研究了机器人在存在不确定性情况下的抓取和操纵问题，提出了连续实时感知和反应运动生成方法在动态操纵场景中的重要性，并比较了三种不同的系统架构。通过在真实机器人平台上进行四个场景的广泛评估，量化了反应运动生成系统中不同时间尺度实时反馈融合的鲁棒性和准确性，并报告了系统建设中的经验教训。

Mar, 2017

文章提出了利用认知结构生成模型的方式，以模型为基础的工程和可证明的可靠性、自主计算和知识启用机器人学来获得认证可靠性的自治机器人的可证明可靠性可以受益于几种认知功能，知识处理，推理和元论证的集成的形式化模型。

Jul, 2022

本文提出了一种学习一组神经网络模块并以不同方式组合的策略，并通过重复使用模块来实现组合概括，提高机器人相关问题的性能。

Jun, 2018

提出一种新的自动驾驶系统框架 UniAD，其将任务的优先级与任务之间的交互结合，以整合现有方法中尚未合并的任务，实现更高水平的自动驾驶。

Dec, 2022

通过使用主动视觉系统来有意识地感知和应对环境，我们开发了一种移动操纵框架，该框架利用移动机械手的能力来移动和观察，从而能够在复杂混乱的场景中导航并展示灵活的全身协调，而无需创建环境地图。

May, 2024

本文探讨了一种使用机器学习找到最优配置并将搜索空间限制在这些配置中的方法，以应对系统运行期间不一致性的挑战，并在机器人任务中进行了实验。

Mar, 2019

本文介绍了一种全面集成的感知和控制系统，使移动操纵机器人能在建筑施工现场上以毫米级精度执行建筑任务，并通过多模态感知能力、与数字建筑模型的紧密集成以及集成的轨迹规划和整体运动控制实现。

Dec, 2019

通过定义一组离散且临时的闭环控制器（称为 “任务”）以及引入一种对物理学和因果关系具有内在理解的监督模块，我们提出了一种解决在机器人技术中尚未实现的，使用纯闭环输入控制的复杂计划执行方法。我们通过模拟任务序列的执行并将结果存储在环境模型中，基于该模型构建计划，从而可以实现链式的临时闭环控制器。该框架已经在一个真实机器人上实施，并在两个场景中进行了概念验证。

Feb, 2024

在机器人的交互感知中，使用预先训练的大型语言模型（LLMs）作为交互感知框架，并将其应用于决策问题以及规划多模态环境中的任务执行，这样可以通过感知来指导认知行为和高层次的决策规划，这种方法可以显著提高任务完成的准确性和效率。

Mar, 2023

现实世界的机器人需要在训练中未曾见过的情况下适应，本文研究了在部署过程中如何通过采用多样化的先前学习行为库来实时适应新奇场景的问题，提出了一种基于预训练行为的感知价值来选择和调整行为的 ROAM 机制，该机制在测试时的单个情节内完成自适应过程，无需任何人类监督，理论分析和实验表明 ROAM 方法能够使机器人迅速适应动力学变化 - 在模拟和真实环境中成功地在滑轮上行进，比现有方法在面对多样的分布情况时适应性提高了 2 倍以上。

Nov, 2023