通过模仿学习，我们能够快速理解一个新任务，通过演示，我们可以直接获得哪些动作需要执行以及它们的目标的知识。本文介绍了一种新的模仿学习方法，解决了机器人模仿人类所面临的视角变化和身体模式等挑战。我们的方法可以利用单个人类演示来抽象展示任务的信息，并利用该信息进行泛化和复制。我们通过两种最先进的方法进行了新的集成：扩散式动作分割模型用于抽象演示的时间信息，以及开放词汇对象检测器用于空间信息。此外，我们通过符号推理来改进抽象的信息，并利用逆向运动学创建行动计划，以使机器人能够模仿演示的动作。

Jan, 2024

通过将重复且对人体有需求的建筑任务交给机器人，可以减少工人在职业伤害上的曝光。为了成功地将工人的巧妙而适应性的手工建筑工艺技能转移到机器人身上，我们提出了一种沉浸式云机器人虚拟演示框架，该框架数字化了演示过程，消除了对重型建筑物的重复物理操纵的需求，不仅如此，还利用了分层模仿学习（HIL）模型将人类操作技能分解为顺序和反应子技能，通过委派建筑工作的物理压力给经过人类训练的机器人，该框架促进了在建筑行业中包容具有不同体能和教育背景的工人。

Sep, 2023

本研究探讨了开发仅基于神经控制器的社交机器人的可行性，它们通过思考所示行为的根本意图来学习模仿，相结合的底层学习和顶层探索提高了学习的泛化能力，其中 NeuroCERIL 是使用唯一的神经元来实现人类类习得的可读性，其能够促进人 - 机协作并为研究人类认知的神经计算基础做出贡献。

Nov, 2022

本文介绍了一种基于序列归纳偏置的，从专家轨迹的状态中模仿复杂机器人任务并实现优化的新算法，将复杂任务拆分成较小的技能，将技能训练为 (goal-conditioned policy)，以便能够逐个解决每个技能并连接技能以完成整个任务，同时证明了该方法经过了无须几个未经过训练的样例即可实现了非完整导航任务和复杂的仿真机器人操作任务。

Apr, 2022

本文基于 CONAIM 模型，以增量方式学习程序，并通过增加学习过程的奖励函数提高认知代理的认知复杂性，从而解决了复杂任务。

Apr, 2023

介绍了一种符号认知架构 CASPER，运用定性空间推理来实现智能机器人理解他人意图并协作完成任务的目的。通过模拟的厨房环境测试表明，机器人可以识别正在进行的目标并适当地协作完成任务。这是一个新型的定性空间关系应用于人机交互意图读取问题的方法。

Sep, 2022

通过数学方法评估语言条件化策略学习框架中技能与语言指令之间的关系，提出了一种称为语言条件化技能发现（LCSD）的端到端模仿学习方法，通过最大化语言和技能之间的互信息，在无监督的情况下学习离散潜在技能并利用技能序列重构高级语义指令，通过在 BabyAI、LORel 和 CALVIN 上进行大量实验，展示了我们方法在语言条件化的机器人导航和操作任务中的优越性，包括对未知任务的增强泛化能力、改进的技能可解释性和显著提高的任务完成成功率。

Feb, 2024

通过使用编码器 - 解码器架构、模态分析器和场景图问题解答模型，我们提出了一种新的学习策略，可以提高关于行动效果的推理能力，并在 CLEVR_HYP 数据集上对我们的系统进行了评估。

Dec, 2022

本文通过引入类人概念学习框架和新型计算机架构，将认知心理学的有关概念转移到机器学习领域中，实现了具备可解释性及直观感知能力的机器人。该认知计算机通过视觉感知系统、即时记忆和运动控制系统，实现一个命令集合，以学习新概念，并可将其应用于不同形势的物理世界中。

Dec, 2018

这篇论文旨在介绍模仿学习（IL）及其基本假设和方法，提供领域内最新进展和新兴研究的详细描述，讨论了解决模仿学习相关挑战的常见方法，并提出未来研究的潜在方向，全面指导机器人和人工智能领域中日益增长的模仿学习研究。

Sep, 2023