仅利用自我监督学习越野路面可行性
本研究提出了一种可伸缩的无需人类监督的自我监督遍历性学习框架，该框架可从车辆 - 地形交互中直接学习遍历性，它还使用适当的控制策略来进行不同车辆的自适应导航。
Sep, 2022
提出了一种利用无监督感知分类器自我监督外感图像的像素级语义分割的新型地形分类框架，通过学习极少标注图像的弱监督训练，能够在未知城市环境中为移动机器人提供更安全和高效的导航。
Dec, 2019
通过使用依身视觉视频和自动标注过程来训练语义可通行性估计器的有效方法，在多个国家和城市拍摄的视频进行的广泛实验表明，所提议的注释方法具有高可扩展性和普适性，而经过训练的语义可通行性估计器具有高准确性，能处理多样的摄像机观点，计算量小且适用于实际场景。
Jun, 2024
本文介绍了自监督学习技术在自动驾驶感知中的应用，其能够替代传统手动标注的方式，为自动驾驶中的不同任务提供了有效的替代方法，并提出了未来自监督学习系统设计中的重要挑战。
Oct, 2019
METAVerse 是一个元学习框架，通过利用多环境驾驶数据训练一个全局模型，从稀疏的 LiDAR 点云中生成稠密连续值的成本地图来准确可靠地预测不同环境下的地形可通行性，结合模型预测控制器，实现了在结构化和未知地形上安全稳定的导航。
Jul, 2023
自我监督的地形表示学习（STERLING）是一种无需额外约束数据收集的机器人地形感知方法，通过非对比表示学习实现多模态自我监督目标，为机器人导航提供相关的地形表示，该方法在机器人在野外环境的视觉导航任务中与全监督方法相当，优于其他先进方法并表现出对真实世界坎坷条件的鲁棒性。
Sep, 2023
面向离线环境的自主导航，提出了一种基于航空图像的不确定性感知路径规划方法（URA*），利用集成的卷积神经网络模型从区域感兴趣的航空图像中进行像素级可行性估计，然后应用不确定性感知规划器计算路径，并使用重规划技术来实现在线机器人操作中的快速重规划。结果表明，该方法在初始路径的质量和可行性及重新规划路径的质量方面优于传统规划算法。
Sep, 2023