利用自监督多臂赌博机和光幕进行主动速度估计
使用适应性粒子滤波和多智能体运动模型的实时算法，可通过高清人群视频数据集计算人群中每个行人的轨迹，本方法比之前技术快 4-5 倍，并且仅需桌面 CPU 即可在交互速率下跟踪十多个行人。
Feb, 2014
本文提出了一种应用机器人路径规划中的深度流形学习以实现机器人抓取多个运动目标和同时回避多个动态或静态的障碍物的算法框架。通过使用扩散图生成摆脱障碍物所需的移动指令，同时跟踪快速移动的目标。实验结果表明，该方法可以在控制机器人臂的各种操作中取得良好的效果。
Sep, 2022
通过学习基于粒子的动力学模型来实现机器人对布料的操作，该模型具有较强的归纳偏差和物理学习能力，同时具有视觉不变性和良好的预测可视化性。在仿真和现实场景下取得了优异的表现。
May, 2021
本文提出了一种轻量、统计鲁棒的框架，利用符合推理来提取视觉坐标自适应预测间隔的不确定性，勾画了生成深度神经网络、蒙特卡洛 Dropout、区间打分和校准损失等技术，从而改善不确定性感知学习对于决策领域的应用。
Mar, 2023
本文提出了一种使用自监督学习方法，在自动驾驶雷达数据上利用目标检测网络学习物体的笛卡尔速度的方法，不需要昂贵的速度标注。通过利用未标记数据的目标检测预测来更新标记帧的预测速度，我们提出的方法在几乎达到完全监督训练的性能的同时，无需昂贵的速度标签，并且优于使用仅径向速度测量作为标签的基准方法。
Jul, 2022
本研究提出了一种基于全局轨迹布局及卷积网络预测与卡尔曼滤波融合的方法，重点解决自主微型飞行器的难以精确的导航、环境不确定以及姿态估计误差等问题，成功应用于 IROS2018 无人机比赛中并取得优异成绩。
Oct, 2018
该论文提出了基于 LiDAR 的 3D 目标检测模型 BtcDet，利用该模型能够学习物体形状先验并预测点云中部分被幕布覆盖的物体形状，结合占用概率地图和候选框精修模块，BtcDet 能够检测出 KITTI 数据集上汽车和自行车等的 3D 目标。
Dec, 2021
本论文介绍了一种用于估计自动驾驶车辆和 / 或机器人应用的传感器设置的盲区的方法。与依赖几何近似的先前方法相比，我们提出的方法利用准确且详细的 3D 模拟环境，提供了更实际的覆盖范围估计。我们的方法利用来自 LiDAR 传感器的点云或高保真仿真目标场景的相机深度图像，提供准确且可操作的可见性估计。基于蒙特卡洛的参考传感器仿真使我们能够准确地估计盲区大小作为覆盖度度量，并了解任意位置上的物体检测概率。
Feb, 2024
建议利用传感器和算法的组合，建立一个适用于视障人士的导航系统，该系统基于传统的 RGB-D 相机，结合鱼眼相机的信息，提供了对环境的鲁棒性与可靠性，使用户能够规划路径并避开障碍物。
Jan, 2024