使用深度强化学习，本文研发了一种尊重人们常见社交规范的导航策略，可以使机器人车辆在行人密集的环境中以人类步速进行完全自主导航。

Mar, 2017

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

基于机器人的状态 - 动作历史，提出了第一个社交动力学适应模型（SDA），用于推断社交动态。在共享环境中，机器人通过学习人类轨迹并基于该信息、当前状态和前一动作学习运动策略，成功实现了人机协作和社交导航。通过在 Habitat 3.0 平台上的实验，SDA 展现出了前所未有的优秀表现，达到了新的技术水平。

Apr, 2024

该研究介绍了一种新的人类感知式导航方法，其中机器人通过学习模仿人类在人群中安全导航。通过使用 DeepMoTIon 模型，该系统通过 LiDAR 扫描处理并预测人类行为，实现导航目标的达成，同时保证了系统遵循社交规范，且无一异常情况。

Mar, 2018

我们开发了一个统一的感知和导航框架，利用视觉重新识别、手势检测和无碰撞导航的组合，使机器人能够识别和跟随目标人物，并避免障碍物和其他个体在环境中，以此实现人机协作中机器人的操作灵活性以及个性化辅助的提供。

Nov, 2023

本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

Oct, 2020

本研究介绍了一种新的基于共享自治导航系统的社会感知的辅助机器人平台，该平台以听取用户喜好为导向，实现了较安全、较自主的导航，以提高辅助移动技术在建筑环境中的可接受度。

May, 2024

本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

May, 2018

通过使用第三人称视角的单目摄像头替代第一人称视角的传感器，在机器人室内导航中实现了通过人类轨迹预测被遮挡地板的可通过性，可在具有挑战的视觉场景中稳定地进行预测。

Sep, 2023