该研究论文介绍了一种基于卷积神经网络的高程图分类方法，在模拟环境中训练唯一的分类器来预测机器人在不同地形上的通过性，并在室内和室外环境中进行真实机器人验证。

Sep, 2017

通过学习地形性质直接获取数据，本研究以有效地量化离散牵引分布和牵引预测潜在特征的概率密度，利用证据深度学习参数化与网络输出的狄利克雷分布，并提出了一种新颖的风险感知和平方地球移动距离损失，通过模拟最坏情况下的牵引来处理不确定性，惩罚通过具有高认知不确定性的地形的轨迹，并在仿真中广泛验证以及在轮式机器人和四足机器人上进行比较，显示出改进的导航性能。

Nov, 2023

在本研究中，我们提出了一种名为 RoadRunner 的新框架，该框架能够从相机和 LiDAR 传感器输入中直接预测地形可通行性和高程图，通过融合传感器信息、处理不确定性和生成具有上下文信息的预测，实现可靠的自主导航，并减少系统延迟并提高可靠性。

Feb, 2024

通过采用基于卷积神经网络（CNN）的决策函数来引导迭代搜索过程，RoadTracer 可以从高分辨率航空图像中自动构建道路网络图，并在误差率为 5％时，相较于分割方法，可以准确地捕捉到多达 45％更多的交叉点。

Feb, 2018

通过执行多尺度的激光雷达 - 图像融合，结合使用不确定性感知的伪标签，提高 RGB 图像和单次激光雷达扫描产生的语义地形图的准确性，进而在具有挑战性的越野环境中实现可靠和安全的自主导航。

Mar, 2024

本文提出了一种基于机器人速度的可穿越性新表示方法，该方法可通过对数据的学习获得，可以轻松地与各种规划范例相结合，并且在成本图的形式下提供风险感知成本项。数值模拟表明，该风险感知规划算法导致平均到达目标的时间更快，并且 Planner 可以调节为稍慢但方差较低的行为。此外，该方法在一个高度真实的 Unity 环境中得到了展示，并表明其在导航成功率方面提供了 30％的改进。

Mar, 2022

本文提出了一种基于自我监督的图像学习方法来训练自主车辆在各种条件下准确地遍历地形，通过生成自我监督的地形穿越标签和使用一元分类算法来识别能够安全穿越的地形，结合视觉表征的自我监督方法，在各种驾驶环境和感知条件下进行全面评估。

May, 2023

该研究介绍了一种最小化控制和感知不确定性以确保安全可靠的自主车辆导航的框架，由两个不确定性感知模型组成：基于机器学习的车辆动力学模型和自我监督遍历估计模型。

Jun, 2023

提出了一种基于深度强化学习的算法 CoverNav，用于在隐蔽环境下识别和导航无人地面车辆，同时保持低成本轨迹，并在 3D 点云数据、机器人姿态和目标信息生成的高程图上确定最大的隐蔽性，以及通过选择自然障碍物作为遮蔽物来隐藏。

Aug, 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