在自主导航设置中，考虑到变化，我们开发了一种新颖的综合地形和机器人信息的前向动力学模型 TRADYN，它基于神经过程的元学习前向动力学模型，能够适应各种变化情况，并在实验中表现出更好的长时轨迹预测和导航计划性能。

Jul, 2023

该论文提出了一种新的基于学习的运动学逆解模型：Visual-Inertial Inverse Kinodynamics (VI-IKD)，它结合了惯性和视觉信息，可以预测地形与车辆间的运动学相互作用，提高了无人车高速越野导航的准确性和鲁棒性。

Mar, 2022

提出一种基于人类认知和成本评估的自适应运动规划器，以实现自动驾驶车辆在复杂地形和挑战性场景中的稳定高效行驶。通过构建多层地图描述不同的越野地形特征，并利用 CNN-LSTM 网络学习人类驾驶员在各种越野情景下规划的轨迹，设计了基于原始轨迹和成本权重选择的轨迹规划器，能生成与越野车辆动力学一致的高度自适应、稳定、高效的轨迹。在复杂地形和不同路况的沙漠越野环境中进行实验证明，提出的人类化运动规划器在不同越野条件下具有极好的适应性，实时操作、更大稳定性，并且在多样化和挑战性场景中具备更加人类化的规划能力。

Apr, 2024

该篇论文研究如何在戶外和非结构化环境下使用多种传感器来构建预测机器人动态的模型，实验表明多种传感器的组合能够更准确地预测机器人的状态变化。

Nov, 2020

通过数据驱动的学习方法，我们研究自主小型车辆的运动学模型，并观察其对运动规划（特别是自主漂移）的影响。我们基于惯性测量和执行命令来学习运动学规划器，以帮助我们了解世界状态。我们的研究主要关注漂移，并试图学习这些漂移动作的运动学模型，以及尝试减小车辆空转的滑动。我们的方法能够学习到高速圆形导航的运动学模型，并能够通过纠正松散漂移的曲率对高速漂移中的障碍物进行避让。我们将在未来的工作中调整我们的运动学模型以获得更好的紧急漂移效果。

Feb, 2024

本文提出了一种多层次的运动规划和控制架构，用于自主驾驶赛车，能够避开静态障碍物，执行主动超车，并达到超过 75 m /s 的速度。

Jul, 2022

通过学习地形性质直接获取数据，本研究以有效地量化离散牵引分布和牵引预测潜在特征的概率密度，利用证据深度学习参数化与网络输出的狄利克雷分布，并提出了一种新颖的风险感知和平方地球移动距离损失，通过模拟最坏情况下的牵引来处理不确定性，惩罚通过具有高认知不确定性的地形的轨迹，并在仿真中广泛验证以及在轮式机器人和四足机器人上进行比较，显示出改进的导航性能。

Nov, 2023

整合动力学知识与神经随机微分方程，基于一种新颖的潜在动力学感知 (SDE) 变分自编码器（LK-SDE），用于生成车辆运动的方法，在生成和预测任务中表现出明显优于基准方法的性能，产生逼真、物理可行且精确可控的车辆轨迹。

Sep, 2023

本文使用全可微分物理模型与深度学习相结合，提出了一种汽车非完整动力学建模方法，相比于普通神经网络模型，本方法有更好的广义泛化性能，使用其提取出的潜在特征，可以准确地描述车胎侧向力，同时，在两个自动驾驶任务中，基于该潜在特征的风险感知模型预测控制器能够在未知摩擦力下优于基准控制框架。

Jul, 2022

本文提出了一种基于深度学习的自动驾驶技术中交通行为预测方法，有效地解决了现有方法中可能出现的运动规律异常及预测轨迹子优问题，表现优于现有技术。

Aug, 2019