该研究针对强化学习中的新环境和动态环境，通过使用描述性文本探究使用教育性文本是否有助于代理在这些环境下的泛化，并通过 BabyAI++ 开发了一种基于视觉语言学习的新方法，实验结果表明，使用描述性文本可以提高 RL 代理在不同动态环境下的泛化能力。

Apr, 2020

该论文旨在提出一种 “基础” 的视角，启发人工智能的进步，包括 “基于感知 - 动作循环的体现、嵌入、延伸和实践认知” 的研究方向，以及运用逐步发展的技能促进逐步的语言发展、逐渐适应物理和社会环境的智能代理等几个具体的组成部分，以建立人类一样的语言能力。

Jan, 2022

通过增强和无监督学习，训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令，将语言符号与周围物理环境的感知表示和相关的行动序列联系起来，实现语言含义的压缩和提取，从而揭示出关于语言基于感知概念的本质和潜力。

Jun, 2017

本文介绍了利用自然语言任务进行协作的实体代理模型，发展出了可扩展的数据收集工具，并采集了互动立足语言理解的第一个数据集，以便进一步研究机器模拟人类智能适应新任务与环境的能力。

Nov, 2022

本文介绍了一种交互式的 “体现代理” 系统，它具有适应性，能够有效地处理自然语言指令，并提供反馈。同时，还介绍了一种用于收集有关该系统的大量文本指令的众包工具，以及该系统具有学习能力的数据集和基线模型。

May, 2023

探索交互式人工智能与人类协作的方向，研究在基于 Minecraft 世界的交互式语言理解任务中，人类可以提供哪些类型的辅助帮助，以提高 AI 行为的性能和表现。

Apr, 2023

该论文探讨了 “语言基础” 这一挑战，旨在通过将语言绑定到真实世界的参照物中来完全理解自然语言。该研究提供了三个贡献，分别为：a）分析了人工智能技术、数据集和用户界面等方面的语言基础研究概述；b）提出并实证了与语言基础相关的六个假设的信任因素，该实验是在人机清洁组中进行的；以及 c）探讨了信任语言基础的未来研究方向。

Sep, 2022

通过发展性自举方法来创建强大而有韧性的人工智能，该方法通过人工智能以类似于人类儿童的方式与环境交互、学习和获取能力，跨越了人类婴儿发展的早期阶段，并探索了人类认知发展中的潜力、差距和挑战。

Aug, 2023

基于 2D 迷宫世界，通过虚拟代理学习语言的模型，将语言的生成与理解与其他计算流程分离，从而成功地解决新单词出现的问题。模型可以解释人类可理解的中间输出结果，大幅优于其他五种比较方法。

Jan, 2018

研究将最近开发的 BabyAI 网格世界平台转变为发送者 / 接收者设置，以测试深层强化学习技术是否足以激励建立通用代理之间的基于地面的离散通信协议的假设。结果表明，适当的环境激励确实可以避免测量或特殊归纳偏差的情况，而且更长的通信间隔激励了更抽象的语义。一些情况下，通讯代理比一个单一的代理更快地适应了新环境，展示了新兴通信对于迁移学习和泛化的潜力。

Jan, 2020