面向离线环境的自主导航，提出了一种基于航空图像的不确定性感知路径规划方法（URA*），利用集成的卷积神经网络模型从区域感兴趣的航空图像中进行像素级可行性估计，然后应用不确定性感知规划器计算路径，并使用重规划技术来实现在线机器人操作中的快速重规划。结果表明，该方法在初始路径的质量和可行性及重新规划路径的质量方面优于传统规划算法。

Sep, 2023

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

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

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

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

WayFAST（无路标自主系统）是一种基于自我监督学习方法，使用 RGB 和深度数据以及导航经验，在户外非结构化环境中自动生成适合行走的路径，通过对移动机器人轮胎牵引力的估计以及基于牵引力估计的在线过程中进行自我监督式的算法优化，能够学习避免几何障碍和不可横跨区域 (如雪地) 的有效方法，并且比其他启发式方法更有效。

Mar, 2022

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

本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

Nov, 2016

本文提出了一种基于视觉的在线自监督学习系统 - Wild Visual Navigation（WVN），用于遍历可行性估计，并且可以在户外环境中适应地学习，可以在 5 分钟以内训练机器人，使其能够穿越复杂的户外地形，并克服高草障碍。

May, 2023

基于学习的方法利用仅通过机载自我中心图像实时预测长距离地形高程图，在复杂和非结构化地形中实现自主越野机器人导航，并优于现有方法。

Jan, 2024