自主系统中智能机器人学习如何操作环境的一篇综述性研究，该研究着重于利用机器学习解决机器人操作的问题，并阐述了该领域的众多研究机遇和挑战。
Jul, 2019
自主机器臂操纵器在行星探索和原位资源利用任务中具有提高时间效率和生产效率的潜力，并且操作器可以自行处理对象并执行目标特定动作。我们利用因果机器学习在模拟的行星环境中训练操纵器自主研究一些它没有先前知识的对象，如行星岩石，并且通过不同的因果因素对它们进行分类，这些因素包括质量或摩擦系数等，这些因素决定了其相互作用的结果。我们通过强化学习使操纵器学会以揭示潜在因果因素的方式相互作用，我们证明了即使没有任何对象的先前知识或以前收集的训练数据，该方法也能够奏效。我们在真实的操纵器模型下在行星探索条件下进行训练。
Mar, 2024
利用注意力驱动的机器人操作算法（ARM），结合 Q-attention 代理、姿态代理和控制代理构成的三阶段流水线，能够成功解决目前强化学习在处理机器人操作任务时存在的困难，特别是针对图像输入的情况，对 RLBench 标准任务有显著的提高。
May, 2021
本文介绍了 AutoML 问题的定义和解决方案，项目分类和现有工作的审查，并提出了一个 AutoML 框架以减少对人类专家的需求和提高学习性能。
Oct, 2018
本文介绍了一种基于演示学习和姿态估计的人机协作装配系统，使机器人能够适应于人类操作中的不确定性，我们的实验表明，系统能成功地适应于不同的目标位置。
Dec, 2022
利用 GPU 模拟技术和模仿学习指导策略搜索以使强化学习培训可在高维机器人手表现复杂控制问题的领域中成为可能，最终演示了并行强化学习和模仿学习的互补优势和优秀的验证结果。
该论文介绍了机器学习和深度学习的一些创新研究工作以及实际应用，并涉及股票交易、医疗保健系统和软件自动化等领域。
Jan, 2022
通过深度学习和强化学习相结合的方法，本文提出了一种学习策略来解决机器人的操纵任务，并展示了比先前方法更高的样本效率、对未见过任务的适应性以及在实际约束条件下复杂性设计和控制策略之间的权衡。
Nov, 2023
本文综述了机器学习在实现安全决策方面的最新进展，并重点介绍了控制理论和强化学习研究中使用的语言和框架。文章讨论了学习控制方法、强化学习方法和可正式证明学习控制策略安全性的方法，并强调了在近距离与人类操作时安全性至关重要。此外，作者还强调了未来机器人学习研究中需要解决的一些挑战，以及促进控制和强化学习方法公平比较的基于物理的基准测试。
Aug, 2021
本文研究了冗余系统的逆运动学问题，探讨了 13 种优化技术，并提出了一种新的方法，比传统的粒子群优化技术快 200 多倍，可能成为结合机器学习的探索能力和数值方法的开发能力的新的研究领域。
Jun, 2024