我们提出了一种使用基于 Transformer 的模型从配 proprioceptive 信息和高维度深度传感器输入中学习的强化学习（RL）来解决四足动物行走任务的方法。

Jul, 2021

使用稀疏的视觉观察来实现知觉运动，并提出一种学习框架以有效地学习反馈控制策略，可在人类中心的环境中在道路上行驶，越过不同的障碍，包括台阶、斜坡、间隙和楼梯。

Sep, 2021

为解决机器人虚拟世界到真实世界的迁移问题，本文提出了一种基于模块化架构、采用语义图像分割作为元表示的深度强化学习方法，实现了 RGB 图像到语义图像段转换。实验结果表明，该架构在避障和目标跟踪任务中表现优异，并在虚拟和真实环境中均明显优于基准方法。

Feb, 2018

本文介绍了一种利用两种不同形式的信息进行自监督表示学习的方法。我们使用视频数据进行我们的方法，得到良好的性能，并证明我们的特征表示可以转移至其他任务。

Nov, 2018

该研究提出了一个从感知中学习语义导向运动技能的框架，以使四足机器人可以穿越复杂的越野地形在感知信息的帮助下以适当的速度和步态进行行走。

Jun, 2022

使用无模型强化学习在仿真环境下训练的，基于镜像世界神经网络的四足机器人运动控制器具有极强的抗扰动性能和泛化能力，能够协调机器人的动作频率和运动速度，实现更加自然和合理的运动模式。

Jul, 2022

本文提出 Reinforced Cross-Modal Matching 和 Self-Supervised Imitation Learning 两个方法来解决语视导航中的跨模态匹配、学习反馈以及泛化问题，并通过实验证明这两种方法较之前的方法显著提高了成功率和准确度。

Nov, 2018

利用视觉和本体感底层控制策略开发了一种针对四足机器人的点目标导航系统（VP-Nav），使用本体感反馈确保计划路径的安全性来实现对机械的信息感知。通过使用内置摄像头生成占有空间图和相应的代价图，以到达目标，在速度指令生成器中设置安全顾问模块来对意外障碍进行感知和环境决定的速度限制。

Dec, 2021

本文介绍了一种新的行人检测方法，基于跨模态学习框架、深度卷积神经网络等技术，可在恶劣光照条件下实现行人检测，并在公开数据集上表现出优异的性能。

Apr, 2017

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