本文研究采用运动传感器技术对有限活动能力的人体上半身动作进行捕捉，将其作为输入来控制7自由度辅助机器臂。通过对两位参与者的实验数据进行初步分析，观察到利用机器智能可以发现高维机器人控制中一些关键的难点和不一致性，从而促进未来接口学习的发展。
Oct, 2021
本文提出了一个新的方法，利用生成对抗网络构建机器人的运动模式，使机器人能够通过调整速度的变化，表现出人类的细致和谨慎，从而更好地适应不同的操作场景。
Mar, 2022
该研究提出一种基于文本至图像转换的数据扩充方法，命名为ROSIE，通过在现有的机器人操作数据集上应用文本引导扩充数据的方法，我们可以在新的场景和任务中实现更好的机器人操作性能和鲁棒性。
Feb, 2023
提出了基于PLEX架构的机器人操作学习方法，该方法通过任务无关的视觉运动轨迹和大量的对象操作视频训练机器人学习任务无关的多任务策略，并在相应实验中展示了其在机器人学习中的高效性能。
Mar, 2023
介绍了BridgeData V2，一个庞大而多样化的机器人操作行为数据集，旨在促进可扩展机器人学习的研究。
Aug, 2023
我们提出了一种通用的运动表示方法，该方法涵盖了针对基于物理的人形控制的全面的运动技能范围。
Oct, 2023
我们的研究目标是创建可以自主规划和模拟细致逼真的面部动作的交互式化身代理机器人，从视觉和行为角度进行研究。我们的研究通过将大规模语言模型应用到化身代理机器人面部动作描述生成中，再通过神经渲染器生成最终逼真的化身动画，并经过实验证实了这一方法的有效性和通用性。
Nov, 2023
通过与环境的有针对性互动，我们提出了一种基于信息的方法来加速机器人的能力发现过程，从而减少对大量标注数据集的依赖，实验证明这种方法在仿真和真实世界任务中都能有效地发现视觉能力，提高数据效率。
May, 2024
本文研究了传统变换器在机器人学习中的不足，提出了身体变换器（BoT）架构，通过将机器人身体表示为传感器和执行器的图，利用遮蔽注意力优化学习过程。研究表明，BoT在任务完成、扩展性和计算效率方面优于传统变换器和多层感知器，具有重要的应用潜力。
Aug, 2024
本研究解决了机器人学习中数据集小且多样性不足的问题，提出了CrossFormer，一种基于变换器的灵活政策，能够处理任意体形的数据。通过在全球最大和最丰富的数据集上训练，结果表明该模型能够有效控制各种机器人，且性能优于专门针对特定体形的政策，为跨体学习开辟了更广阔的前景。