Paper Reading：Robot learning 2

一种平面位姿优化的稳定性框架。通过将问题解耦后分为两个子问题，并将这两个子问题进行分析后转化为一个线性的问题（相较于原来矩阵式的问题更加简单），最终通过求解这个线性问题来对目标进行优化

提出一种线性标度的精确全身碰撞公式，同时推导了解析梯度，用于轨迹优化。

自主无人机在重物运输时对自身姿态和重物姿态的控制，自动消摆。

相互观测的机器人群体定位，解决部分相互观测的机器人群体恢复相对位姿，提出了一套稳健的可扩展的算法。

主题：提高自主隐式重建的视图路径规划效率，提升目标图像的重建质量   方法：1、信息增益场近似  2、混合表示法  3、新的路径规划策略。

3D高斯重建（建图+路径规划，重点在建图算法）：为3D高斯建图提出完整和建图质量的评估方法，也设计基于采样的主动视图规划算法，指导重建未观测区域，提高建图质量

这个不是强化学习领域范围的文章，就像他的名字，回到牛顿的规则之下，用物理的手段实现无人机快速飞行，仍然是基于视觉算法实现的

注意力强化学习方法 ARiADNE，用于机器人未知环境自主探索，解决近视规划问题；核心贡献是用注意力网络学习地图多尺度空间依赖，结合 SAC 实现非近视路径决策，探索效率优于前沿法、采样法与 CNN-DRL 基线，ROS 仿真验证实用性。

对机器人目标导向自主探索的环境推理弱、收敛慢、仿真-现实迁移难问题，提出CTSAC算法，将Transformer嵌入SAC感知网络以利用历史信息提升策略远见，设计周期性回顾课程学习缓解灾难性遗忘并加速训练，优化激光雷达聚类方式缩小仿真与现实差距，经ROS-Gazebo仿真与实机实验验证，其探索成功率与效率优于传统非学习型和主流学习型算法。

对自主机器人探索提出DARE生成式方法，基于注意力编码器提取环境图特征，以扩散策略网络从专家最优演示中学习探索模式，可依据局部环境信念推理未知区域结构并生成显式长时规划路径，仿真与实机部署结果表明其探索效率比肩主流传统与学习型规划器，具备良好泛化与仿真-现实迁移能力。