采用拉格朗日松弛技术，将不可解的估计问题重新定义为更可处理的图上问题，通过相应约束的松弛最大化优化问题，并应用于离散和高斯图模型的MAP估计及优化问题中。

Sep, 2007

本文提出了一种新的多项式时间算法来解决最小化无向图模型的能量问题，利用凸松弛方法得到部分最优非松弛积分解，并采用迭代修建策略优化算法，相较之前的方法表现更好。

Oct, 2014

本文提出了一种用于找到NP难问题下离散图像模型MAP推理的部分最优解的算法，并通过使用一个线性规划松弛的精确求解器，标记出一些标签作为其最大可能的标签。

Aug, 2015

本文提出了分布式算法和对象模型的应用来协调机器人协作建图，以减少通信成本和提高效率。

Feb, 2017

本研究探讨离散马尔可夫随机场的最大后验概率推断的非凸连续松弛，研究表明该松弛对于任意马尔可夫随机场都是紧密的，并且可以通过简单的块坐标下降算法轻松地达到其离散稳定点。我们进一步研究了使用基于交替方向乘子法(ADMM)的多线性分解框架的高效解决方案，该方案在许多现实世界的问题上的实验证明，ADMM比其他非凸松弛方法表现更好，并且在不同设置中与最先进的MRF优化算法比较时表现优异。

Feb, 2018

本文针对于组合搜索空间的优化问题，提出了一种基于高斯过程的贝叶斯优化算法，通过组合图的方法量化并且模拟变量之间的高阶交互，不仅能在可行性问题和神经架构搜索等方面取得比最先进的创新解决方案更好的结果，而且具有较好的计算效率和统计效率。

Feb, 2019

该研究提出了一种通过图论技术和本地环境特征来识别关键状态的方法，并通过分层图中的全局连接有效利用这些关键状态来提高采样规划效率的“Critical Probabilistic Roadmaps ”的算法，达到比均匀采样高三个数量级的效率提升。

Oct, 2019

通过增加Gumbel噪声扰动的规模参数和引入特定于随机离散-连续计算图的dropout残差连接，可以训练复杂的离散-连续模型，且其泛化能力优于连续模型。

Jul, 2023

通过在模拟环境中学习视觉运动策略，我们提出了一种通过视觉域随机化方法来解决模拟与真实世界之间差异的问题，并在丰富的机器人操作任务中进行了基准测试。我们的方法在各种挑战性的操纵任务中取得了93%的成功率，并证明了模拟器训练的策略在真实场景中的视觉变化下具有更好的鲁棒性。

Jul, 2023

本文介绍了一种表示机器人的高维配置空间的新方法，通过利用机器人的运动链和人类基于色调的颜色感知能力，构建了一种2D投影的可视化。通过该方法，可以定性地了解机器人的关节边界和碰撞状态组合，同时从定量的角度显示了所提出的表示方法不仅捕捉了精确度，还提供了额外的信息，增强了比较不同高维配置空间的能力。

Dec, 2023