本论文介绍了深度强化学习在自主导航中的应用，指出安全性和泛化性等方面的限制，并探讨了四种学习技术及其在新型开源导航基准和实际环境中的应用，以此进行了全面研究。

Oct, 2022

本研究开发了一种基于深度强化学习的自主航行船舶导航和控制方案，结合一个先进的 Q-learning 算法和多功能训练环境生成器，实现了一个稳健、精确的舵控器。通过在下莱茵河和中莱茵河的真实航行数据上对所提出的方法进行路径跟踪比较，表明该算法能够在从未见过的情况下有效地证明其普适性，同时能够达到高精度的导航控制。

Mar, 2023

本文介绍了如何使用强化学习方法和深度 Q 网络等算法，使得机器人可以在未知环境中进行自主导航的任务。我们还利用模拟环境对机器人代理的行为和性能进行了验证和分析。

Feb, 2023

本文介绍了一种基于最新的 actor-critic 算法的新方法，以解决 HUAUV 的导航和介质转换问题。我们展示了一种双重评论家 Deep-RL 的方法，通过仅使用范围数据和相对定位来提高 HUAUV 的导航性能。我们的 Deep-RL 方法在不同模拟场景中实现了学习的坚实泛化，表现出更好的导航和转换能力，优于以前的方法。

Sep, 2022

本研究使用 2D 模拟 Morris 水迷宫来训练深度强化学习代理程序，并自动分类了导航策略， 将人工智能的学习动力学与动物实验数据进行比较。通过开发环境特定的辅助任务来研究影响其有用性的因素， 最后研究了人工代理神经网络中激活的内部表征的发展，这些表征类似于老鼠大脑中发现的 place cells 和 head-direction cells，并且它们的存在与人工代理采用的导航策略有相关性。

Jun, 2023

本文旨在简要概述深度学习方法在水下机器人的视觉导航中的应用。论文的范围包括利用深度学习方法进行水下机器人的视觉感知、可获得的水下视觉数据集、仿真学习和强化学习方法以及与训练方法相关的分类。除了作为对比例子外，本文不考虑使用深度学习算法处理非视觉数据的水下导航文献。

Oct, 2023

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

自主驾驶汽车使用深度强化学习技术在不确定环境中进行决策，通过使用 CARLA 模拟器在真实城市环境中训练和测试自动驾驶模型，实现了准确的对象识别和距离估计以及有效的交通导航。

Oct, 2023

自主移动机器人在人类空间中导航必须遵守社会规范。本研究提出了一种使用课程学习来改善强化学习社交导航方法的泛化性能的方法。通过使用多种环境类型和多种动力学模型对行人进行建模，逐步增加训练的多样性和难度。研究结果表明，与之前的训练方法相比，使用课程学习进行训练可以取得更好的泛化性能。此外，我们还验证了训练方法在比训练中使用的更大更拥挤的测试环境中的有效性，从而对模型的性能进行更有意义的衡量。

Aug, 2023

通过比较分析基于深度 Q 网络（DQN）算法和基于双重深度 Q 网络（DDQN）算法的深度强化学习（Deep-RL）策略，本研究提出了两种不同的方法，旨在增强地面移动机器人的无地图导航能力。这些方法中的智能体利用来自激光范围采样的 24 个测量，以及与目标的位置差异和方向相关的智能体位置数据，通过融合这些数据来影响导航决策，从而最终控制机器人的速度。实验结果表明，相比于简单的 Q 结构，双重深度结构显著提高了移动机器人的导航能力，且无需依赖于复杂的感知输入，如基于图像的方法。

Oct, 2023