提出了一种基于高斯过程（GP）的模型，用于主动检测未来运动规划失败的风险，并在风险超过阈值时触发恢复行为来从事实现目标的安全状态。该方法仅在仿真环境中进行训练，并可以泛化到不同机器人平台的实际环境中。仿真和物理实验证明了该框架既能预测规划器的失败，又能将机器人恢复到可能成功规划的状态，并以敏捷的运动方式进行操作。

Feb, 2024

该文章中提出了一种基于概率推理的运动规划的新方法，使用稀疏高斯过程模型来表示连续时间轨迹，并开发了一种高效的优化算法，将运动规划问题转化为因子图上的概率推理，最终得到一种快速且具有鲁棒性的规划算法。

Jul, 2017

通过学习方式自适应高斯过程运动规划算法参数的有效性研究

Jul, 2019

本研究提出结合地图预测和运动规划的统一方法，用于安全、高效自主导航未知环境中的动态约束机器人，避免了传统方法在选择中间目标时依赖于启发式方法。通过使用机器人对其环境的观测结果作为背景信息，我们设计了一种基于数据驱动的地图预测方法，将其作为规划轨迹的依据，从而实现了不依赖于边界选择的运动规划。实验表明，相对于朴素的边界追赶方法，本地图预测运动规划策略在减少轨迹所需时间方面有明显改善，并且与使用更复杂的边界选择启发式方法的方法相比，具有更短的计算时间。

Oct, 2019

高斯过程学习模型预测控制（GP-MPC）系统地介绍了一种先进的方法，将高斯过程（GP）与模型预测控制（MPC）相结合，以提高复杂系统中的控制效果。它从 GP 回归基础知识开始，说明了它如何提高 MPC 的预测准确性和鲁棒性处理。本教程的一个重点贡献是对 GP-MPC 进行了首次详细、系统的数学形式化，重点关注了推导用于 GP 多步预测的均值和方差传播近似方法。通过讨论在机器人控制中的实际应用，如移动机器人在具有挑战性的地形中的路径跟随和混合车辆编队等，展示了 GP-MPC 的实际有效性和适应性。本教程旨在使 GP-MPC 对研究人员和实践者更加易于理解，为学习控制领域提供深入的理论和实践洞察，并促进复杂系统控制领域的进一步创新。

Apr, 2024

自主水下航行器（AUV）在测量海洋环境、进行水下检查任务和海洋探索方面发挥着关键作用。本研究探讨了使用模型预测路径积分控制（MPPI）对 AUV 进行控制的可行性，并对主要超参数对 MPPI 控制器性能的影响进行了详细评估。同时，我们将所提出方法与经典的 PID 和级联 PID 方法进行了比较，证明了我们提出的控制器的优越性。最后，我们加入了环境约束并展示了 MPPI 如何通过将这些约束整合在成本函数中来处理它们。

Aug, 2023

本文提出了一种通过策略搜索学习复杂的反馈控制策略的方法，该策略可将高维度感知输入映射到电机扭矩以执行具有不连续性接触动力学的操纵任务，该方法在使用先前的技术基础上进行了改进，使用了基于 PI2 的无模型本地优化器和使用 on-policy 抽样来训练针对一系列任务实例的复合全局策略，从而实现了直接从视觉输入执行扭矩控制的深度神经网络策略。

Oct, 2016

MPC 与学习预测模型相结合的交互联合规划（IJP）在计算上可扩展的方式上提供了最佳结果。

Oct, 2023

人工智能中的持久挑战是控制系统以实现期望的行为。本研究介绍了一种基于梯度的规划方法，利用可微的世界模型，对比了其他基于 MPC 的方法和基于策略的算法，并在大多数任务中，在具有样本效率的设定下，实现了与其他方法相媲美甚至更好的性能。此外，引入了一种将策略网络和基于梯度的 MPC 相结合的混合模型，优于纯粹的基于策略的方法，这为在复杂的现实世界任务中基于梯度的规划与世界模型带来了希望。

Dec, 2023

本文提出了一种基于高斯混合回归的新型多输出高斯过程（MOGP）方法，利用 MOGP 的协方差将从演示中检索的变异性捕获起来，使机器人能够精确跟踪经过点，同时在高变异地区保持的柔顺性。

Oct, 2019