通过神经科学发现，活性推理是提升机器人算法在适应性、鲁棒性、灵活性、基础理解、安全交互等方面的潜在解决方案，通过模拟实际机器人平台的研究实验，揭示了机器人感知上的挑战和限制。

May, 2021

我们提出了一种基于像素的深度主动推理算法 (PixelAI)，它受到人类身体感知和动作的启发。这种算法将来自神经科学的自由能原理与深度卷积解码器相结合，以直接处理原始视觉输入并提供在线自适应推理。我们的方法通过研究模拟和真实的 Nao 机器人中的身体感知和动作进行验证。结果显示，我们的方法允许机器人通过单眼摄像头图像动态地估计其臂的位置，并自主地朝着 “想象” 的外部位置进行运动，这表明机器人和人类的身体感知和行动可以通过将二者视为由不断的感官输入引导的主动推理问题来有效地解决。

Dec, 2019

该研究提出了一种计算感知模型，基于预测处理，能够使任何多感官机器人通过使用任意具有高斯加性噪声的传感器来学习、推断和更新其身体配置，从而实现自我校准和安全的人机物理交互。

May, 2018

基于自由能最小化原则的主动推理理论，提出了一个输出 - 概率、时间预测、模块化人工神经网络结构，能够处理感觉运动信息，推理与行为相关的世界方面，并调用高度灵活、目标导向的行为，其中包括利用形成的地形图灵活驾驶、避免障碍和选择通往目的地的路径。另外，研究表明该学习代理适用于进行零样本推广，适用于不同地形的环境。

Feb, 2022

本文介绍了活跃推理的理论，并利用深度学习的最新进展，构建能够处理高维传感器数据并进行主动推理的复杂生成模型，这是深度主动推理在真实世界机器人导航任务中的首次应用。

Mar, 2020

本文通过一个简单的基于代理的模型，展示了积极推理作为感知和行动的一种可能的统一理论，并且解释了行为和感知之间的深层对称性。

Jul, 2017

本研究通过与发展心理学家合作的定向实验，了解婴儿如何获得第一次的 “感觉 - 运动身体知识”，进而构建具有传感器官的计算模型，对多模态身体表示学习、适应和操作的机制进行研究，提出了自我接触和自我观察的办法，开发了一个校准工具箱，并在多个机器人平台上进行了实验验证，最终研究了周围空间与人类和机器人的安全合作的可能性。

Nov, 2022

本文提出了一种新型的主动推理控制器 (AIC)，它是一种适用于工业机器人的自适应控制方案，能够应对大型模型不确定性，同时还能在大型未建模动态的情况下保持高性能。该方法基于主动推理，从控制角度推导出的模型无关的控制定律，能够比目前最先进的模型参考自适应控制器 (MRAC) 更好地适应性，提供了一种更为通用的控制定律，这证实了主动推理对机器人控制的相关性。

Sep, 2019

本文描述了通过使用自我识别算法的方法，人造机器人可以通过镜子识别自己并将自己的行为与其他实体区分开来。该算法将主动推理理论模型与神经网络学习相结合，通过自由能最小化推理机体配置并累积证据进行自我识别。实验结果表明该算法在不同的初始条件下具有可靠性。

Apr, 2020

本文提出了一种启发于人类认知结构的新型机器人运动生成模型，其中包含了一个状态驱动的主动自上而下的视觉关注模块，该模块能够基于任务状态主动改变目标，并在机器人使用工具任务中对机器人的夹持器和工具进行感知，这类似于生物现象 - 工具身体同化。结果表明，该模型的视觉感知具有更好的灵活性。

Jun, 2022