近期机器学习模型的进展使得机器人能够在感知非符号化级别上识别物体 (例如，通过传感器融合和自然语言理解)。然而，这些主要的黑盒学习模型仍然缺乏解释性和可转移性，需要大量数据和计算需求。一种替代方案是通过混合神经符号学习方法和专家反馈 (即人在循环学习) 来教授机器人感知非符号化和概念符号化两个级别。本研究提出了这种以用户为中心的混合学习范式的概念，重点关注外科机器人手术情境。虽然最近的研究主要关注非机器人和一些通用机器人领域的混合学习，但鲜有研究专注于外科机器人。我们调查了相关研究，同时着重人在循环外科机器人系统。这项评估强调了自主外科机器人的最突出解决方案，以及外科医生在与这些系统交互时面临的挑战。最后，我们构想了通过来自专家外科医生的隐式和显式反馈进行在线学徒式学习来解决这些挑战的可能途径。

Jul, 2023

该论文介绍了神经符号 AI 的发展及其对人类感知认知、机器感知认知的巨大潜力。

May, 2023

本文介绍了两种实现自主驾驶的算法：深度学习和自适应神经符号网络系统。本研究旨在结合深度学习的目标识别和跟踪技术以及自适应神经符号网络代理来改善物体识别性能，并利用雷达传感器实现了对汽车行驶轨迹的准确检测。

Mar, 2022

本文探讨了神经符号计算技术中深度学习和知识表示应该如何有机结合，通过 20 年来的相关研究结果，为下一个 AI 系统的关键性成分做出探索，以神经符号系统的视角提出 AI 技术应该在信任、安全、可解释性和问责制方面有所提升和解决的方向和挑战。

Dec, 2020

本文旨在探讨 AI 系统内部是否需要使用符号来实现普遍的智能能力，无论是怎样的答案，人类可理解的符号在人工智能交互中显然是非常重要的。

Sep, 2021

通过让人形机器人玩井字棋的学习方法，成功探索了多模态深度强化学习、机器人视觉感知和交互等方向，并利用语音、视觉和手势等方式让机器人在该游戏中实现了高效而自然的交互。

Nov, 2016

通过综合一系列理论框架和应用领域，该论文旨在推进多传感器人工智能的机器学习基础。它首先提出了一个理论框架，形式化描述不同感知模态之间的相互作用，以获取任务的新信息。其次，研究了可广泛泛化于多个模态和任务的实用多模态基础模型的设计。最后，讨论了如何利用这些思想开展未来工作，以实现更普遍、互动和安全的多传感器人工智能。

Apr, 2024

通过引入自我监督的神经符号化 (NeSy) 计算框架，基于符号推理能力，本文提出了基于指令学习 (IL) 的新的面向机器人自主性的方法，克服了数据驱动方法在应对不断变化的环境中泛化能力差的问题，通过三个主要组件的循环学习，验证了其在路径规划、规则归纳、最优控制、视觉测距和多机器人路径规划等五个机器人自主性任务上的有效性，并预期其能够促进各个领域的进一步研究。

Jun, 2024

本文介绍了一种名为 NSIL 的神经符号归纳学习方法，通过训练一个通用神经网络，从原始数据中提取潜在的概念，同时学习映射潜在概念与目标标签的符号知识，从而解决复杂决策问题。我们在三个不同复杂度的问题领域上评估了 NSIL，包括 NP 完全问题。结果表明，NSIL 学习到了表达丰富的符号知识，能够解决计算复杂的问题，并在准确性和数据效率方面取得了最先进的性能。

May, 2022

本文使用自我监督的方式学习了一种紧凑的多模态表示方法，将触觉和视觉反馈结合起来，以改善高维输入控制策略的样本效率，该方法在模拟和实际机器人实验中均表现出鲁棒性和广泛泛化能力。

Oct, 2018