本研究介绍了一种自适应自主学习系统，用于视觉可穿越性估计并通过机器人导航复杂的户外环境，实现了高效准确的自主导航。

Apr, 2024

WayFAST（无路标自主系统）是一种基于自我监督学习方法，使用 RGB 和深度数据以及导航经验，在户外非结构化环境中自动生成适合行走的路径，通过对移动机器人轮胎牵引力的估计以及基于牵引力估计的在线过程中进行自我监督式的算法优化，能够学习避免几何障碍和不可横跨区域 (如雪地) 的有效方法，并且比其他启发式方法更有效。

Mar, 2022

该研究论文介绍了一种基于卷积神经网络的高程图分类方法，在模拟环境中训练唯一的分类器来预测机器人在不同地形上的通过性，并在室内和室外环境中进行真实机器人验证。

Sep, 2017

本文提出了一种基于自我监督的图像学习方法来训练自主车辆在各种条件下准确地遍历地形，通过生成自我监督的地形穿越标签和使用一元分类算法来识别能够安全穿越的地形，结合视觉表征的自我监督方法，在各种驾驶环境和感知条件下进行全面评估。

May, 2023

本研究探讨了在室外场景中，视觉代理如何跨越未知地形实现指令导航，发现与室内情况相比，图形化表达方式对室外导航具有更大的影响，因此未来的研究需关注在不同地形环境中的规模和多样性增长。

Mar, 2022

提出了一个基于学习的导航系统，该系统应用于实际移动机器人平台，旨在使机器人通过学习来了解环境和导航便利性，以便在视觉引导下实现目标点的导航，经过实地测试和应用，该系统的表现优于其他以强化学习和搜索为基础的方法。

Dec, 2020

在本文中，我们提出了一个在真实世界中解决 VLN 任务的新型导航框架，该框架利用强大的基础模型，并包括四个关键组成部分：(1) 将语言指令转换为预定义的宏操作描述的 LLMs-based 指令解析器，(2) 构建实时的视觉 - 语言地图以保持对未知环境的空间和语义理解的在线视觉 - 语言映射器，(3) 基于语言索引的定位器，将每个宏操作描述重新映射到地图上的路径点位置，以及 (4) 基于 DD-PPO 的本地控制器，用于预测动作。我们在未知的实验室环境中使用 Interbotix LoCoBot WX250 对提出的流程进行了评估，而无需进行任何细微调整，在真实世界中，我们的流程明显优于 SOTA VLN 基线。

Oct, 2023

提出一个互动导航框架，使用大型语言和视觉语言模型，使机器人能在存在可通过的障碍物的环境中导航。利用大型语言模型（GPT-3.5）和开放域视觉语言模型（Grounding DINO），创建一个动作感知的成本图，可以实现有效的路径规划而无需微调。实验结果证明了该框架在不同环境中的有效性和适应性。

Oct, 2023

通过离线强化学习，基于高度、强度和密度的 3D LiDAR 点云，目标成本图和处理过的自体感知数据作为状态输入，我们提出了一种用于无结构、密集植被的室外环境中自主四足机器人导航的新方法。通过满足机器人运动特性且避免困在植被中，我们的方法在复杂的室外植被中展示了显著的成功率提升、平均功耗减少和轨迹长度正常化减少。

Sep, 2023

通过模拟传递技术，赋予单目机器人全景遍历感知和全景语义理解，从而将高性能全景视觉 - 语言导航模型顺利应用于常见单目机器人，有效提高了机器人在实际环境中的导航性能。

Jun, 2024