基于神经符号人工智能，本研究提出了一种用于电池拆解的自主移动机器人系统 (BEAM-1)，通过多传感器和神经谓词相结合的方式对环境状态进行检测并将信息转化为伪符号空间，利用 LLM 启发式树搜索识别出最优的动作序列，实现高精度的拆解操作。BEAM-1 系统具有连续学习的主体智能和直觉能力，通过大量真实场景实验证明了其在多种复杂情况下自主感知、决策和执行连续拆解的能力，成功率达到 98.78%。这项研究试图利用神经符号人工智能为机器人赋予真实的自主推理、规划和学习能力，实现电池拆解的革命，并可以轻松移植到其他机器人系统以实现不同应用场景，为未来具有主体智能的机器人系统的设计与实现提供了创新的思路。

Jul, 2024

本文利用变分自编码器提出了一种用于生成符号表达式的深度学习框架，在嘈杂的数据条件下优于传统符号回归的准确率，并归纳了各类数据集及其恢复率相关知识。

Jan, 2023

利用我们提出的神经向量符号架构（NVSA）对 Raven's 渐进矩阵数据集进行端到端训练，N VSA 的平均准确率达到了 87.7％，而 I-RAVEN 数据集则为 88.1％。与神经符号方法内的符号推理相比，NVSA 的概率推理具有两个数量级的更快速度。

Mar, 2022

基于自注意力的更新规则和 Hopfield 网络的 log-sum-exp 能量函数及范数限制状态的新变体共振器网络被引入，可显著提高性能和收敛速度，使得算法具有更大的关联记忆能力，可应用于感知基模式识别、场景分解和物体推理等多个任务。

Mar, 2024

自动检测和恢复机器人故障是一个重要而具有挑战性的问题。我们提出了一种将学习与符号搜索相结合的方法，用于自动化的错误发现和恢复，无需故障的注释数据。我们的方法的核心是一种神经符号化状态表示，通过环境中存在的对象构建稠密场景图形的形式进行结构化。这使得我们能够高效地学习过渡函数和鉴别器，不仅可以识别故障，而且还可以定位故障，从而通过计算启发式距离函数实现快速重新规划。我们还提出了我们算法的任意版本，在重新规划预算范围内寻找原始计划中的子目标，以最小化到目标的总距离。在物理模拟器上进行了一系列模拟故障的实验，与现有基线相比，我们的方法在效率和恢复机制的准确性方面表现出良好的效果。

May, 2024

本文提出了一种基于新颖的变分自编码器生成分层结构的符号回归方法，将简单的原子单元与共享权重相结合，递归地编码和解码分层中的个体节点，通过随机化搜寻分层结构的空间，能够在符号回归任务中准确且高效地构建等式。

Feb, 2023

通过引入 End of Life (EOL) 和 Equivalent Cycle Life (ECL) 作为生成 AI 模型的条件，该研究开发了一种经过改进的条件变分自编码器（RCVAE），通过将数据预处理成准视频格式，实现了电化学数据的综合合成，可以生成特定的电化学数据用于 EOL 和 ECL 的超定监督条件。此方法为用户提供了综合的电化学数据集，开创了锂电池数据人工合成的新研究领域，并可以基于详细的合成数据计算各种电池状态指标，为锂电池性能预测提供了新的视角和可能性。

Apr, 2024

本研究中，通过将符号操作和神经采样器与参数化策略相结合，将它们打包成模块化的神经符号技能，并将其顺序化组合为搜索 - 采样二层任务和动作规划来解决新任务。在四个机器人领域的实验中，展示了具有神经符号技能的二层规划策略能够解决各种具有不同初始状态、目标和对象的任务，优于六个基线和消融。

Jun, 2022

本文介绍了一种神经动力学系统的符号计算表示理论，旨在研究不同编码下神经自动机的对称性和不变性质，结果表明只有针对等式模式的阶跃函数在重新编码后是不变的，而平均激活水平是不变的。

Feb, 2023

该研究介绍了一种基于神经符号元强化前瞻学习（NUMERLA）的在线元强化学习算法，采用前瞻更新机制实现了自动驾驶模型在非稳态城市人车交互场景下的实时适应性和安全性。

Sep, 2023