- 基于深度强化学习的新型闭链五杆主动悬挂的自主控制
该研究论文介绍了一个主要关注底盘稳定化和在面对不可避免障碍物时实现有效遍历的主动悬挂系统，使用软性 Actor-Critic（SAC）和比例积分微分（PID）控制来稳定底盘并以低速度遍历大型障碍物。该模型准确地利用漫游器与周围障碍物的距离、 - 感知感知优化型基于学习的多智能体轨迹规划器
通过利用感知信息，解决多智能体轨迹规划中的冲突问题，并使用基于模仿学习的低计算要求的规划器，提高计算效率。
- 基于改进的自主无人机搜救系统的研究
该论文提出了一种基于 EGO-Planner 算法的自主搜索与救援无人机系统，通过创新的无人机应用和逆向电机反馈算法来提高无人机的飞行效率和整机微型化，并通过引入 EGO-Planner 规划工具和双向 A * 算法以及目标检测算法解决了智 - 强化学习路径规划：在 RoboCup 小型联赛环境下的最优机器人运动规划
研究了强化学习 (RL) 在动态 RoboCup 小型联赛 (SSL) 中解决机器人运动规划挑战的潜力。通过启发式控制方法，评估了 RL 在无障碍和单障碍路径规划环境中的有效性。消融研究揭示了显著的性能改进。相比基准算法，我们的方法在无障碍 - TOP-Nav：融合地形、障碍物和自我感知估计的四脚导航
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 - 机器人操纵中的避障神经形态学方法
利用神经形态学处理器，通过对事件数据进行卷积脉冲神经网络处理、将神经激活解码为规避动作、并使用动态运动基元调整路径规划，我们开发了一种神经形态学方法来进行具有摄像头的机械手的避障。通过模拟和实际世界实验，我们的神经形态学方法在可靠避免即将发 - 机器人运动生成与调整的导引解码
我们通过集成演示学习（LfD）到运动生成过程中，在复杂环境中（包括障碍物、通过点等）解决了高自由度机械臂的运动生成问题。我们通过在大规模模拟轨迹数据集上训练一个基于条件变分自动编码器变压器的结构，学习了关键的运动生成技能，并将其适应辅助任务 - 学习动力学系统，在空间曲率内编码非线性
本文介绍了一种增强学习的动力系统方法，通过在潜在流形上建模震荡阻尼振子，将动力系统的非线性编码到空间曲率中，从而实现在线环境的本地自适应和障碍物避免，并展示了在合成矢量场和实际世界中学习 3D 机器人末端执行器运动的有效性。
- 未知动态多障环境下移动机器人的在线高效安全关键控制
基于 LiDAR 的目标寻找和探索框架，解决了在不规则环境中在线避障的效率问题，并通过利用缓冲区域进行动态障碍的在线构建以及安全导航，实现了机器人在多障碍动态环境中高效、安全地达到目标位置。
- 学习自主车辆漂移的逆运动学动力学
通过数据驱动的学习方法，我们研究自主小型车辆的运动学模型，并观察其对运动规划（特别是自主漂移）的影响。我们基于惯性测量和执行命令来学习运动学规划器，以帮助我们了解世界状态。我们的研究主要关注漂移，并试图学习这些漂移动作的运动学模型，以及尝试 - 条件神经专家过程用于从示范中学习
通过提出一种名为条件神经专家过程（CNEP）的 LfD 框架，利用潜在空间中的内在信息将不同模式的演示分配给不同的专家网络，无需监督以确定轨迹所属的模式，该框架提供了改进的建模性能、轨迹综合能力和障碍物避免任务的能力。
- 基于深度强化学习的避障轨迹规划与鲁棒低层控制方法在机器人操纵器中的应用
在机器人学中，我们提出了一种集成无障碍深度强化学习轨迹规划器和新颖的自适应低级和关节级控制策略的方法，通过与环境的交互来激活学习阶段，解决了学习基于模型的复杂性和稳定性和安全性之间的挑战。
- 敏捷但安全：学习无碰撞的高速腿部移动
利用一种学习性控制架构，本文介绍了灵巧而安全（ABS）的机器人导航技术，使四足机器人能够以高速且避免碰撞的方式在障碍物多的环境中执行任务。
- 神经收缩动力系统
我们提出了一种新的方法来学习神经收缩动力系统，使得我们的神经网络结构确保收缩从而实现全局稳定性。为了有效地应用于高维动力系统，我们开发了一种变分自编码器的变体，它学习低维潜在表示空间中的动力学，并在解码后保持收缩稳定性。此外，我们进一步将我 - 针对视障人士的户外障碍物检测研究
深度学习目标检测在帮助视力受损者避开障碍物方面是一种有效的方法，本文通过实现并评估七种不同的 YOLO 目标检测模型（YOLO-NAS，YOLOv8，YOLOv7，YOLOv6 和 YOLOv5）来分析这些模型在道路和人行道上常见物体的图像 - 闭环机器人反应式规划的模型检测
使用模型检验创建差分驱动轮式机器人的多步计划，以避免即时危险，并以近实时的方式改善局部障碍物避免的效果。
- 具备随时改进的恒定时间运动规划方法用于操作
机器人操作器是未来自主系统的关键，本研究提出了一种基于恒定时间的运动规划算法，结合优化算法，能够在用户规定时间内快速生成解决方案，并在分配的时间内连续优化解决方案的质量。
- 提高自主导航系统对于路面坑洞带来的后视摄像头图像偏移的鲁棒性
本文介绍了一种新模型来补偿角度扰动，减小自动驾驶控制预测算法中的错误，通过公开可用数据集的扰动评估，显示该模型能将扰动图像的预测方向盘角度误差减小到 2.3％，从而使自动驾驶控制对摄像头角度扰动（当车轮经过坑洞时产生）具有鲁棒性。
- 平面软生长机器人操纵器的设计优化器
这项工作提出了一种软体生长机器人设计优化的新方法，通过多目标优化问题的数学建模和演化算法，实现了软体机械臂的运动链优化，以解决特定任务并避免不必要的材料和资源浪费。实验证明该方法在性能和资源消耗方面优于现有文献中的方法。
- 视觉预测作为避让的中层表示
该研究介绍了一种创新的可视化预测方法，通过引入直观的视觉线索，将动态物体的未来轨迹投影出来，以改善智能体的感知能力并实现预测性行动，验证了该方法在动态环境中的可行性和有效性。