本文提出了一种适用于不确定环境下动态机器人避障的实时在线运动规划算法，通过将概率安全约束转化为风险轮廓的确定性约束，使用总和平方（SOS）编程验证管道的安全性，可保证系统状态与障碍碰撞的概率有限，该算法适用于多种长期任务。

Mar, 2023

本文提出了一个结合扩散模型和数值求解器的通用且可完全并行化的框架，用于非凸轨迹优化，以确保计算效率和约束满足性。通过引入一种新的受约束扩散模型，并在训练过程中引入附加的约束违反损失来近似局部最优解的分布并减小约束违反情况，得到的样本用作数值求解器的初始猜测，经过形式验证后细化和得出最终解。通过在不同机器人领域上进行实验评估，验证了我们提出的方法在改善约束满足性和计算效率方面的优势，使用我们的方法加速了 4 倍到 22 倍，适用于不同的轨迹优化问题并能很好地适应问题的复杂性。

Feb, 2024

提出了一个凸化框架，使用随机梯度方法的算法来解决不同领域的优化问题，包括监督学习和动态系统，并且导出了模型驱动和模型无关的策略梯度优化算法，收敛性得到保证。

Jun, 2014

本文提出了一种基于线性规划的自动车辆轨迹规划方法，结合了避障、达到路径点的时间调度和管状道路段的时间最优遍历。

May, 2017

本研究针对部分可观察领域的连续 POMDP 问题，提出了一种新的风险厌恶且基于信念的概率限制解决方案，并给出了对应的算法。通过对信念相关的奖励和约束算子的处理，本文提出的方法在满足相同约束条件下，比现有技术更加风险厌恶、更加灵活。实验结果表明，该方法在解决连续 POMDP 问题中具有显著的优势。

Sep, 2022

本文使用蒙特卡罗树搜索和核回归，基于马尔可夫决策过程和风险度量，采用震荡信念状态方法，分析自动驾驶车辆与人类交通合作的不确定性。结果表明，在不确定的环境下，整合风险度量在最终选择策略中始终优于基线，可以生成较为安全的车辆轨迹。

Mar, 2022

我们提出了一种 “生成 - 测试” 方法，用于在无已知动力学模型的自主移动代理中以有界风险进行规划，并使用变分自动编码器学习潜在线性动力学模型来生成候选轨迹。

Apr, 2024

该研究考虑在存在障碍物的情况下，寻找曲率受限的系统的无碰撞路径，同时将执行时间最小化。通过找到有界次优的解，而不是时间最优解，可以显著降低使用的时间最优转换的数量，并仍然保证解的质量。

Apr, 2022

本文利用概率规定的安全性和性能提出了一种针对随机扰动下的约束动态系统的一种优化算法，在考虑时间变化状态约束的情况下，最大化状态始终保持在限定区域内的概率，我们提供充分的条件使随机可达集是闭合、紧凑和凸形的，并提供一种随机传递集估计技术。

Oct, 2018

研究如何保证机器人在不完美的环境观测下的行动安全性并设计了一种安全性检查的算法实现

May, 2017