本论文提出了一种基于内在动机的目标探索算法，结合自主学习过程和增量式目标策略搜寻探索，可以自动生成任务序列并发掘多种技能，无需特定的目标指令，适用于机器人等人工智能设备的自主发展学习。

Aug, 2017

本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

Mar, 2018

本文介绍了如何使用内在动机和深度学习算法来有效生成目标空间，提出了使用解耦目标空间可以更好地进行探索，同时利用模块化学习进度驱动求知型探索，同时发现了环境的独立可控特征。

Jul, 2018

本文探讨了一种模块化协同进化策略，通过多个原始代理的动态自组装进而形成复合体来控制机动物体，与传统复杂代理的学习方法不同。作者通过在模拟环境中进行实验，展示了这一方法比静态和单片基线更好地适应环境变化和测试时间变化的性能。

Feb, 2019

本文介绍了发展性强化学习并提出了一个基于目标条件强化学习的计算框架，以解决本能动机技能获取问题，着重探讨了在自主系统中学习目标表示和优先级的现有方法，并讨论了在 intrinsically motivated skills acquisition 中的一些挑战。

Dec, 2020

通过大量的实验和消融分析，我们分析了不同表征、进化搜索和各种聚类方法在异构群体中寻找新行为的影响。我们的研究结果表明，先前的方法未能发现许多有趣的行为，而迭代人在环节的发现过程比随机搜索、群体化学和自动化行为发现方法发现了更多的行为。我们的实验中发现了23个新的紧急行为，其中18个是新发现。据我们所知，这些是首个已知的计算无关代理异构群体的紧急行为。

Oct, 2023

多元智能研究领域旨在识别、形式化和理解行为能力在各种实现中的共同点，通过对经典排序算法的行为进行新颖分析，发现在简单系统中出现了问题解决能力，为多元智能领域提供了新的视角。

Dec, 2023

智能机器人是机器人领域的最终目标，本文提出了名为GExp的框架，通过自我探索、知识库构建和闭环反馈等模块，使机器人能够自主探索和学习，解决了机器人自主探索各种环境的挑战，并且提供了部署实际机器人系统作为全方位助手的工作流程。

Jan, 2024

研究人工生命领域探讨计算机模拟中类似生命的现象，如自我组织、自主性或自我调节。本文利用机器学习的最新进展，结合多样性搜索、课程学习和梯度下降等算法，自动搜索能够与外部障碍物相互作用并保持完整性的局部结构，即原始形式的感知运动机制。我们展示了这种方法能够系统地找到导致基本机制自组织的细胞自动机环境条件，并通过多个实验证明了发现的个体在移动、保持身体完整性和穿越障碍物方面具有出乎意料的稳健能力，同时还表现出强大的泛化能力，在训练期间没有看到的尺度变化、随机更新或环境干扰方面具有鲁棒性。我们讨论了这种方法在人工智能和合成生物工程领域的新视角。

Feb, 2024

本研究针对快速适应新环境中的时空连续问题的挑战，提出了一种将行为视为搜索过程的新方法。该算法通过在线修改认知图，实现了对行为的高效枚举，展现了在实时行为适应中的重要潜力，尤其在开发学习与自发技能获取方面，具有显著的应用前景。

Oct, 2024