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

本文提出了一种基于数据驱动的建模方法，利用深度生成模型学习目标定向的物体操作，采用视觉规划和视觉跟踪控制解决目标检测问题。

May, 2019

通过在仿生系统中应用主动推理身体感知和行为模型，能够在机器人上实现适应性身体感知和动作，并分析该方法适用于现实世界的交互。

Jun, 2019

通过动态规划，我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断，为生物有机体的适应提供了基本见解，不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中，许多研究表明，人类和动物行为可以用主动推断的过程来解释，无论是作为离散决策还是连续运动控制，这激发了机器人技术和人工智能领域的创新解决方案。然而，文献对于如何在不断变化的环境中有效规划行动仍缺乏全面的展望。本研究以建模工具使用为目标，深入探讨了主动推断中的动态规划主题，牢记生物目标导向行为的两个关键方面：理解和利用物体操纵的作用机会，以及学习自身与环境（包括其他代理者）之间的分层交互。我们从一个简单单元开始，逐渐描述更高级的结构，比较最近提出的设计选择，并为每个部分提供基本示例。本研究与传统的神经网络和强化学习的观点不同，指向主动推断中尚未开拓的方向：分层模型中的混合表示。

Feb, 2024

该论文提出了一种新的规划算法，通过动态规划算法实现了计算效率的大幅提升，并且简化了目标分布的制定，同时在不确定的条件下获得了准确的模型学习和规划。

Jul, 2023

本研究旨在使机器人能够学习如何按照自然语言指示序列化其动作以执行任务，通过人类伙伴的成功演示。为了达到这个目的，我们引入了一种新颖的神经符号模型 GoalNet，它能够从人类演示和语言任务描述中推断目标谓词的上下文和任务依赖关系，并结合学习和规划以提高在多阶段任务中的决策能力。通过在一个表示语言变化的基准数据集上进行测试，我们证明了 GoalNet 在任务完成率上比现有基于规则的方法有了显著改进（51％）。

May, 2022

本文评估了一种人机协作方案，该方案结合了任务分配和动作规划推理的层次，使用贝叶斯推理预测他的人类伴侣的下一个目标，并实时重新规划自己的行动，实现了预期的适应性，取得了良好的人 - 机表现优化。

Feb, 2018

利用数据驱动的模仿学习框架，通过模仿一个清晰的预测者，解决了机器人规划中的优化问题，从而为序列决策制定了更好的战略。在信息不完整的计划问题上进行了验证，包括真实的无人机实验，并且表现优于现有的算法。

Nov, 2017

对话式目标识别框架（Dialogue for Goal Recognition）通过询问关于噪声传感器数据和次优人类行动的澄清问题，使机器人能够纠正其对人类进展的信念，评估了 D4GR 在厨房和堆积领域的性能，结果显示 D4GR 框架在目标准确性方面比 HTN 高出 1%，在计划准确性方面比 HTN 高出 4-2%，比始终询问的预测模型在目标识别和计划识别方面表现更好，且比基线少问了 68% 的问题，文章还在厨房领域展示了一个真实世界机器人情景，验证了 D4GR 在现实环境中改进的计划和目标识别能力。

Oct, 2023

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