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

本文介绍了一种新的算法 PRM * 和 RRT*，证明了它们是渐近最优的，并且在样本数增加的情况下，它们的解决方案成本几乎肯定收敛于最优值。这些算法的计算复杂度与传统的，但不是渐近最优的算法相当。

May, 2011

该研究论文探究了将确定性的低离散度采样序列应用于机器人运动规划中的概率采样算法，并证明了其渐近最优性，并通过数值实验验证了其在路径成本和成功率方面表现出更高的性能。

Apr, 2015

PRM-RL 是一种利用采样路径规划结合强化学习实现远程导航的分层方法，其中 RL 代理通过学习短距离点到点导航策略，采用面向特征和深度神经网络及 PRMs 进行构建，并通过采样计划器提供的规划路径实现机器人的控制。PRM-RL 的应用结果表明，在室内和城市环境下，比起单独使用 RL 代理或传统的采样路径规划方法，PRM-RL 实现了任务完成度的显著提升，在噪声传感器条件下成功完成长达 215 米的轨迹，且实现了对 1,000 米长的空中货运的无违约任务达成。

Oct, 2017

PRM-RL 是一种层次机器人导航方法，其中用强化学习智能体学习解决短程避障任务，随后基于 PRM 建立可靠的仿真环境，最后在实际机器人上通过自动学习技术进行长距离室内导航，并且实验结果表明 PRM-RL 比其他基线算法更为成功并且具有鲁棒性。

Feb, 2019

本文介绍了一种新型的算法 —— 快速探索随机图（RRG）及其树形版本 RRT $ ^ * $ 算法，并证明这两个算法都可以在几乎确定地收敛到最优解。此外，文章还建立起采样运动规划算法和随机几何图理论之间的新联系，以证明所提出算法的复杂度与传统 RRT 算法相比是等价的。

May, 2010

提出了 Learned Path Ranking 方法，通过对路径生成方法（包括路径规划、贝塞尔曲线采样和学习策略）的排序学习，可以在保持以前样本效率的同时，实现更多的任务，并在 16 个 RLBench 任务中进行了基准测试。

Apr, 2022

本文提出了一种新的分层路由优化器，该优化器结合了优化和机器学习，通过可学习参数解决了有挑战性的最后一英里物流服务中遇到的困难的实际问题，并使用亚马逊的真实交付数据集证明了这种方法的重要性。

Mar, 2023

介绍了一种使用共轭先验和仿射变换降低蒙特卡罗估计方差的动态机制，该机制适用于解决概率程序中可分析子结构的问题，并加以应用于顺序蒙特卡罗推断和 Anglican 等编程语言。

Aug, 2017

本文介绍了如何将 B-spline 与神经网络结合，通过引入一种新的 B-spline 路径构建方法，实现在约 11ms 内快速生成满足环境和汽车动力学约束条件的局部机动，在 Bench-MR 框架下，该方法在所考虑的任务中表现出远超其它规划器的高效性。

Mar, 2022