具有自动课程学习特性的内在动机目标探索过程
使用SAGG-RIAC架构，该论文提出了一种内在驱动的目标探索机制，能够使高维冗余机器人有效地学习参数化运动技能/策略的分布，学习主动选择性学习目标并推动机器人朝着越来越复杂的任务发展。
Jan, 2013
介绍了一种基于SGIM-ACTS架构的主动学习方法，帮助机器人通过对多种教师的学习来达到多种目标，包括掌握数据收集策略、实现运动技能和在新情况下进行泛化，该方法在实验中表现出了显著的学习效果。
Apr, 2018
该论文提出了一种名为CURIOUS的算法，它利用MODULAR Universal Value Function Approximator和自动化课程学习机制来实现学习代理的自主目标设定和自我组织学习课程，实现学习目标的快速最优化。
Oct, 2018
通过运用内在动机的机器学习算法，实现自发模式的自动发现和多样性；同时提出了基于深度自编码器和CPPN函数的增量式方法，有效地在寻找自发模式方面比多个基准测试的系统更为高效。
Aug, 2019
本文介绍了发展性强化学习并提出了一个基于目标条件强化学习的计算框架，以解决本能动机技能获取问题，着重探讨了在自主系统中学习目标表示和优先级的现有方法，并讨论了在 intrinsically motivated skills acquisition 中的一些挑战。
Dec, 2020
提出了一种多任务学习的层级强化学习框架，名为SGIM-SAHT，用于使机器人完成各种复杂的控制任务，并演示了该框架能够学习到基本的任务和复合任务之间的层次关系，从而实现了从简到难的任务学习，并通过表示任务依赖性、内在动机探索、主动模仿等途径，使机器人能够推断出自己的任务学习进度，并决定何时、如何、以及向谁进行模仿学习。
Feb, 2022
该论文提出了一种基于马尔可夫决策过程的分层架构，使用内在动机最大化机器人学习多个具有关联性目标的能力，并提出了一种新的系统H-GRAIL来记录自主获取的任务序列，以能够在非稳态情况下修改它们。
May, 2022
智能机器人是机器人领域的最终目标，本文提出了名为GExp的框架，通过自我探索、知识库构建和闭环反馈等模块，使机器人能够自主探索和学习，解决了机器人自主探索各种环境的挑战，并且提供了部署实际机器人系统作为全方位助手的工作流程。
Jan, 2024