该论文提出了一种名为“Reset-free Trial-and-Error”的新型学习算法，有效解决了复杂机器人在面对硬件损坏后无法恢复运动能力的问题，而且该算法实现自主学习，能够在不同环境中快速适应。

Oct, 2016

本文介绍了Motion Planning Networks (MPNet)，这是一种计算效率高、基于学习的神经规划器，用于解决运动规划问题。 MPNet使用神经网络学习通用的近似最优启发式路径规划，在已知和未知环境中生成可连接路径，并结合传统的采样规划器，形成了一种混合方法。为了培训MPNet模型，我们提出了一种主动的连续学习方法，使MPNet能够从流媒体数据中学习，并在需要时主动要求专家演示，大大减少了培训数据。 在各种2D到7D机器人配置空间的问题中，我们进行了性能评估，并验证了MPNet的鲁棒性。

Jul, 2019

本文介绍了一种用于完成机器人操纵中的多个复杂任务和长时间范围内的自适应行为的混合层次学习框架 - 机器人操纵网络（ROMAN），它通过行为克隆、模仿学习和强化学习相结合，实现了任务的多样化和健壮性的故障恢复。

Jun, 2023

利用RED系统，我们介绍了一种真实时间调度方法，旨在支持资源有限的机器人系统中的多任务深度神经网络工作负载。RED系统通过灵活处理机器人环境动态，利用中间截止日期分配策略和工作负载优化过程，实现了对MIMONet的适应和最大化效能。

Aug, 2023

在这篇论文中，通过对图神经结构进行综述，从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例，以期为读者提供深入的了解，并为未来的研究指明可能的方向。

Oct, 2023

利用一种学习性控制架构，本文介绍了灵巧而安全（ABS）的机器人导航技术，使四足机器人能够以高速且避免碰撞的方式在障碍物多的环境中执行任务。

Jan, 2024

提出了一种新的受鱼群启发的自适应方法，用于群体逃生的群体机器人，通过吸引和排斥力结合生成无碰撞逃生机器人轨迹的生物启发式神经网络。模拟和实验结果表明，与鱼类逃避机动类似，该群体机器人能够集体离开威胁，所提出的方法在系统性能的效果和效率以及复杂环境中的灵活性和鲁棒性方面能够显著提高。

Feb, 2024

利用神经形态学处理器，通过对事件数据进行卷积脉冲神经网络处理、将神经激活解码为规避动作、并使用动态运动基元调整路径规划，我们开发了一种神经形态学方法来进行具有摄像头的机械手的避障。通过模拟和实际世界实验，我们的神经形态学方法在可靠避免即将发生的碰撞方面表现出色，并且能够适应轨迹调整而对安全和可预测性标准的影响较小，这些结果为引入SNN学习、利用神经形态学处理器以及进一步探索神经形态学方法的潜力提供了动力。

Apr, 2024

在动态操作环境中，特别是在协作机器人中，失败的必然性要求具备强大和适应性的恢复策略。本文提出了一种创新的方法，将恢复行为建模为适应性机器人技能，利用行为树和动作生成器（BTMG）框架进行策略表示。该方法通过采用强化学习（RL）动态优化恢复行为参数，使机器人能够针对各种故障场景作出量身定制的响应，最大程度减少人类干预。通过在一个插孔任务中的一系列逐渐具有挑战性的场景中评估我们的方法，证明了该方法在提高协作机器人设定下的操作效率和任务成功率方面的有效性。我们使用一个双臂KUKA机器人对我们的方法进行验证。

Apr, 2024

本研究解决了机器人在未知环境中操作时缺乏对交互动态知识的问题。提出了一种新的因果强化学习方法，应用于城市搜索与救援场景，帮助机器人学习视觉特征与物体动态之间的因果关系，从而显著改善决策过程。实验结果表明，与非因果模型相比，该方法在复杂情况下学习时间减少超过24.5%。

Sep, 2024