本研究提出了一种新的SUSA架构，旨在解决智能体在未知环境中基于自然语言指令的视觉与语言导航（VLN）中的导航困难。该架构通过生成环境地标描述和构建深度探索地图，显著提升了导航性能。

本文提出了一种基于变换器的分层方法，旨在解决离线强化学习中的价值估计误差，简化低级策略训练，并显著提升复杂导航环境中的性能。

本文探讨了深度强化学习和社交规范在拥挤环境中改善机器人自主导航的方法。研究提出了社交导航算法评估标准和度量指标框架，并通过课程学习提升导航的泛化性能。新方法在成功率、导航时间和轨迹平滑性方面表现优越，强调了人类意识对机器人导航的影响。

本文介绍了一种自我监督的图像学习方法，旨在训练自主车辆在不同条件下安全穿越地形。通过生成自我监督的地形标签和使用分类算法，结合视觉表征进行评估，提升了导航性能。此外，研究提出了语义区域绘图和视频稳定方法，验证了在室内环境中服务机器人导航的有效性。

本文介绍了一种深度学习模型，旨在提升自动驾驶车辆的导航性能。该模型通过多任务学习和主动学习方法，在CARLA模拟器上表现优异，超越了传统方法。同时，研究提出了新的自动驾驶框架UniAD，融合感知与控制任务，增强了安全性和效率。