该研究介绍了一种最小化控制和感知不确定性以确保安全可靠的自主车辆导航的框架，由两个不确定性感知模型组成：基于机器学习的车辆动力学模型和自我监督遍历估计模型。

Jun, 2023

本文介绍了使用ViNT作为基础模型来解决基于视觉的机器人导航问题，并通过灵活的Transformer架构提高了ViNT在不同任务中的适应性和迁移性能，同时允许其与由GPS路径或路线指令等嵌入式任务模式进行编码的目标编码器进行相互替换。

Jun, 2023

我们提出了一种使用视觉伺服控制和开放词汇图像分割的无人机系统，能够成功在低至20米的高度执行降落操作。为了解决分割波动的挑战，我们引入了一种动态聚焦机制，通过自适应地调整掩码，将控制系统引导到无人机的安全半径以内的区域，从而减轻了波动问题。通过这个补充层的实施，我们的实验证明，与全局分割相比，我们的降落成功率提高了近十倍。

Aug, 2023

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

通过跨模态融合方法和知识迁移框架，提出了一种改善移动机器人的泛化能力并实现从模拟到实际场景的导航技能转移的方法，通过教师-学生蒸馏架构，在理想环境中学习判别性表示和接近完美的策略，通过模仿教师的行为和表示，学生能够对来自多噪声模态输入的特征进行对齐，并减小变异对导航策略的影响，实验结果表明我们的方法在模拟和实际环境中全面超越了基准方法，并在不同工作条件下实现了稳健的导航性能。

Sep, 2023

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

通过在战术前线核心操作中引入不确定性量化，将计算机视觉与指挥控制系统相结合，利用人工智能算法来提高情报分析和战场上的态势感知，从而在战场上推动有目的的适应性。

Dec, 2023

通过FIT-SLAM方法，该研究提出了一种新的3D环境探索方法，旨在提高无人地面车辆的探索速率并优化SLAM精度，该方法通过估计全局可通过性地图并结合SLAM后端使用的地标信息，实现了可靠的定位和路径规划。

Jan, 2024

在这项工作中，我们提出了一个新颖的四肢导航框架TOP-Nav，它将全面路径规划器与地形感知、避障和闭环本体感知整合在一起，突出了视觉和本体感知在路径和动作规划中的协同作用。通过在路径规划器中引入地形估计，我们使机器人能够在更易通过的地形上选择航点，同时有效避开障碍物。在动作规划水平上，我们不仅实现了一种运动控制器来跟踪导航命令，还构建了一个本体感知顾问，为路径规划器提供动作评估。基于闭环运动反馈，我们对基于视觉的地形和障碍物估计进行在线校正。因此，TOP-Nav在开放世界导航中实现了机器人能够处理先前知识分布范围之外的地形或干扰，并克服了视觉条件造成的约束。通过在模拟和真实环境中进行广泛实验，TOP-Nav 在开放世界导航中展现出了优于现有方法的性能。

Apr, 2024

该研究介绍了一种新颖的多层感知器（MLP）完整性监控器，用于视觉地点识别系统，该监控器相对于以往的支持向量机方法在性能和泛化能力上有所改进，去除了按环境训练和减少了手动调整要求。我们在广泛的实际实验中测试了我们的系统，并提出了两种基于完整性的实时视觉地点识别验证方法：一种用于导航到目标区域的机器人的瞬时拒绝方法（实验1）；一种根据最佳验证匹配和里程表向前推算到当前位置的历史方法（实验2）。实验1的显著结果包括完成任务机器人路径上目标位置误差的平均减小从约9.8米到约3.1米，成功完成任务的比率从约41%提高到约55%。实验2显示了路径定位误差的平均减小从约2.0米到约0.5米，以及定位尝试的精度从约97%提高到约99%。总体而言，我们的结果表明实时视觉地点识别完整性监控器在实际机器人系统中具有实用价值，可以改善视觉地点识别和导航性能。

Jul, 2024