本文旨在比较基于学习的方法和经典方法在虚拟环境导航方面的表现，并通过对两个标准基准测试MINOS和Stanford大规模3D室内空间的经典导航代理的构建，证明了经典代理的优越性。同时，我们进行了详细的分析，研究学习代理和经典代理的优缺点以及虚拟环境特征对人员导航带来的影响。结果表明，学习代理在碰撞避免和存储管理方面较差，但在处理模糊性和噪声方面表现更佳。这些结果可以为未来导航代理的设计提供参考。

Jul, 2019

提出了一种新型的分层强化学习架构HRL4IN，用于解决包含导航和操作任务的具有异构性的交互式导航任务问题，并且能够提高能源效率。在2D网格世界环境和3D物理仿真环境中，HRL4IN相对于平面PPO和HAC等算法，在任务性能和能源效率方面的表现明显优于其他基线算法。

Oct, 2019

本文提出了一种基于深度强化学习的两步神经框架来模拟Maya软件中的建模过程，并且采用新颖的训练算法来 efficient 训练模拟器，从而达到模拟生成3D模型的效果。

Mar, 2020

该研究提出了一种基于深度传感器和一种先进的3D手姿估计器的模型，使用模型自由的混合强化学习和模仿学习方法训练代理来实现虚拟环境中手-物体交互，通过引入物理约束，使得机器人能够完成更高效的手-物体操作。

Aug, 2020

本研究利用增强学习方法，通过自主探索实现对未经探测的三维环境的机器人智能互动，其中包括对可利用对象的发现、高效自主行动的学习以及使用基于图像的可利用区域分割模型。实验表明，基于该方法的机器人可以智能地操作新的家居环境，并为进行下游任务，如“找刀并将其放入抽屉中”，进行了充分的准备。

Aug, 2020

本文提出了基于强化学习（RL）的方法来解决移动机器人在密闭空间中与行人互动的导航问题，探索了多个场景下训练准则的可复用性，并在两个真实环境的三维重建中表现出了良好的迁移能力。

Oct, 2020

介绍 Habitat 2.0(H2.0) 为一种用于在交互式 3D 环境和复杂的物理启用技术中训练虚拟机器人的仿真平台。在数据、仿真和基准任务的所有层面上都做出了全面的贡献。使用 HAB 测试移动操作能力。比较 deep RL 和 SPA 管道。发现 flat RL 与独立技能的层次结构存在 “hand-off” 问题，同时 SPA 传统管道比 RL 策略更脆弱。

Jun, 2021

使用人类反馈的强化学习方法，通过记录人类与模拟世界中的代理进行交互，构建能够自然交互和学习的代理行为，有效提高了代理在复杂领域中的行为表现。

Nov, 2022

提出了一种基于强化学习的方法来处理3D室内场景中虚拟人类与环境以及物体的交互，包括生成运动模型、创新的碰撞回避奖励函数、基于标记体和半径场的交互感知奖励函数以及训练策略等多个方面，实验结果表明，该方法在运动的自然性和多样性方面都优于现有的人-场景交互综合框架。

May, 2023

通过实证分析，本研究评估了强化学习代理在不同空间维度中的学习轨迹和适应过程，揭示了强化学习算法在导航复杂的多维空间中的有效性，并对未来研究提出了思考。

Mar, 2024