复杂环境下机器人路径规划的一种基于知识的遗传算法
我们提出了将遗传算法与词典式评估候选解相结合的方法，以克服模块化机器人设计中的优化模块组成问题，从而开辟了超过之前工作数量级的搜索空间。我们证明了我们的方法优于最先进的基准线，并能够合成用于杂乱环境中的工业任务的模块化机器人。
Sep, 2023
通过开发计算上高效且有效的算法，我们为在不确定信念状态下预测可能的传感器测量结果这一困难问题提供了一个更精确的近似解。实验结果表明，在多旋翼飞行器的广泛模拟和实地实验中，我们的方法在无线电源跟踪和定位问题中取得了改进的性能增益。
May, 2024
本文章提出了一种基于 ROS 框架的混沌路径规划应用程序，该程序通过提供避障技术、混沌轨迹分散和准确覆盖计算等技术，解决了对于限制目标的自主搜索与遍历任务的三大关键问题，其性能可与传统最优路径规划器相媲美，并在多种大小、形状和障碍物密度的真实环境与 Gazebo 模拟中进行了测试。
May, 2023
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
本研究在复杂环境中研究了机器人交互问题，通过扩展路径积分控制的自由能公式中的样本空间，提出了一种嵌入不确定性的路径积分控制方法，为基于模型的机器人规划提供了鲁棒性，实验证明了其能够在不损失性能的情况下实时运行。
Jun, 2020
通过提出高效的冲突引导方法，避免了计算下一个最佳分配时的瓶颈，以及引入两种算法优化来提高效率和可扩展性，研究表明该算法在实际场景中取得了近一个数量级的加速效果。
Feb, 2024
本文提出了一种基于强化学习的路径生成（RL-PG）方法，以用于移动机器人导航，无需事先探索未知环境。该方法采用深度马尔可夫模型优化的 RL 算法生成多个预测路径点，通过运动微调模块 fine-tuning 机器人的运动以确保跟踪预测点时的安全。通过在模拟和物理平台上的部署，证明本文提出的方法有效并且其成功率更高于 DWA-RL 和传统的 APF 导航方法。
Oct, 2022