本研究提出一种名为神经导航移动操控（N$^2$M$^2$）的方法，通过将移动操控任务分解为任务空间中的简化运动生成器和移动基地的训练强化学习代理，同时通过对复杂障碍环境的扩展，可以在未知环境中执行不可见、长视距任务，并立即对动态障碍和环境变化做出反应。

Jun, 2022

LM-Nav 是一个基于预训练模型的系统，它可以在大型未注释数据集上进行训练，不需要任何细化或语言注释的机器人数据，通过预先训练的导航模型（ViNG），图像语言关联（CLIP）和语言建模（GPT-3），可以通过自然语言指令在复杂的户外环境中漫游。

Jul, 2022

利用基于模式的指令将 LLMs 整合到具有身体导航功能的第一个通用模型 NaviLLM 中，该模型在各种任务中取得了最新的成果，并在 CVDN、SOON 和 ScanQA 上的性能达到了最新发展水平。

Dec, 2023

通过跨模态融合方法和知识迁移框架，提出了一种改善移动机器人的泛化能力并实现从模拟到实际场景的导航技能转移的方法，通过教师 - 学生蒸馏架构，在理想环境中学习判别性表示和接近完美的策略，通过模仿教师的行为和表示，学生能够对来自多噪声模态输入的特征进行对齐，并减小变异对导航策略的影响，实验结果表明我们的方法在模拟和实际环境中全面超越了基准方法，并在不同工作条件下实现了稳健的导航性能。

Sep, 2023

本研究提出从视觉语言导航和对话历史导航两个任务中学习的多任务导航模型，同时还探索了一种用于导航策略的环境无关表示法，并证明环境无关多任务学习可以显著降低在未见过环境上的性能差距。

Mar, 2020

通过学习一个可变性贝叶斯模型来生成下一个观察期望，从而提高视觉导航的跨目标和跨场景泛化能力。我们的模型基于当前的观察和目标视图，以模型驱动和目标驱动的方式，通过混合高斯先验形成潜在空间，来有效地改善模型的泛化能力，并模拟了代理 - 环境交互的前向动力学，提高了近似推理的质量和数据效率。实验结果说明，我们的模型在成功率、数据效率和泛化能力方面均优于现有的最先进模型。

Jun, 2019

机器人学习在陌生环境中导航需要提供任务导向导航和任务无关探索的策略。本文介绍了如何训练一个统一的扩散策略来处理目标导向导航和目标无关探索，证明了该统一策略在导航到视觉指示目标时相比于其他方法具有更好的性能和更低的碰撞率。

Oct, 2023

提出一种广义计算图，包含基于价值的无模型方法和基于模型的方法，通过学习从原始图像中学习导航模型，实现样本高效，并利用模拟实验和实际应用验证了新方法的优越性。

Sep, 2017

提出了一种创新性的框架 Co-NavGPT，将大型语言模型（LLMs）作为多机器人合作视觉目标导航的全局规划器，通过编码探索环境数据，为每个机器人分配探索边界，实现高效的目标搜索，实验结果表明 Co-NavGPT 在成功率和效率方面优于现有模型，展示了 LLMs 在多机器人协作领域的巨大潜力。

Oct, 2023

通过将模型驱动控制与基于学习的感知相结合，本研究提出了一种适用于未知场景下机器人导航的方法，实验结果表明，相比于几何映射和终端学习方法，该方法在处理复杂环境下的目标到达更加可靠和高效。本方法不依赖于对环境的详细、明确的 3D 地图，适用于低帧率，且具有良好的仿真到真实世界的泛化性能。

Mar, 2019