使用零 - shot 学习策略进行三维自主内血管导航，通过使用非常小的训练集合的支路模式，我们的强化学习算法能够学习控制，并应用于不需要重新训练的未知内血管解剖结构。

Mar, 2024

人工智能在自主血管内操作导航方面的潜力很大，但目前仍处于实验概念验证阶段，技术准备水平为 3。我们强调指定性能度量的参考标准对于未来几年提出的数据驱动算法的比较至关重要。

May, 2024

本研究提出了一种基于强化学习的超声探头导航框架，其中使用 UNet 从 US 图像提供二进制掩模，多模态状态表示结构用于准确特征化实际状态，并基于最小边界矩形的特征提取方法建立了新型的标准视图识别方法，结果表明该方法可以有效地、准确地引导探头朝向血管的纵向视图。

May, 2022

该论文提出了一种基于物理启发的强化学习方法，用于解决无线室内导航的问题，在电磁辐射模拟环境下，经过实验证明该方法可以提高泛化能力和性能表现。

Jun, 2023

通过对比学习为目标条件强化学习的超声导航辅助方法能够有效提高新手超声医生的效率，并降低扫描中获取的变异性。

May, 2024

通过使用游戏化学习收集刺激驱动的人类导航数据并应用深度逆最大熵强化学习模型，我们提出了一种解决方案 MIRACLE，通过减少在示范能力上的依赖，可以训练具备人类感知的移动机器人，在紧急情况下像人类一样导航从而提高其救生能力。

Dec, 2023

利用模拟环境、软件操作系统以及先进的机器人技术，本研究证明了通过强化学习算法学习软组织操控的可行性，为未来研究和开发能够处理刚性和软组织相互作用的外科机器人奠定了基础。

Sep, 2023

该研究提出了一种导航指南模型，使机器人能够生成自然语言指令，帮助人们在事先未知的环境中进行导航，该模型使用人类演示数据通过反向强化学习训练决策策略，并通过神经序列到序列模型从自然语料库中生成自由形式的语句，实验测评表明，在与人类参考指令进行比较时，该方法获得了 72.18% 的 BLEU 分数，并且缩小了人类与机器人交互时的差距。

Oct, 2016

最近，由于将汽车和卡车远离城市中心的趋势，对城市水路自主航运的兴趣显著增加。本文提出了一种基于强化学习的新型路径规划方法，称为模型预测强化学习（MPRL）。MPRL 通过计算一系列船只需遵循的航点来规划路径，将环境表示为占用栅格地图，可以处理任何形状的水道和任意数量和形状的障碍物。我们在两个场景上验证了我们的方法，并将其与基于 Frenet 框架的路径规划和基于邻近策略优化（PPO）代理的路径规划进行了比较。我们的结果表明，在两个测试场景中，MPRL 的性能优于两个基准方法。基于 PPO 的方法在任一场景中均未能达到目标，而基于 Frenet 框架的方法在带有障碍物角落的场景中失败。MPRL 能够在两个测试场景中安全地（无碰撞地）导航到目标。

Nov, 2023

本文提出了一种基于卷积神经网络的视觉伺服方法，并使用幻影和体内数据对其进行训练，以在空心环境中完成内腔镜导航任务的软体机器人解决方案。

Jul, 2022