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

本文提出了一种考虑机器人状态和环境不确定性的安全运动规划方法，旨在解决机器人定位中地标不确定性的问题，并给出了在高斯分布机器人运动、感知和障碍位置不确定性下的碰撞概率的精确表达式。

May, 2023

随机抽样、机器人运动规划、引导空间、信息论方法、混合算法

Apr, 2024

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

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

本文提出了一种快速、稳健的运动规划框架，通过几种特征实现了在城市条件下实现自动驾驶，其中包括了路径规划和基于 A * 算法的最优轨迹计算，并考虑了各种不同的约束条件和时间跨度进行了验证。

Mar, 2018

本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

Jul, 2011

提出了一种使用高斯过程的验证框架来对不确定动态系统进行抽象，并利用已有方法对不确定马尔可夫过程进行安全验证，该方法在多个例子中得到了验证。

Apr, 2020