提出去中心化马达技巧（DEMOS）学习算法，改进了基于单个神经网络的强化学习控制器对任务的高度依赖性，并且在保持性能的同时提高了策略的鲁棒性和泛化能力。该算法通过自动发现可分离的马达群组并学习分散控制策略，可以在四足和人形机器人上实现。

Jun, 2023

本研究提出了一种基于模仿学习的系统，使机器人可以通过模仿真实世界的动物学习敏捷的运动技能，并演示了该系统的有效性。

Apr, 2020

本文介绍一种利用层次化框架实现四足机器人路径跟踪任务的方法，其中高层策略以潜在空间向低层策略发出指令，并控制其执行的时间，低层策略使用潜在指令和机器人传感器来控制机器人的执行器，以完成任务需求，同时可以实现训练后的低层策略的高效迁移，为实现端到端的层次化深度学习提供了理论支持。

May, 2019

本文介绍了一种基于虚拟老鼠的平台，用于研究人工模型的运动活动，研究表明该模型使用两类表示方法分别编码特定于任务的行为策略和任务不变的行为运动学，以及描述了使用神经习性学方法研究不同层次的神经网络在行为观察和目标下的算法，并指出虚拟老鼠便于深度强化学习和运动神经科学之间的合作。

Nov, 2019

通过研究虚拟机器人在进行腿部运动时的结构化神经活动，我们发现机器人训练后的神经轨迹比输入驱动的激励层的神经轨迹更为复杂，这一核心原则对于计算神经科学具有重要意义。

May, 2023

通过提出一种新颖的深度强化学习框架，我们展示了可用于训练复杂机器人系统的神经网络控制器，该框架通过引入约束条件减少了奖励工程的工作量，并实现了较高的任务绩效。

Aug, 2023

通过在仿真中训练神经网络策略并将其转移到现实的四足动态平衡系统，研究创造了一种快速、自动且高效的数据生成方案，从而实现了在四足机器人技能方面的进一步提升。

Jan, 2019

用分层生成模型实现人类灵感的机器人运动控制与自主完成目标驱动任务。

Aug, 2023

动物和机器人存在于物理世界中，并必须协调其身体以实现行为目标。最近在深度强化学习方面的发展使得科学家和工程师可以利用物理模拟的身体和环境来获得特定任务的感觉运动策略（策略）。然而，这些方法的效用超出了特定任务的限制；它们为理解动物感觉运动系统与其形态和与环境的物理相互作用的组织提供了一个令人兴奋的框架，同时也可为机器人系统中感知和执行的一般设计规则的推导提供支持。通过使用深度强化学习中的 extit {演员 - 评论家} 方法，我们在这里提出数学和算法方面的简洁阐述作为研究动物和机器人行为背后的反馈控制的工具。

May, 2024

通过综述认知心理学的文献，探讨分解抽象和预测处理等认知机制对分层机器学习的影响，并提出集成这些认知机制的方案来提升人工智能问题解决能力。

Aug, 2022