提出了一种适用于开放式分布式机器人系统的新型训练方案，通过在未知地点遇到的其他机器人的协助下，构建伪训练数据集并用于学生模型的持续学习，在处理各种类型的开放式教师时只引入了最少的假设，包括不合作、无法训练（例如图像检索引擎）或黑盒教师（即数据隐私）。通过使用具有挑战性的无数据递归蒸馏场景中的排名函数作为实例，研究了这种通用模型，其中经过训练的学生可以递归地加入下一代开放教师集合。

Dec, 2023

通过跨模态融合方法和知识迁移框架，提出了一种改善移动机器人的泛化能力并实现从模拟到实际场景的导航技能转移的方法，通过教师 - 学生蒸馏架构，在理想环境中学习判别性表示和接近完美的策略，通过模仿教师的行为和表示，学生能够对来自多噪声模态输入的特征进行对齐，并减小变异对导航策略的影响，实验结果表明我们的方法在模拟和实际环境中全面超越了基准方法，并在不同工作条件下实现了稳健的导航性能。

Sep, 2023

通过对教师训练数据不足的自训练目标检测和部分注释数据的多任务学习进行比较，验证了使用弱教师和未知数据训练多任务学生时性能的提高，表明多任务知识蒸馏和自训练的潜力，可为未来的研究提供帮助。

Sep, 2023

本文提出一种新的自监督学习框架，可以解决在设计和比较不同任务、模型和数据域时的限制问题，通过这个框架设计一种新的自监督任务，在 PASCAL VOC 2007、ILSVRC12 和 Places 数据集上，取得了显著的最先进表现，并将自监督学习和监督学习之间的对象检测 mAP 误差从 5.9% 缩小到 2.6%。

May, 2018

提出了一种基于模型的强化学习策略，通过训练可转移机器人感知的世界动力学模型和机器人特定的动力学模型，从而利用以前在其他机器人上收集的数据来减少对机器人特定数据的需求，并在模拟和实际机器人上实现了视觉控制任务上的零泛化

Jul, 2021

提出了一种新颖的机器人系统，通过持续在线学习和自我监督来适应部署环境，解决了传统机器人学习固定模型的问题。实验结果表明，在语义感知领域的持续学习和回溯有助于降低遗忘风险，提高了分割和定位精度，相比部署固定模型，平均分割提高 60％，定位精度提高 10％。

May, 2021

研究了使用伪标签在无监督训练中提高 3D 物体检测效率的方法，并证明伪标签训练的学生模型在一些情况下可以胜过使用更多标记样本的监督模型。

Mar, 2021

提出了一种基于动力学数据的新颖技能评估方法，该方法通过将领域知识从已标记的动力学数据转移到未标记的数据，并利用伪标签对未标记数据进行准确的标注来评估机器人辅助手术中的新医生的技能水平。该方法相较于其他现有的方法不需要手动标记或者不需要先前医疗常识。

Apr, 2023

研究通过自我训练的方法，利用大量未标记的对话数据进一步改进预先训练的模型，以应对高昂的对话系统不同模块的标注成本问题，并证明该方法在少量标记数据可利用时可以一致提高现有预先训练模型的性能。

Aug, 2021

本研究通过利用少量下游专家数据有针对性地获取有关未标记数据集的信息，设计了一种新颖的机器人学习方法以有效地学习视觉运动技能。该 方法效果显著，在通过视频实景测试和实际机器人操作中超越了以往更为复杂的目标设定方法 20% 的表现

Apr, 2023