本研究提出了一种基于Q-Compared Soft Actor-Critic（QC-SAC）算法的自主驾驶方法，旨在解决车辆过度转向和碰撞避免的安全问题。实验结果表明，该方法在安全性和驾驶策略上优于现有技术。

本研究提出了一种新框架，旨在解决多机器人任务分配和碰撞避免问题。通过空间聚类方法，缩短任务分配时间，提高解决方案质量，降低碰撞风险，具有重要的实际应用价值。

本研究提出了一种基于扩散模型的抓取生成器，旨在从部分点云中学习抓取姿态。通过引入碰撞避免成本指导，该方法在仿真和实际场景中的抓取成功率达到90%。

本研究提出了一种新方法，通过单个声学相机估计目标高度，以解决低可视性水下感知中海床马赛克缺乏高度信息的问题。该方法利用声学阴影线索和简单的传感器运动，帮助海洋机器人避免碰撞，并验证了其可行性。

本文探讨了深度强化学习在自主导航中的应用，分析了安全性和泛化性问题。研究开发了基于深度强化学习的导航系统，结合Q-learning算法和计算机视觉技术，展示了在复杂环境中的路径规划和碰撞避免能力。提出的模型预测强化学习方法在多个场景中优于传统方法，证明了其在自主航运中的潜力。

本研究提出了一种去中心化策略网络，利用多智能体强化学习实现多无人机系统在动态场景中的时间最优运动规划。通过灵活的碰撞惩罚机制，平衡飞行效率与碰撞避免。实验结果显示，该方法在接近时间最优的同时，保持低碰撞率，并在实际应用中表现良好。

本文提出了一种基于深度强化学习的机器人导航方法，利用图神经网络编码历史信息以提高预测能力，并引入选择模块以减少不可靠位置。实验结果表明，该方法在拥挤环境中有效满足任务需求并避免碰撞。

该研究开发了一个可解释的人工智能用于船舶避碰。通过评论者网络对碰撞避免中的每个子任务进行评估，阐明人工智能决策过程。通过Q值分析和注意机制识别行为意图，并可视化AI在碰撞避免中的行为意图。经过实验证明该方法能够安全避免碰撞，并使AI的决策过程对人类可理解。该方法适用于包含子任务的任何任务。