iGibson 1.0 是一个新型模拟环境，包含 15 个完全互动的具有 108 个房间的真实场景，为交互任务开发机器人解决方案提供了便利，同时集成了多个关键功能，包括动作规划和感官信号生成等，旨在为下游处理任务提供加速训练的可视化表示学习方案。

Dec, 2020

iGibson 2.0 是一个开放源代码模拟环境，支持通过温度、湿度、清洁度等对象状态，实现更多样化的家庭任务模拟，并通过虚拟现实界面，收集人类示范并用于模仿学习，旨在支持更多的智能机器人领域研究。

Aug, 2021

开发能够在真实世界中像人类一样感知、思考和行动的 AI 代理，需要弥合数字与物理世界之间的现实差距。为此，我们引入了 V-IRL：一个使代理能够在虚拟现实环境中与真实世界进行可扩展交互的平台，旨在开发能够完成各种实际任务的代理，并以广阔的测试基地来衡量不同领域的进展，包括感知、决策和与全球真实数据的交互能力。

Feb, 2024

通过 VRKitchen 的虚拟现实环境和集成功能，该研究使用现代人工智能方法驱动具有复杂任务能力的实体代理，使人类教师能够进行演示培训，为任务导向学习等领域的广泛应用提供了标准化的评估基准和数据收集工具。

Mar, 2019

本文研究了具体化视觉主动学习任务，该任务通过选择性的视野请求注释来探索三维环境，以获取场景理解，我们通过开发一系列智能体来研究具体化视觉主动学习，其中智能体配备语义分割网络，并使用深度强化学习以及奖励函数平衡任务性能和必要注释数据请求，得到了可靠的结果。

Dec, 2020

在自主导航的地面机器人领域，现有的研究大多使用真实感的动力学和感知模型，而本篇论文致力于通过在仿真环境中进行端到端的训练，减小模型在现实机器人平台上的差距，并取得了显著的性能和稳健性的提升。

Jan, 2024

为解决机器人虚拟世界到真实世界的迁移问题，本文提出了一种基于模块化架构、采用语义图像分割作为元表示的深度强化学习方法，实现了 RGB 图像到语义图像段转换。实验结果表明，该架构在避障和目标跟踪任务中表现优异，并在虚拟和真实环境中均明显优于基准方法。

Feb, 2018

本文提出了一个包含自然语言描述复杂机器人任务的数据集，以期提高机器人与人类之间的互动能力，在使用多个现实图像中的可见物体来回应多方面的指令方面进行各种复杂任务的能力是解决这一挑战的关键。我们测试了多种最先进的视觉和语言导航，以及指涉表达模型来验证这项新任务的难度，但他们中没有一个显示出有希望的结果。我们还提出了一种新颖的交互式导航 - 指针模型，为该任务提供了强有力的基线。该模型在未见测试集上表现最佳，但与人类表现相比仍有很大的改进空间。

Apr, 2019

通过虚拟环境中的交互式训练、行为测试和逆强化学习技术，实现了大规模人类行为模仿，提高了人工智能代理的交互能力，并成功解决了代理评估方面的挑战。

Dec, 2020

本文提出了一种名为 “Embodied Visual Recognition” 的任务，其中代理可以在三维环境中移动以对被遮挡的目标物体进行识别、定位和分割，研究结果表明，具有移动能力的代理比被动代理的视觉识别性能更好，代理可以学习不同于最短路径的策略移动路径来提高视觉识别能力。

Apr, 2019