本研究提出了一种新的零-shot导航与路径生成方法，克服了大语言模型在空间路径规划中的局限性。通过数据集和评估，展示了其在复杂环境中的优越避障和路径优化能力，为多运动体协调提供了新思路。

本文提出了一种基于强化学习的路径生成方法，旨在提升移动机器人在未知环境中的导航能力。该方法利用深度马尔可夫模型生成预测路径点，并通过运动微调确保安全性。实验结果显示，该方法在模拟和物理平台上均优于传统导航方法。

本文介绍了运动规划网络（MPNet），一种高效的神经网络算法，能够在已知和未知环境中生成无碰撞路径。MPNet结合传统采样规划器，采用主动学习方法减少培训数据，验证了其在多维机器人配置空间中的鲁棒性。此外，研究探讨了使用扩散模型加速运动规划优化及其在城市自动驾驶中的应用。