该论文研究了如何使用群对称性改善端到端可微规划算法的数据效率和泛化能力，当对称性出现在决策任务中时。 通过等变卷积网络的启发，将路径规划问题视为网格上的信号，并表明在此情况下，价值迭代是一个线性的等变算子，即一个（可转向）卷积。 基于VIN的实现，使用等变卷积网络来纳入对称性。 在三个路径规划任务和一个工作空间操纵任务中的实验表明，我们的算法较VIN和GPPN的非等变协方差算法提高了大量的训练效率和泛化能力。

Jun, 2022

该论文提出了一种利用机器人系统对称性学习动态的新方法，通过设计基于神经网络的对称对象组来考虑机器人系统的几何先验知识，实现了对少样本数据实现系统动态的扩展和精准的控制，同时与现有模型相比，该方法使用更少的训练数据实现了更好的泛化。

Oct, 2022

该论文提出基于进化算法进行机器人设计的新方法，通过随机生成初始身体结构，能够优化设计一种可行的四足机器人结构，具备高效行走能力，并通过自动化制造实现机器人的快速设计制造和部署。

Jun, 2023

该研究论文探讨了改进机器人任务中有对称性的强化学习和规划算法的设计，算法在处理具有欧几里德群对称性的问题时表现出更好的性能。

Jul, 2023

通过自适应对称学习（ASL）模型，该研究旨在通过强化学习捕捉人类大脑适应不完全或不精确对称任务的能力，并在各种情境中通过减小波动来提高性能。

Sep, 2023

多细胞机器人设计中的粗粒细粒方法结合超载共同空间与交叉熵优化方法，实现了在探索的超空间中自动识别和聚焦有潜力区域的设计，通过广泛的实证研究在各类挑战任务中展现了其优越的效率与广泛应用的能力。

Nov, 2023

研究和利用机器人系统中的形态对称性，证明其对机器学习模型的样本效率和泛化能力有显著影响，并将机器人动力学分解为低维度、独立动力学，为机器人学中的建模、控制、估计和设计提供了新的物理信息几何先验。

Feb, 2024

这项研究使用软手腕来解决机器人装配中具有代表性且具有挑战性的插入孔位任务，其可以比刚性手腕更安全操作且容忍较低频率的控制信号。我们使用部分可观察的形式并通过展示学习和基于记忆的深度强化学习来训练一个完全基于触觉和本体感知信号行动的智能体。此外，我们利用潜在的领域对称性以提高样本效率，并通过构建辅助损失推动智能体遵守对称性。在模拟环境中，我们的智能体在五个不同的对称插头形状上显示出与基于状态的智能体相当甚至更好的性能。特别是，样本效率还使我们能够在3小时内直接在真实机器人上学习。

Feb, 2024

通过数据增强和镜像损失函数的两种方法，将对称不变性纳入深度强化学习中，可在各种具有挑战性的机器人任务中实现更快收敛和改进的学习行为。

Mar, 2024

本研究解决了强化学习在高维系统中采样效率低和奖励设计挑战的问题。通过利用具有漂浮基底的机器人系统的李群对称性，将轨迹跟踪问题建模为马尔科夫决策过程，从而实现了在低维度“商”MDP上训练策略并应用于原始系统的最优控制器。研究表明，这种对称性的方法在加速训练和减少跟踪误差方面都具有显著效果。

Sep, 2024