本研究提出了HyRRT-Connect算法，旨在解决混合系统的运动规划问题，填补双向探索的空白。该算法通过双向传播减少规划的不连续性，实验结果表明其优于传统方法，具有潜在的应用价值。

本研究提出了一种新的路径数据库引导方法（PDG），有效解决了机器人运动规划中信息利用不足的问题。PDG通过动态选择扩展节点和实时更新数据库，提高了搜索效率，实验结果表明其在多种环境下表现优异。

本研究探讨了大语言模型（LLMs）在多机器人系统（MRS）中的应用，包括任务分配、运动规划和人机互动，揭示其在家庭机器人和建筑领域的潜力，同时指出了面临的挑战和未来研究方向。

本文提出了一种结合蒙特卡洛树搜索与速度障碍技术的创新方法，旨在解决智能机器人在动态障碍物密集环境中的在线运动规划问题。实验结果显示，该方法在碰撞率、计算性能和任务表现上优于现有技术。

本研究提出了一种基于上下文学习的运动规划方法，通过大型语言模型将文本描述转化为脚本，生成多样化的交通场景。实验结果表明，使用合成数据训练的规划器性能显著优于仅使用真实数据训练的规划器，验证了合成数据的有效性。

本文探讨了强化学习在机器人领域的应用，提出了多种算法和框架，如SAM-RL、Karolos和H2O+，并展示了其在动态环境中的有效性。研究表明，强化学习显著提高了机器人运动规划的效率，尤其在复杂任务中表现出色。此外，开发的RL-X库在速度上优于现有框架，为机器人强化学习提供了有力工具。

本研究提出了一种结合模仿学习与强化学习的方法，以解决城市自动驾驶汽车运动规划中的安全性问题。该方法显著提高了系统的鲁棒性，失败率降低超过17%。

研究提出了一种层次化算法，通过高层次运动规划和短期相对运动策略，解决未知动态环境下的大物体移动问题。实验显示，该方法在复杂任务中提高了成功率和适应能力。

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。

RoboCraft通过粒子表示法和多种算法学习弹塑性物体的动力学模型，能够控制机器人进行物体变形任务，其表现优于未训练的人类。研究还探讨了视觉编程、运动规划和肌肉感知技术在机器人操作中的应用，提出了提高数据效率和多功能性的新方法。

本研究提出了一种数据驱动的学习方法，用于解决运动规划中需要从头生成解决方案的问题。通过构建复杂场景并收集专家数据，提炼出通用的反应策略，并结合轻量级优化实现了在真实世界中的安全路径规划。该方法在多种运动规划任务中相比现有技术有显著提高。

本文探讨了基于强化学习的机器人技术，包括视角规划、运动规划和路径优化。研究表明，强化学习在复杂环境中的精度、效率和性能优于传统算法。未来将关注模型结合和现实约束的整合。

该论文提出了一种基于单目相机和廉价雷达的自主驾驶框架，利用MTUNet提取图像特征，并通过CILQR和VPC模块进行运动规划和控制。同时，研究综述了智能车辆的规划方法，探讨了车联网和合作感知在自动驾驶中的应用，提出了V2X-Lead和UniV2X等新方法，以提高安全性和效率。

该论文提出了一种新颖的神经符号方法，通过增强变分自编码器模型，实现基于感官输入的符号运算符学习，验证了自主任务和运动规划的可行性。同时，研究了电动车电池回收利用的健康监测算法，展示了其在电网能量存储中的潜力。

本文研究了深度强化学习在无人驾驶中的应用，优化车辆变道策略，提高学习效率与安全性。提出了基于深度强化学习的层次运动规划方法，并分析了交通信号控制与拥堵管理的效果，展示了该技术在复杂交通环境中的优势。

本文介绍了RoboGPT机器人代理，结合基于大语言模型的规划与RoboSkill模块，提升日常任务的决策能力。研究探讨了四足机器人的运动规划、控制框架及其在复杂环境中的应用，展示了深度强化学习和多模态模型的潜力，推动了机器人技术的发展。

为了解决运动规划中的碰撞检测和采样复杂性问题，研究人员提出了一种基于控制屏障函数的新型控制器，该控制器使用神经网络生成控制信号，将系统引导到路径上。这种方法结合了控制屏障函数和RRT的优势。