研究了一种自动从机械受损中恢复功能的机器人，采用形态变化而非控制器重新适配来提高表现，尤其在受到 “严重伤害”（例如四条腿全部断裂）时表现得更好。

May, 2019

该论文提出了一种名为 “Reset-free Trial-and-Error” 的新型学习算法，有效解决了复杂机器人在面对硬件损坏后无法恢复运动能力的问题，而且该算法实现自主学习，能够在不同环境中快速适应。

Oct, 2016

该论文提出基于进化算法进行机器人设计的新方法，通过随机生成初始身体结构，能够优化设计一种可行的四足机器人结构，具备高效行走能力，并通过自动化制造实现机器人的快速设计制造和部署。

Jun, 2023

介绍了分层试错算法，使用分层行为复述学习各种技能并利用这些技能使机器人更适应不同情况。实验表明，与最佳基线相比，我们的方法在迷宫导航任务中需要的行动次数少 20％，而完全失败的通常情况下减少 57％。

Apr, 2022

本研究使用约束优化算法替代原来的算法，实现了针对受损机器人快速修复的同时保证其行为安全的目标，与其它方法相比，该方法在模拟受损人形机器人爬行的速度和不进行危险试验的次数方面表现更佳。

Nov, 2016

通过设计机器人体形，可以在多任务场景下克服神经控制器所遇到的许多问题，从而实现设计更通用、需要更少计算力的机器人。

Jun, 2023

本研究通过与发展心理学家合作的定向实验，了解婴儿如何获得第一次的 “感觉 - 运动身体知识”，进而构建具有传感器官的计算模型，对多模态身体表示学习、适应和操作的机制进行研究，提出了自我接触和自我观察的办法，开发了一个校准工具箱，并在多个机器人平台上进行了实验验证，最终研究了周围空间与人类和机器人的安全合作的可能性。

Nov, 2022

通过在仿真中训练神经网络策略并将其转移到现实的四足动态平衡系统，研究创造了一种快速、自动且高效的数据生成方案，从而实现了在四足机器人技能方面的进一步提升。

Jan, 2019

通过人工进化确定损坏机器人系统的最佳行进方式，结果表明机械振动推进器的最佳调整可能与自然中的游泳者和飞行者不一致。

Feb, 2024

该论文引入一种基于强化学习的先导教师 - 学生框架，称为 Actuator Degradation Adaptation Transformer（ADAPT），旨在解决实际部署四足机器人上的问题。这个框架产生了一种统一的控制策略，使机器人能够在关节执行器突然故障的情况下维持其运动，并在依赖于内部传感器的情况下执行任务。对 Unitree A1 平台进行的实证评估验证了 ADAPT 在真实环境中对四足机器人的可部署性和有效性，并证实了我们方法的鲁棒性和实用性。

Dec, 2023