通过利用正交机器人的创新方法来保护路径，研究旨在以最小数量的正交机器人高效地守卫正交区域，重点研究具有垂直分解路径状双图特征的正交路径，并发现在线性时间内确定路径所需的最小正交机器人数量是可行的。但需要注意，即使在正交情况下，对于具有普通可见性的简单多边形寻找最小机器人数量的问题是已知 NP-hard 问题，本文强调机器人可以灵活地放置在多边形的边界或内部。

Aug, 2023

介绍一种基于全向机器人平台的人员跟随新方法，使用传统的动态窗口法来管理线速度，训练一个深度强化学习代理来预测优化的角速度指令，以保持机器人朝向用户，实现在室内场景下与标准差分转向跟随相比的竞争优势。

Nov, 2022

通过基于集中式 Transformer 神经网络的多智能体路径规划系统，能够以非常快速且准确的方式解决团队定向问题，并在计算速度方面超过大多数现有技术。

Nov, 2023

这篇论文提出了一种基于强化学习的名为 “Multi-Agent Attention Model” 的算法，能够利用较长的离线训练时间快速解决城市物流配送中必不可少的 “多车辆路径问题（MVRPSTW）”，该算法以车辆旅游生成过程为基础，提出了一种具有注意力层的编码器 - 解码器框架来迭代地生成多辆车的路径，通过对不同规模的合成网络进行评估，证明该算法的效果优于谷歌 OR-Tools 和传统方法，并验证了模型的稳健性。

Feb, 2020

在一个数轴上查找有一个位置未知的物体的问题中，本文提出一种新的策略，可以在不超过 9*OPT + 2d 的代价下找到物体并解决了一些类似的搜索问题。

Jun, 2004

介绍了一种新的算法 (COWP)，用于基于任务和机器人技能从语言模型中提取常识，实现在开放世界中完成任务规划和情境处理，实验结果表明其在服务任务成功率方面显著优于现有文献中的竞争基线算法。

Oct, 2022

本文提出了一种基于强化学习的路径生成（RL-PG）方法，以用于移动机器人导航，无需事先探索未知环境。该方法采用深度马尔可夫模型优化的 RL 算法生成多个预测路径点，通过运动微调模块 fine-tuning 机器人的运动以确保跟踪预测点时的安全。通过在模拟和物理平台上的部署，证明本文提出的方法有效并且其成功率更高于 DWA-RL 和传统的 APF 导航方法。

Oct, 2022

本文介绍了一种新型的行动平台 —— 空中 - 地面机器人，并提出了一种轻量级全局空间规划技术来实现优化路径，该技术基于图搜索算法，结合平面和空间搜索。同时，提出了一种陷阱逃逸方法来保障电池健康和任务执行的完整性。仿真结果表明，该技术能够有效生成可信度高的三维路径，并能有效地识别额外的可接受模式切换位置，从而实现了更快、更节能的路径规划。

May, 2023

提出一种非基于时间限制的集中式算法，可以实现并发规划和执行，从而在大规模工作区中完成完整覆盖，无需浪费机器人和计算资源。

Mar, 2024

研究了在线最短路径问题及其各种监控模型，在加权有向无环图中寻找一条路径以使其对应的边权和尽可能小。提出了一种算法，将累积损失最小化，并介绍了其应用于包交换网络中路由的模拟结果。

Apr, 2007