提出自动内在动机代理 (autotelic agents) 的 Vygotskian 模型，通过对话语言和实体环境交互学习，实现自我生成目标和内化交互成为认知工具，进而形成人工认知功能，从而推进社会化学习的人工智能研究应用前景。

Jun, 2022

本研究介绍了一种使用预训练语言模型（LM）的语言模型增强的自我目标学习环境，它支持自动生成并学习具有多样性、抽象性、与人类相关的目标 —— 而非手动编码的目标表示、回报函数或课程，该系统可以在基于文本的任务无关环境中学习掌握各种广泛的技能。

May, 2023

本文研究通过使用图神经网络的不同策略表示和两种目标空间，即基于几何或基于谓词的，对自我目标代表和设置的兴趣驱动智能体的学习和转移能力的影响，并表明这种方法有助于实现更困难的目标学习。

Apr, 2022

文中探讨了研究本质激励代理在文本环境中探索的机遇和挑战，并认为文本环境及自主代理之间具有重要的协同作用，提出文本世界适合自主代理探索的关键特性包括深度、广度、进步利基以及语言目标易用性，认为实现这些驱动器对可实现文本世界探索自主代理是有帮助的，并列举了需要在该领域克服的一些具体挑战。

Jul, 2022

本文探讨了自主学习代理程序开放式技能库的学习，提出了结合 Piaget 视角和 Vygotsky 视角的方法，通过提供新的社交交互协议 Help Me Explore 和基于图的自主代理程序 GANGSTR，实现了代理程序学习掌握更复杂的任务目标。

Feb, 2022

通过自适应子目标树将高级目标细分为实用的子目标，自我目标（SelfGoal）显著提高了语言代理在竞争性、合作性和延迟反馈环境中的性能。

Jun, 2024

该论文提出了一个理论框架来推动构建自我发起的开放世界学习（SOL）代理的研究，讨论和解决了在实现完全自主可学习代理方面的挑战，特别是如何自动化地检测未知的情况或新奇情况，并适应或调整代理以从中学习，提高代理的适应能力和任务性能。

Oct, 2021

本文介绍了发展性强化学习并提出了一个基于目标条件强化学习的计算框架，以解决本能动机技能获取问题，着重探讨了在自主系统中学习目标表示和优先级的现有方法，并讨论了在 intrinsically motivated skills acquisition 中的一些挑战。

Dec, 2020

该研究论文旨在探讨发展性机器学习方法，通过模仿儿童利用语言描述目标实现创造性发现和开放式的学习过程中的能力，提出了一种叫做 IMAGINE 的深度强化学习框架，并研究了其泛化和探索能力，以及目标想象、模块化和社交互动等因素对其结果的影响。

Feb, 2020

通过提出自动课程设计和目标建议模块，来提高强化学习中的多任务目标采样效率，并在机器人和导航任务中展示了比现有方法更好的性能。

Jun, 2020