TrackVLA是一种集成目标识别与轨迹规划的视觉-语言-动作模型，旨在解决具身视觉跟踪任务。通过联合训练，该模型在动态环境中展现出优越的识别与规划能力，提升了智能体在复杂场景中的跟踪效果。

本文探讨了生成性人工智能在实现完全自主驾驶（5级）中的潜力与挑战，分析了生成建模在自动驾驶中的应用，如图像生成和轨迹规划，强调其在提升安全性和可靠性方面的重要性，并提出未来研究方向。

本研究提出了一种新架构和数据集选择，解决了轨迹规划中完整轨迹不足的问题。实验结果表明，该方法在避障任务中显著优于基线模型，实时避让能力提升了四倍。

本研究提出了一种基于图优化的空间-时间轨迹规划方法，旨在解决自主车辆在复杂城市环境中实时规划安全轨迹的问题。该方法通过构建语义空间-时间图，快速生成可行轨迹，并在实验中验证了其在复杂公共道路场景中的实时处理能力。

本研究提出了一种统一的GPD-1模型，解决了自主驾驶系统在场景建模中的不足，能够同时进行地图生成、运动预测和轨迹规划，展现出广泛的应用潜力。

本研究提出了一种基于V2X通信的分布式计算与控制框架，旨在解决自动化车辆在汇入口合并场景中的集中式协作轨迹规划问题。该框架通过问题分解和分布式合作迭代模型预测控制方法，提高了计算速度，减少了对中央控制器的依赖，同时确保系统的稳定性和安全性。

本文探讨了大型语言模型（LLMs）与视觉-语言模型（VLM）在机器人操作中的应用，提出了视觉语言行动模型（VLA），通过自然语言与机器人动作的结合，提升了机器人在复杂任务中的表现。研究表明，LLMs具备理解低级控制能力，并能有效进行轨迹规划。OpenVLA模型在多样化数据集上表现优异，展示了其在新环境中的强泛化能力和计算效率，为机器人技能教学提供了新方法。

本文介绍了一种新颖的多机器人协作方法，利用预训练的大型语言模型进行通信和路径规划，提高轨迹规划速度。实验证明该方法在多机器人协作场景中取得了高成功率，并能适应任务语义的变化。

该文介绍了一种新颖的多机器人协作方法，利用预训练的大型语言模型进行高层通信和低层路径规划，通过机器人之间的交流和集体推理任务策略，并生成子任务计划和任务空间路径，应用于多臂运动规划，以加速轨迹规划，并在环境中提供反馈。作者提出了 RoCoBench，一个包含六个任务的广泛多机器人协作场景的基准测试，并在实验证明了该方法的有效性。该方法具有高度的可解释性和灵活性，可以轻松地与人工智能交互，用户可以与机器人代理合作完成任务。

本文提出了一个基于CNN架构的两阶段方法，实现了模拟人类感知环境的能力，并将环境映射到机器人可选择遍历的轨迹上。作者通过轨迹建议网络和轨迹采样网络实现了精细的轨迹规划。实验结果表明该框架在复杂场景中能够改善机器人导航任务的性能。