Vbot推出的家用机器人「大头」外观可爱，运动性能优秀，支持自主导航和跟随功能，具备强大的感知能力，续航3至6小时，充电便捷，能自主决策，带来愉悦体验。

北京人形机器人推出全国首个全自主无人化导览解决方案，整合导览、交互和多机调度能力，适用于展厅和商场等场景。该方案基于“慧思开物”平台，实现感知、决策和执行的全链路闭环，机器人可自主导航和互动，提升导览效率，标志着人形机器人进入全自主阶段。

斯坦福华人博士团队推出家务机器人Memo，售价14万元，能完成洗碗、叠袜子、冲咖啡等任务，具备自主导航和操作能力。其核心技术ACT-1依赖人类数据训练，用户可教机器人新技能，预计2026年上市。

LOVON系统结合大语言模型与开放词汇视觉感知，旨在提升足式机器人在复杂环境中的长时任务执行能力。通过拉普拉斯方差滤波技术，LOVON解决了视觉不稳定性，实现了动态目标下的自主导航与任务规划。

浙江大学与vivo人工智能实验室的研究团队开发了CogDDN框架，使机器人能够像人类一样理解指令并自主导航。该系统结合心理学的“双过程理论”，通过启发式和分析过程提升决策能力，显著提高了机器人在复杂环境中的导航效率。

本研究探讨了在资源有限的情况下，纳米无人机如何实现安全自主导航。通过基于人工智能的视觉反应规划方法，研究展示了无人机在部分已知环境中有效规避障碍的能力，实验结果表明该方法提高了导航精度，适用于实时导航任务。

本研究提出了一种基于神经网络验证的分层控制框架，旨在解决动态不确定环境中自主导航的安全性问题。通过设计控制障碍函数和策略修正机制，该方法能够有效纠正不安全操作，确保高效导航，为复杂场景中的安全导航提供新方案。

本研究提出CleanMAP框架，旨在解决智能连接车辆对高精度地图更新的需求及众包数据不一致性的问题。通过提取关键视觉参数和动态分段评分，显著提高了地图更新的准确性和可靠性。实验结果表明，该框架在自主导航中的实用价值。

本研究提出了一种视觉-语言-动作（VLA）方法，以解决无人机在复杂赛车环境中的自主导航问题。研究表明，RaceVLA在高速场景中表现优异，对提升赛车导航具有重要意义。

本研究提出了一种基于深度强化学习的框架，解决多无人机在无GNSS环境中的自主导航和任务分配问题。通过图卷积网络实现动态协调，显著提高搜索与救援效率，获得2024年Sapience比赛第一名。

本研究提出了一种结合深度强化学习和特权学习的DPRL导航算法，显著提升了无人机在复杂环境中的自主导航和避障能力。实验结果表明，该算法在飞行效率、鲁棒性和成功率方面优于现有方法。

IGV（智能引导运输车）是AGV（自动导引运输车）的升级版，具备更高的灵活性和自主性。IGV通过传感器和决策模块在复杂环境中自主导航，降低人力成本，提高效率。与传统AGV相比，IGV无需改造即可适应多种作业场景，已在宁波舟山港等地广泛应用，成为自动化港口的主要选择。