该研究提出了一种名为 M$\pi$Nets 的端到端神经模型，用于从单个深度摄像头观察中生成碰撞自由、平稳的运动，经过在超过 500,000 个环境中进行的超过 3 百万次运动规划实验的训练，证明 M$\pi$Nets 比以前的神经规划器快 46％，比本地控制策略更具鲁棒性，并具有应对动态场景所需的反应性。

Oct, 2022

本研究提出一种多智能体策略网络和博弈论模型预测控制器相结合的方案，将自动驾驶车辆的预测和规划层紧密耦合，能够有效生成交互行为。

Apr, 2022

Motion Planning Networks (MPNet) is a novel neural network-based algorithm that efficiently generates collision-free paths for robotics applications in various environments, and consistently remains computationally efficient in all presented experiments.

Jun, 2018

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021

使用神经场将机器人的运动学作为神经隐式查询模型来自建模，能够实现比现有方法更广泛的应用，从而为自主代理提供必要的自我建模功能，并在运动规划任务中展示该模型的能力。

Oct, 2023

智能自主路径规划的关键是提高行星探测器的探索效率。本文提出了一种基于学习的方法，用于在高程地图中快速搜索最优路径，称为 NNPP 模型。该模型通过大量预注释的最优路径示范中学习起点和目标位置的语义信息以及地图表示，并生成每个像素的概率分布，表示其属于地图上最优路径的可能性。通过计算从 DEM 中获得的坡度、粗糙度和高度差来计算每个网格单元的遍历成本。随后，使用高斯分布对起点和目标位置进行编码，并分析不同位置编码参数对模型性能的影响。在训练后，NNPP 模型能够在新颖的地图上进行路径规划。实验证明，NNPP 模型生成的导航场能够在相同硬件条件下显著缩短寻找最优路径的时间，并且 NNPP 的优势随着地图规模的增加而增加。

Aug, 2023

利用物理模拟器来捕捉人类运动的动力学约束条件，通过基于 SDF 的交互约束来获得准确参考运动，然后使用采样分布进行运动控制，并训练所需的分布先验，从而可以捕捉到具有地形交互、人体形状变化和多样化行为的物理合理的人类运动。

Mar, 2022

通过训练神经网络来实现全球本地化并应用于实际机器人场景，在二维平面中限制问题并大幅增加训练数据，可以得到紧凑的模型，实现了数厘米的定位精度，并在无人地面车上应用进行路径导航任务。

Nov, 2022

提出了一种新的 Eikonal 方程组合方式和逐步学习策略，用于在复杂、杂乱、多高维机器人运动规划情境中训练神经网络。实现结果表明，该方法在计算规划速度、路径质量和成功率方面均显著优于最先进的传统 MP、数据驱动 NMP 和物理信息 NMP 方法，并且可缩放到多个复杂、杂乱情境以及狭窄通道的实际机器人执行情境。

Jun, 2023

本文提出一种基于深度学习算法的无人机航迹规划方法，采用 LSTM-MPC 作为决策策略，并结合预测池来提高系统鲁棒性和效率，同时通过数值仿真实验验证了该方法的有效性。

Feb, 2023