本研究解决了自主移动机器人在大规模堆放仓库中的充电策略优化问题。通过分析奖励和动作空间配置对代理性能的影响，本文提出了一种新颖的强化学习设计，且结果表明更灵活的RL方法在服务时间方面优于传统启发式策略，同时讨论了设计灵活性与收敛时间、稳定性之间的权衡。研究还扩展了现有的开源模拟框架，并采用了一种新的适应性基准启发式方法进行重复性评估。

本研究探讨了能力与技能实施之间的时间消耗问题，提出了一种基于大语言模型的技能生成方法。该方法利用现有软件库和接口，提高了技能实施的效率，特别是在自动化移动机器人控制中展现了良好的可行性和灵活性。

本研究提出了一种新方法DetMCVI，旨在解决确定性部分可观测马尔可夫决策过程的规划问题。该方法在大型问题中表现优异，成功率高，并在移动机器人森林映射中得到了验证。

本研究针对传统强化学习在复杂导航任务中的局限，探讨层次强化学习（HRL）如何有效地利用机器人学习任务中的层次结构。研究表明，HRL在创建子目标和终止函数方面具有独特优势，实验结果显示HRL相较于标准强化学习算法在任务性能上有显著提升。

本研究提出了一种基于深度学习的移动机器人全球路径控制方案，旨在提高其在复杂环境中的避障能力。通过动态方程和深度学习模型优化路径规划，并设计模糊控制器纠正偏差，实验结果表明该方案显著提升了机器人的协作操作能力。

本研究探讨了移动机器人在动态环境中与行人导航的挑战，提出了一种基于扩散强化学习的可控学习方法。研究表明，该方法提高了导航效率，增强了动作平滑性和对静态障碍物的适应能力。

本研究提出了一种名为WMINet的移动机器人定位方法，旨在解决卫星信号有限或光照不良情况下的定位漂移问题。该方法结合轮子安装和周期性轨迹驱动，显著提高了定位精度，提升幅度达66%。此技术可在复杂环境中实现无缝导航，为短时间内的纯惯性定位提供了解决方案。

本文探讨了移动机器人设计中的集成挑战与策略，强调任务驱动的硬件与软件选择，以平衡安全性、效率和资源使用。研究提出了占用查询概念，结合整数线性规划方法，展示了有效的传感器和算法选择，为移动机器人的协同设计奠定基础，并通过案例研究揭示资源优先级对传感器选择的影响。

本研究针对传统学习方法（如模仿学习和强化学习）在移动机器人任务中对大量数据和复杂奖励函数的需求问题，提出了一种在线人类干预学习方法PVP4Real。该方法通过在线人类干预和演示进行实时策略学习，显著提高了数据效率和训练安全性，实验表明其在实际机器人任务中具有良好的应用前景。

本研究解决了移动机器人在动态室内环境中执行复杂任务时的学习效率问题。通过将增量课程学习与深度强化学习相结合，我们提出了一种更高效的训练框架，使机器人能够逐步理解和执行复杂指令。实验证明，采用这一框架训练的机器人在导航能力上显著优于未使用课程学习的机器人，表明结构化学习进程对机器人训练的重要性。

本研究提出NDR-QL方法，以解决Q学习收敛速度慢的问题。NDR模型的预测准确率提高了5%，收敛速度比基线快90%。

该研究提出了一种新算法，通过降低置信度空间维度来解决部分观察马尔可夫决策过程（POMDPs），并成功应用于移动机器人导航等任务。研究还探讨了多智能体情境下的代理模型、粒子滤波算法及领域知识在POMDP策略学习中的应用，显著提高了解决效率和准确度。

本文介绍了一种基于图神经网络和拓扑地图的视觉导航新方法，验证了其在已知和未知环境中的优越性能。研究提出了结合语义特征和监督学习的导航解决方案，显著提高了长时间任务的效率。TopoNav框架通过主动拓扑映射和内在奖励机制，提升了自主机器人的导航准确性，适用于多种应用场景。

本文介绍了一种新方法，结合扩散模型和去噪世界模型，提升移动机器人在复杂地形中的导航和路径规划能力。该方法在动态环境中有效避免碰撞，展现出良好的泛化能力和鲁棒性，适用于灾难应对和探索任务。

本研究提出了一种基于自然语言指令的移动机器人运动规划系统LASMP。该系统通过改进的快速探索随机树方法，提高了规划效率，减少了节点数量，在复杂室内环境中表现优越，具有良好的应用潜力。

本研究提出了一种基于不确定性的模型学习算法，旨在提高移动机器人在导航和避障中的安全性。该算法通过神经网络处理传感器数据，有效减少碰撞风险，并在动态环境中实现灵活的路径规划。实验结果表明，该方法在多种机器人平台上表现出色，提升了环境感知能力和决策效率。

本文介绍了一种多模态移动远程操作系统，结合视觉手部姿态回归网络和IMU臂部追踪方法，利用低成本深度摄像头实现手-臂控制。系统通过图像转换生成机器人手部姿势的深度图像，展示了高效稳定的操作性能。同时，研究探讨了农业环境中的机器人导航、作物检测及3D重建技术，推动精准农业的发展。