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

该研究提出了基于强化学习的、连续状态和动作空间下的在线覆盖路径规划方法，用于处理未知环境的大型区域，并且结合了全局地图和局部感知输入，以及多尺度地图输入表示的观测空间构建，通过提出的全变差奖励，实现了学习路径上无漏洞被覆盖的目标。

Jun, 2023

本文提出了一种无地图的移动机器人规避导航的预训练深度强化学习方法，通过将原始传感器数据映射到控制变量并在未知环境中导航。我们提出了高效的离线训练策略，用于加速早期低效的随机探索，并收集了一个包含专家经验的通用数据集，对其他导航训练工作具有一定的意义。全面验证了预训练和优先专家经验可以减少 80％的训练时间，并且已经证实可以提高 DRL 的 2 倍奖励。通过先进的仿真 gazebo 与真实物理建模和动力学方程的结合，减小了仿真与实际之间的差距。我们在走廊环境中训练了我们的模型，并在不同环境中评估了模型，获得了相同的效果。与传统导航方法相比，我们可以确认训练好的模型可以直接应用于不同场景，并具有无碰撞导航的能力。实验证明我们的 DRL 模型具有在不同环境下的通用性能。

Aug, 2023

该论文探讨了使用 CNN-DNN 网络融合构建机器人导航控制器在模拟环境中的应用。模拟环境模拟了地下救援情况，其中一个自主代理任务是在未知的洞穴系统中找到一个目标。使用模仿学习训练控制算法利用 LiDAR 和摄像头数据导航空间并找到目标。通过使用蒙特卡洛测试训练好的模型的鲁棒性。

Jan, 2024

本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

Oct, 2020

通过深度强化学习方法训练，可直接应用于未知的虚拟和实际环境中的地面移动机器人的无地图运动规划器。

Mar, 2017

自主机器人在未知环境中可靠导航，即使在外部感知出现故障时，或者感知算法由于有限泛化能力而对场景进行错误解释时也是如此。本文将感知故障建模为不可见的障碍物和坑洞，并训练了基于强化学习的本地导航策略来引导四足机器人，在受损感知的情况下对感知故障进行端到端的环境重建和响应。

Oct, 2023

通过单次覆盖遍历记录数据，提出了一种有效地在移动机器人上快速学习面向目标导航策略的方法，并且能够在实际机器人上成功地部署，同时能够处理测试时的环境外观差异。

Jul, 2018

利用增强学习问题和多模态感应输入的辅助深度预测和循环闭环分类任务，可以学习从复杂 3D 迷宫中进行导航并接近人类级别表现

Nov, 2016

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