灵活和高效的实时方法，从而更好地解决了密集人群和障碍物之间的自主导航问题，并获得了更高的安全性和效率。

Jun, 2022