本研究介绍了大规模语言模型辅助自主学习框架，旨在取代人类参与的机器人技能学习过程，并提供证据表明这种方法可以实现完全自主的机器人技能学习，能够在没有人类干预的情况下完成部分任务。此外，我们还分析了该方法在任务理解和优化稳定性方面的局限性。

Mar, 2024

通过数据生成的视角重新解释最近的努力，并展示了流行技术解决方案的潜在更广泛的用途，接近了一个系统的角度。对于概念定义，我们严格采用技能学习和技能识别的术语。我们还对不同解决方案的优点和缺点进行了全面研究，并突显了在数据生成视角下它们之间的统一性，为未来研究结合不同研究线路的优势建立了技术基础。

Feb, 2024

通过顺序执行不同的动作头部来学习原始技能，我们提出了一种有助于完成操作任务所需的技能学习的策略结构，在 Metaworld 任务上的测试表明，这种简单的结构优于标准策略学习方法，突显了其改进技能获取的潜力。

Jan, 2024

提出了一种名为触觉主动推理强化学习（Tactile Active Inference Reinforcement Learning，Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，有效提高算法的训练效率和对稀疏奖励的适应能力，并利用视觉触觉传感器提供详细的感知，通过自由能最小化进行想象和规划，证明了该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中优秀表现，几次交互即可超越基准模型，并通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。

Nov, 2023

提出了一种名为机器人技能图（RSG）的新框架，用于组织机器人的庞大的基本技能并且巧妙地重新利用它们以实现快速适应，通过发现学习背景和机器人获得的技能之间存在的隐含关系，RSG 能够提供对新任务和环境的合理技能推理，并使四足机器人能够迅速适应新场景并学习新技能。

Nov, 2023

通过生成仿真系统，RoboGen 是一种生成式机器人代理，可以自动学习各种机器人技能，从而规模化地进行机器人技能学习，减少人类监督。

Nov, 2023

大型语言模型（LLMs）显示出它们在人类世界的丰富语义知识方面的强大自动推理和规划能力。然而，接地问题仍然阻碍了 LLMs 在真实环境中的应用。为了自主将 LLM 接地到环境中，我们提出了自主驱动接地（SDG）框架，用于自动和渐进地通过自主驱动技能学习将 LLM 接地。通过在著名的指令遵循任务集 - BabyAI 中进行验证，SDG 在最具挑战性的任务中达到了与成百上千次演示成本的模仿学习方法相媲美的性能，证明了学习到的技能的有效性，显示出我们框架的可行性和效率。

Sep, 2023

研究多任务强化学习中的统计规律对于新任务学习的加速是有效的，而技能学习是实现这一目标的一种方式，技能学习的热门方法是使用潜在变量模型来最大化预收集的经验的可能性，结合应用于描述技能的描述长度惩罚的新目标可以使技能更好地从经验中提取共同结构，并在具有高维图像观察的挑战性任务中进行了验证。

Dec, 2022

本文提出了一种新的学习目标，通过优化已实现和未来需要探索的目标的熵，以更高效地探索子目标选择基于 GCRL，该方法可以显著提高现有技术的探索效率并改善或保持它们的表现。

Oct, 2022

本文提出了一种利用演示数据集通过技能学习和序列建模相结合的方法，以学习高层策略的加速方式，其中序列模型形成潜在空间先验，加速了高层策略的学习速度和最终性能。

Oct, 2022