通过引入神经细胞机器人基质（NCRS）的方法，使用单个神经细胞自动机（NCA）作为模块化机器人代理的基因组，使用协方差矩阵适应进化策略（CMA-ES）和协方差矩阵适应 MAP-Elites（CMA-ME）来训练 NCRS，以实现对机器人形态的成长和控制的模拟。研究表明，该方法在较简单的任务中表现良好，但在任务难度增加时，其成功率会降低。

Mar, 2022

使用高维随机向量作为最小表示单元的矢量符号结构（VSAs）嵌入鲁棒的多时间尺度动力学到基于吸引子的 RSNNs，通过叠加对称的自联想权重矩阵和非对称的状态转换项来嵌入有限状态机进入 RSNNs 动力学，通过模拟高度非理想的权重、实验性的闭环存储器硬件设置，和在 Loihi 2 上验证，表明了 VSA 表示在嵌入鲁棒计算与循环动力学到神经形态硬件中的有效性，无需参数微调或平台的特定优化，这将 VSA 推进为认知算法在神经形态硬件中的高级表示不变的抽象语言。

May, 2024

本文提出一种利用神经学中向量符号体系（VSA）的计算范式构建的适用于神经形态计算的视觉里程计（VO）算法。该 VO 网络不仅可以生成并存储所呈现视觉环境的工作内存，同时在估计摄像机的位置和方向变化的同时更新这个工作内存。该文实验验证了该方法在机器人的简单任务和基于事件的数据集上关于 SLAM 任务的高性能表现。

Sep, 2022

提出了一种基于神经形态学的解决方案，使用基于向量符号体系结构的高效因式分解网络，实现物体位置和其刚性变换的推断。

Aug, 2022

通过将基于梯度的软体物理模拟器的规划器提炼成基于注意力机制的神经网络，我们的多机器人操作系统在适应环境变化、处理任务时表现更好，并且可以应用于训练中未见过的配置。

Nov, 2022

通过使用基于神经细胞自动机 (NCA) 的超网络方法，我们可以在受到自组织系统和信息理论方法的启发下，以发育生物学为基础，生长出能够解决常见强化学习任务的神经网络，并探索了如何使用相同的方法来构建发育变形网络，以解决最初强化学习任务的变化版本。

Apr, 2022

利用单目深度相机、神经体积记忆和几何先验知识，提出了一种新的方法来解决多种恶劣地形条件下的机器人步态规划问题。

Apr, 2023

我们研究了神经元元胞自动机（NCA）模型的架构与其所产生的动态图案之间的关系，并发现 NCA 输出的紧密度和比例性与架构的两个变量之间存在强相关性，因此我们提出了用于创建动态 NCA 的设计原则。

Apr, 2024

本文提出了一种称为 AdaNCA 的适配器神经元细胞自动机（Adaptor Neural Cellular Automata，AdaNCA）的方法，用于 Vision Transformer，通过在 Vision Transformer 层之间插入 NCA 来增强 ViT 的性能和抵抗对抗攻击以及在分布之外的输入时的鲁棒性。在 ImageNet1K 基准测试中，AdaNCA 仅增加不到 3% 的参数，并使准确度在对抗攻击下提高了超过 10% 的绝对值。此外，通过对 8 个鲁棒性基准测试和 4 个 ViT 架构进行广泛评估，证明了 AdaNCA 作为插件模块能够一致提高 ViTs 的鲁棒性。

Jun, 2024

本研究提出了一种新的方法将 Visual Semantic Navigation（VSN）模型集成到真实机器人中，并针对真实环境中的性能差异进行实验验证，以期推动在真实世界情景中提升具体实体机器人的性能和效率。

Nov, 2023