本文探讨了人形机器人在运动追踪和控制方面的进展，重点介绍了BeyondMimic和UniTracker两个项目。BeyondMimic旨在解决真实环境中的运动跟踪和sim2real迁移问题，而UniTracker通过条件变分自编码器提升运动表现力和全局一致性。这些研究为人形机器人的高效控制和应用提供了新思路。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

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。

本文介绍了「七月在线」开发的NaVILA框架，旨在提升腿式机器人在视觉与语言导航中的能力。NaVILA将高级语言指令转化为中级动作，并结合低级运动策略，提高了导航效率。该框架利用真实视频数据训练，显著提升了机器人在复杂环境中的成功率，展现了广泛的应用潜力。

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。

本文介绍了基于深度强化学习的无人机避障和导航技术，提升了无人机在复杂环境中的自主飞行能力。研究涵盖多种算法和框架，旨在提高导航效率、降低碰撞风险，并实现高效的城市空中移动。实验结果表明，提出的方案在任务成功率和定位精度上表现优异。

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。

本文探讨了基于深度强化学习的机器人导航技术，包括避障、碰撞概率估计和动态环境适应等方法。这些技术在复杂场景中有效提高了导航的安全性和性能，展示了深度强化学习在实际应用中的潜力。

该研究提出了一种新的模糊集形式，用于在不确定参数的情况下实现最大期望总回报的分布鲁棒 MDP。通过加入不确定性的广义矩和统计距离信息，可以构建一份分布鲁棒策略。

研究人员提出了一个新的四肢导航框架TOP-Nav，将路径规划器与地形感知、避障和闭环本体感知整合在一起。通过引入地形估计，机器人能够在易通过的地形上选择航点，并避开障碍物。通过闭环运动反馈，对基于视觉的地形和障碍物估计进行在线校正。TOP-Nav 在开放世界导航中展现出了优于现有方法的性能。

本文提出了一种两步架构，结合监督学习和强化学习处理动态避障任务。第一步使用循环神经网络估计障碍物碰撞风险，解决非线性障碍物移动问题。第二步将碰撞风险估计值纳入强化学习智能体的观察空间，提高环境感知能力。实验证明该方法可提升智能体奖励性能一倍，减少碰撞次数。

该研究使用深度强化学习控制无人机群，提供重放缓冲区来改善性能，并实现了对邻居机器人和障碍物交互的注意机制。在模拟环境中可实现32架机器人并达到80％的障碍物密度，在实际物理环境中可实现8架机器人并达到20％的障碍物密度，可零-shot地转移到真实的无人机上。

提出了一种基于学习的 NNPP 模型，用于在高程地图中快速搜索最优路径。该模型能够在新颖的地图上进行路径规划，显著缩短寻找最优路径的时间，优势随着地图规模的增加而增加。