提出了一种增强型导航系统，使机器人能够识别和利用自然和人工的环境特征作为掩护，从而减少对潜在威胁的暴露，并以高效的方式进行导航。通过使用 LiDAR 数据生成高保真度的掩护地图和潜在威胁地图，我们的感知管道提供了对周围环境的全面理解。通过使用从真实环境中收集的多样化数据集训练离线强化学习模型，学习一个评估候选动作质量的强大策略，该策略基于其最大化掩护利用、最小化对威胁的暴露以及有效到达目标的能力。广泛的真实世界实验证明了我们的方法在成功率、掩护利用、暴露最小化和导航效率方面相对于最先进方法的优越性。

Mar, 2024

本文介绍了一种基于最新的 actor-critic 算法的新方法，以解决 HUAUV 的导航和介质转换问题。我们展示了一种双重评论家 Deep-RL 的方法，通过仅使用范围数据和相对定位来提高 HUAUV 的导航性能。我们的 Deep-RL 方法在不同模拟场景中实现了学习的坚实泛化，表现出更好的导航和转换能力，优于以前的方法。

Sep, 2022

自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

Oct, 2023

DeepNav 是一个基于卷积神经网络（CNN）的算法，使用城市街景图像实现导航；使用 10 个城市图形和超过 100 万个街景图像组织的数据集，提出了 3 种监督学习方法，并表明可以使用 A * 搜索在城市图中生成学习的监督。

Jan, 2017

本文提出了基于深度强化学习和递归神经网络的无人机避障技术，可在未知室内环境中自主避免障碍物，提高了导航距离和推理速率。

Nov, 2018

该研究探讨了使用强化学习算法解决无人机导航问题，讨论了不同环境下的算法特性和选择，并提出未来的研究方向。

Aug, 2022

本文提出了一种无地图的移动机器人规避导航的预训练深度强化学习方法，通过将原始传感器数据映射到控制变量并在未知环境中导航。我们提出了高效的离线训练策略，用于加速早期低效的随机探索，并收集了一个包含专家经验的通用数据集，对其他导航训练工作具有一定的意义。全面验证了预训练和优先专家经验可以减少 80％的训练时间，并且已经证实可以提高 DRL 的 2 倍奖励。通过先进的仿真 gazebo 与真实物理建模和动力学方程的结合，减小了仿真与实际之间的差距。我们在走廊环境中训练了我们的模型，并在不同环境中评估了模型，获得了相同的效果。与传统导航方法相比，我们可以确认训练好的模型可以直接应用于不同场景，并具有无碰撞导航的能力。实验证明我们的 DRL 模型具有在不同环境下的通用性能。

Aug, 2023

本文介绍了如何使用强化学习方法和深度 Q 网络等算法，使得机器人可以在未知环境中进行自主导航的任务。我们还利用模拟环境对机器人代理的行为和性能进行了验证和分析。

Feb, 2023

使用自定义的模拟器和强化学习系统，在 Unity 游戏引擎中为自主车辆设计了一个端到端的深度强化学习解决方案，通过基于奖励的训练和控制栏函数，帮助智能体在真实场景中进行泛化，并通过提出的模拟环境在实际 RC 汽车上部署该方法。

Apr, 2024

该论文探讨了使用 CNN-DNN 网络融合构建机器人导航控制器在模拟环境中的应用。模拟环境模拟了地下救援情况，其中一个自主代理任务是在未知的洞穴系统中找到一个目标。使用模仿学习训练控制算法利用 LiDAR 和摄像头数据导航空间并找到目标。通过使用蒙特卡洛测试训练好的模型的鲁棒性。

Jan, 2024