通过研究虚拟机器人在进行腿部运动时的结构化神经活动，我们发现机器人训练后的神经轨迹比输入驱动的激励层的神经轨迹更为复杂，这一核心原则对于计算神经科学具有重要意义。

May, 2023

通过仿效哺乳动物中央运动系统机制，我们提出了一种神经启发的分层强化学习算法，使得机器人能够学习丰富的运动技能并将其应用于复杂的任务环境中，而不依赖外部数据。

Nov, 2023

动物和机器人存在于物理世界中，并必须协调其身体以实现行为目标。最近在深度强化学习方面的发展使得科学家和工程师可以利用物理模拟的身体和环境来获得特定任务的感觉运动策略（策略）。然而，这些方法的效用超出了特定任务的限制；它们为理解动物感觉运动系统与其形态和与环境的物理相互作用的组织提供了一个令人兴奋的框架，同时也可为机器人系统中感知和执行的一般设计规则的推导提供支持。通过使用深度强化学习中的 extit {演员 - 评论家} 方法，我们在这里提出数学和算法方面的简洁阐述作为研究动物和机器人行为背后的反馈控制的工具。

May, 2024

利用计算神经科学分析机器人运动控制的人口群体行为，研究表明在强迫状态和拓扑结构之下，循环状态动力学的结构化和低维的特点与类人研究吻合，振荡系统在可控的神经扰动下，更强地依赖感官输入。

Jun, 2023

本文提出了一种从 2D 视觉观察中学习动态 3D 场景模型的方法，结合神经放射场、时间对比学习和自动编码框架，可以学习到视点不变的 3D 感知场景表示，进而实现包括刚体和流体在内的具有挑战性的操作任务的视觉运动控制和未来预测，并支持摄影机视点外训练分布的目标规定，此外，还对不同系统设计进行了详细的改变研究和学习的表示的定性分析。

Jul, 2021

本文通过将矛线虫的运动回路转化为具有不同生理真实性水平的人工神经网络，评估这些网络在动态和非动态行为任务上的训练结果。研究表明，即使不保持生物特性的真实性，也可以获得使用生物电路的优势。建立生物电路结构的统计学提供了有价值的先验知识。同时，矛线虫的运动回路对于运动问题具有强大的归纳偏差，但其结构可能会妨碍其他与运动无关的任务。

Sep, 2022

本研究使用多智能体协同学习模型，在模拟环境中训练了一组虚拟的足球运动员，研究并展示了在不同时间尺度上，采用不同层次抽象的行为表征下，机器人团队的协作行为出现的现象与优势。

May, 2021

本文介绍了如何利用消费级虚拟现实头显和手部追踪硬件来自然地远程操纵机器人执行复杂任务，并说明了如何使用仿真学习来学习从像素到动作的策略映射。实验展示了我们方法在视觉动作技能学习上的有效性。

Oct, 2017

利用神经概率运动原始系统可以离线训练解决灵活控制高维度物理仿真人形机器人的问题，同时最大限度地压缩数千个专家策略并学习运动原始嵌入空间。

Nov, 2018

通过在仿真中训练神经网络策略并将其转移到现实的四足动态平衡系统，研究创造了一种快速、自动且高效的数据生成方案，从而实现了在四足机器人技能方面的进一步提升。

Jan, 2019