该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

Jan, 2022

本文提出了用模拟心理理论来推断用户的意图，并使用提示引擎找到相应的辅助，从而达到解释机器人推理过程的目的，并通过知识驱动的方法透明推理。

Dec, 2020

通过结合非单调逻辑推理、深度学习和决策树归纳，使机器人能够在推理和学习过程中提供对其决策、信仰和假设动作结果的关系描述，完成对场景理解任务和计划任务的支持。

Oct, 2020

本文探讨了人工智能和机器人的世界模型和预测编码的关系及其在机器人认知发展中的作用，旨在为实现具有真正认知和发展能力的机器人打下基础。

Jan, 2023

通过将基于物理的因果推理嵌入机器人的决策过程中，我们可以使机器人任务执行更安全、更可靠，对各种类型的不确定性更具鲁棒性。

Mar, 2024

本篇论文提出了一种基于协调的认知预测和规划框架来解决多机器人系统中的非通信性渲染问题，同时实现了探索、覆盖、任务发现和完成以及汇合应用等任务，该框架通过基于前沿的方法在人工物理学框架内实现置信状态的传播和环境覆盖，经过模拟和实验验证了其有效性。

Feb, 2023

本文介绍了一种通过虚拟现实人类任务演示自动生成可执行机器人控制程序的系统，利用常识知识和基于游戏引擎的物理，以及自动路径规划和代码生成，实现了具有表现力和通用性的任务表示，在强力抓取和放置机器人购物助手的场景中进行了演示。

Jun, 2023

本文介绍了一种名为 LCORPP 的机器人 SDM 框架，通过使用混合推理范式提高状态估计器，提供概率规划器的有用先验知识，以估计人类意图和进行规划，实验表明此框架比无学习和无推理的对应框架在办公环境中具有更高的效率和准确性。

Jan, 2019

本文介绍了一种神经符号 (混合) 组合推理模型，以将语言引导的视觉推理与机器人操作相结合。该模型通过使用共享的原始技能库以任务非特定的方式处理所有情况。通过语言解析器将输入查询映射为由这些原语组成的可执行程序取决于上下文。结果表明，该方法达到了非常高的准确性，同时可以进行少量的视觉微调，从而实现了真实场景的可转移性。

Oct, 2022

通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。

Aug, 2023