通过模仿学习，我们能够快速理解一个新任务，通过演示，我们可以直接获得哪些动作需要执行以及它们的目标的知识。本文介绍了一种新的模仿学习方法，解决了机器人模仿人类所面临的视角变化和身体模式等挑战。我们的方法可以利用单个人类演示来抽象展示任务的信息，并利用该信息进行泛化和复制。我们通过两种最先进的方法进行了新的集成：扩散式动作分割模型用于抽象演示的时间信息，以及开放词汇对象检测器用于空间信息。此外，我们通过符号推理来改进抽象的信息，并利用逆向运动学创建行动计划，以使机器人能够模仿演示的动作。

Jan, 2024

研究了如何将在一个环境中学到的知识传递到另一个环境中的关键问题，并通过学习人类期望机器人执行哪些任务的中间表示方法，来提高机器人学习效率，从而为人类与机器人的互动打下基础。

May, 2022

本文基于 CONAIM 模型，以增量方式学习程序，并通过增加学习过程的奖励函数提高认知代理的认知复杂性，从而解决了复杂任务。

Apr, 2023

我们提出了一个框架，使机器人能够通过与人类用户进行当场语言交互来学习新的视觉概念和任务。通过在概念层次结构中给予新概念的父节点增加信息传播，我们提出了一种新方法 Hi-Viscont，该方法允许学习视觉概念层次结构的方法学习新的概念并解决未见过的机器人任务。我们还将视觉任务表示为带有语言注释的场景图，从而使我们能够零样例实时创建任务的新排列组合。通过与基线模型比较 Hi-Viscont 在视觉问答中的表现，我们得出一系列结果。在叶节点概念上，Hi-Viscont 与基线模型具备可比性，但在非叶节点概念上平均提高了超过 9%。对比基线模型，我们的框架在成功率、物体级准确率上分别提高了 33% 和 19%，从而证明了我们的模型在机器人的持续学习环境中学习任务和概念的能力。

Dec, 2023

通过交互式三维环境中的体验式概念学习者，机器人可以通过学习自然语言指令和人类示范，理解视觉概念、建立语义地图并规划行动，实现长期计划，且无需通过模拟数据获得地基准真的语义深度监督。

Apr, 2023

本文介绍了一种将领域专家的可解释概念纳入到多智能体强化学习模型中的方法，以提高模型的解释性和稳定性，提高性能和样本效率。

Feb, 2023

构建具有物理表征特性的神经符号方法，以逐渐学习概括性空间概念，用于创造塔的高度等任务，并在连续学习中实现在新概念上的归纳推理能力超越现有基准线。

Apr, 2024

通过符号学习框架实现类似认知记忆功能，生成任务表示来支持高级任务规划和知识引导，通过一次性学习过程和非注释数据存储任务的清晰表示，利用简单启发式规则对记忆观察进行排序，形成分层知识表示的框架并通过组装任务情景验证其性能、讨论其优劣。

Apr, 2024

本文介绍了一种通过虚拟现实人类任务演示自动生成可执行机器人控制程序的系统，利用常识知识和基于游戏引擎的物理，以及自动路径规划和代码生成，实现了具有表现力和通用性的任务表示，在强力抓取和放置机器人购物助手的场景中进行了演示。

Jun, 2023

通过将重复且对人体有需求的建筑任务交给机器人，可以减少工人在职业伤害上的曝光。为了成功地将工人的巧妙而适应性的手工建筑工艺技能转移到机器人身上，我们提出了一种沉浸式云机器人虚拟演示框架，该框架数字化了演示过程，消除了对重型建筑物的重复物理操纵的需求，不仅如此，还利用了分层模仿学习（HIL）模型将人类操作技能分解为顺序和反应子技能，通过委派建筑工作的物理压力给经过人类训练的机器人，该框架促进了在建筑行业中包容具有不同体能和教育背景的工人。

Sep, 2023