本文提出了一种应用机器人路径规划中的深度流形学习以实现机器人抓取多个运动目标和同时回避多个动态或静态的障碍物的算法框架。通过使用扩散图生成摆脱障碍物所需的移动指令，同时跟踪快速移动的目标。实验结果表明，该方法可以在控制机器人臂的各种操作中取得良好的效果。

Sep, 2022

为了确保机器人等自主车辆的广泛部署，本文提出了一种新的闭环范式用于综合安全控制策略，明确考虑系统在可能的未来情景下的演变不确定性，通过物理动力学和机器人的学习算法共同推理，利用对抗深度强化学习进行放大，展示了该框架能够处理贝叶斯信念传播和大规模预训练神经轨迹预测模型引起的隐式学习。

Sep, 2023

本文提出了一种最小干预的安全控制器，通过使用到达性分析构建实时控制器，实现单车道场景中无碰撞互动的自动驾驶汽车交通合作，并验证其有效性及安全性。

Dec, 2018

本研究提出了一种基于不确定性的模型学习算法，以实现移动机器人学习导航和避免碰撞的目标，该算法可以估计碰撞概率并通过不确定度来控制行进速度，并利用神经网络从传感器中处理原始数据，实验结果表明，该方法能在模拟和真实的四旋翼和遥控汽车中有效地减少训练期间的危险碰撞。

Feb, 2017

本文提出了一种保护机制，利用快速到达性分析保证机械臂控制在人群环境下的安全，并且证明该方法能够有效地提高强化学习的性能。

May, 2022

本文提出了一种结合现实强化学习、基于搜索的在线轨迹规划和自动紧急情况干预的高效碰撞避免系统，用于在室内实际环境下的移动机器人安全行驶。实验结果显示该方法比多种基线更优秀，可以实现更高的平均速度、更低的碰撞频率、更高的目标达成率、更小的计算开销和更平滑的整体控制。

Sep, 2022

在机器人学中，我们提出了一种集成无障碍深度强化学习轨迹规划器和新颖的自适应低级和关节级控制策略的方法，通过与环境的交互来激活学习阶段，解决了学习基于模型的复杂性和稳定性和安全性之间的挑战。

Feb, 2024

本文介绍了一种集成框架，用于支持主动的人机协作，并解决了数据稀缺、人员行为多样、交互安全不确定等问题。实验表明，该框架在 Kinova Gen3 机器人的组装任务中，能有效地提高任务效率，以及确保主动协作的安全性。

Jun, 2023

指导机器人与人类协同工作的更高级解决方案是必要的。由于实际合作需要进行物理接触，因此使用机器学习算法和机器人自我感知进行接触检测是实现此目的的关键挑战。这项工作利用深度度量学习来区分接触和非接触的机器人运动，并取得了非常有希望的结果，证明 DML 可以实现更精确的分类并具有良好的泛化能力。

Feb, 2023

本文从 Riemann 流形的角度研究了机器人运动学习范式，并探讨了通过人类示范学习获得 Riemann 流形以及通过利用考虑障碍物的周围度量重新塑造学习的流形来促进末端点 / 多肢体避障的技术。通过 7 自由度机器人操作机械臂展示了学习和生成基于复杂运动模式的运动技能的能力，并评估了多种障碍物避开策略和在多种模式下生成轨迹。

Mar, 2022