研究表明，大多数基于数据驱动的机器人任务都是在实验室环境中收集的大规模数据集上进行训练的，该论文提出了在人们的家庭环境中使用低成本机器人手动搬运收集数据的方法，并开发了一种框架来处理数据中的噪音标签。该模型在采集了 28,000 次抓取数据并针对不同环境条件进行物理性能测试后，相较于实验室收集的数据，展现了明显的 43.7% 的改善，该模型还比其他模型表现 10% 更好。

Jul, 2018

该文章提出了一种建立在物体属性表示基础上的 Transformer 任务规划器 (TTP)，可从多个偏好中进行预训练，并可以使用单个演示作为提示在模拟洗碗机任务中展现出对未见过偏好的泛化能力，在实际任务中使用 Franka Panda 机械臂完成了盘子重新摆放任务。

Jul, 2022

此研究旨在通过迁移学习方法以及基于语言模型的状态空间共同嵌入来提高服务机器人从之前学习中寻找相似方法，以解决家庭服务机器人学习新任务精度低的问题。实验结果表明，基于语义相似性从众多源任务中选择相似任务是非常有效的，并且对于避免遗忘问题可以通过更改更新策略来解决。

Jan, 2023

本研究着眼于探究如何通过先前与特定人的互动，从少量样例中学习用户偏好以个性化地协助家务清理，并通过大型语言模型（LLM）的 few-shot summarization 能力进行推断，融合基于语言的计划和感知，以便在未来的交互中普遍适用。

May, 2023

ROBEL 平台介绍了 D'Claw 和 D'Kitty 两种机器人，旨在加速强化学习研究，提供了可持续硬件强化学习的任务目标，并提供多种基于学习的方法的基准得分，可以在 www.roboticsbenchmarks.org 上获得所有必要的材料。

Sep, 2019

通过设计机器人体形，可以在多任务场景下克服神经控制器所遇到的许多问题，从而实现设计更通用、需要更少计算力的机器人。

Jun, 2023

人工智能的近期发展大多受到规模化的推动。在机器人学中，规模化受到获取大规模机器人数据集的限制。我们提倡使用逼真的物理仿真作为扩展环境、任务和数据集以用于机器人学习方法。我们提出了一个名为 RoboCasa 的大规模仿真框架，用于在日常环境中训练通用型机器人。RoboCasa 以厨房环境为重点，具备逼真和多样化的场景。我们提供了数千个 3D 物体，涵盖 150 多个物体类别和数十个可交互的家具和电器。我们利用生成式人工智能工具来丰富仿真的逼真度和多样性，如使用文本生成 3D 模型的物体和使用文本生成环境纹理的模型。我们设计了一套包含 100 个任务的系统评估，其中包括由大型语言模型引导生成的复合任务。为了便于学习，我们提供高质量的人类演示，并整合自动化轨迹生成方法，以最小化人力负担大幅扩展数据集。我们的实验显示，使用合成生成的机器人数据进行大规模的模仿学习呈现出明显的规模化趋势，并在利用仿真数据进行真实任务中表现出巨大潜力。视频和开源代码可在此 https 网址上获取。

Jun, 2024

本研究介绍了一种计算架构，结合了感知学习算法、记忆编码和学习的认知模型、预测缺失物品的推理模块和图形用户界面，并与 Fetch 移动机器人集成验证，以通过与用户的互动学习个性化上下文知识及长期预测家庭中缺失的物品。实验结果表明，机器人可以通过与用户的互动适应环境，还可以使用所学的知识在数周内正确预测缺失物品，并且对感官和感知错误具有强健性。

Jul, 2022

采用数据驱动的方法，利用移动机器人完成家庭环境中的整理任务，并在 2020 年世界机器人挑战赛中获得第二名。核心技术包括移动机器人、视觉识别、物体操作和运动规划。

Jul, 2022

构建和测试人类智能水平的机器是一项具有重要经济激励的科学大挑战，我们介绍了我们的方法，包括物理人形机器人系统、基于软件的控制系统、衡量人形机器人智能的性能指标 g + 和用于逐步提高该性能指标得分的进化算法，并报告了该系统的 g + 指标的当前和历史测量结果。

Jul, 2023