基于变分高斯过程的机器人运动规划算法，通过统一和概括各种基于概率推断的运动规划算法，平衡了路径的成功率和质量，并且提供了不确定性估计。

Sep, 2023

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

本研究提出结合地图预测和运动规划的统一方法，用于安全、高效自主导航未知环境中的动态约束机器人，避免了传统方法在选择中间目标时依赖于启发式方法。通过使用机器人对其环境的观测结果作为背景信息，我们设计了一种基于数据驱动的地图预测方法，将其作为规划轨迹的依据，从而实现了不依赖于边界选择的运动规划。实验表明，相对于朴素的边界追赶方法，本地图预测运动规划策略在减少轨迹所需时间方面有明显改善，并且与使用更复杂的边界选择启发式方法的方法相比，具有更短的计算时间。

Oct, 2019

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

GP-MPPI 是基于在线学习的控制策略，将 MPPI 与基于稀疏高斯过程（SGP）的局部感知模型相结合，通过构建方差表面来引导机器人在未知、杂乱环境中进行自主导航，确保机器人安全到达目标并避开障碍物。

Jul, 2023

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

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

通过学习人类常常防范的对策，我们提出一种新颖的博弈论框架，用于联合规划和预测，以提高机器人在人群导航中的安全性。

Aug, 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