在本文中，我们提出了一种利用智能手机作为机器人本体，实现丰富传感器套件，强大的计算能力，先进通信渠道，并可以访问到蓬勃发展的软件生态的系统。我们开发了一个软件堆栈，允许智能手机用于移动操作，并证明该系统足够强大，支持高级机器人工作负载，例如在非结构化环境中的人体跟随和实时自主导航，并得到了控制实验的支持，表明所提出的方法在不同的智能手机和机器人平台上都是稳健的。

Aug, 2020

研究了交互式机群学习 (IFL) 中有限人力资源的有效分配问题，提出了一种新的度量 ROHE 以及一种 IFL 算法家族 Fleet-DAgger，并通过实验验证了该算法可以在人力资源有限的情况下实现更高的 ROHE。

Jun, 2022

研究通过分布式学习实现机器人舰队在各种环境中获得多样化技能的方法，并介绍了 fleet-merge 方法用于合并参数化的递归神经网络策略，在 Meta-World 环境中有效地合并 50 个任务的策略，并在机器人工具使用基准测试中验证了 fleet-merge 的功效。

Oct, 2023

使用 “Fog Robotics” 方法，将计算、存储和网络资源在云和边缘之间进行分布式管理，从而提高对机器人的深度学习训练并保证了隐私和安全性。通过将模型应用于物体整理等任务，实验结果表明相比于独立使用云或边缘资源，Fog Robotics 方法可以通过模拟到真实领域适应来提高性能，同时将推理周期时间缩短了 4 倍并在 213 次尝试中成功清理了 86% 的物体。

Mar, 2019

本研究提出了一种针对资源受限型机器人的重要问题：如何在提高精度和减少云端通信成本之间进行权衡，在机器人不确定时何时和如何卸载任务，使用深度强化学习的解决方案可以显著改善任务性能和减少通信成本。

Feb, 2019

ScoutBot 是一个对话界面，可支持机器人的协同探测环境，可以通过 ROS 对 Clearpath Jackal 进行仿真，并通过 Wizard-of-Oz 实验人机对话数据训练来支持基于口语的命令输入。

Jul, 2018

本文提出 RoboNet，一个用于共享机器人经验的开放数据库，结合视觉先见性和监督逆模型两种学习算法，用于视觉引导的机器人操作的泛化模型学习，其预训练和微调性能超过使用 4 倍至 20 倍更多数据的机器人特定培训方法。

Oct, 2019

提出了一种基于软件锁定机制的生物启发式领导者 - 跟随者系统，旨在改善领导者代理和相关自主跟随者之间的协作和协调。该系统利用软件锁定建立领导者和跟随者之间的实时通信和同步，通过深度学习和实时数据处理流程解决了不确定性、动态环境和通信延迟等挑战。追踪领导者并动态避开障碍物，同时与其保持安全距离。实验结果证明了该系统的有效性，为在需要多机器人系统在复杂动态环境中导航的任务中取得成功提供了有前景的解决方案。

May, 2024

本文研究了移动机器人的自主导航问题，通过异步教学和重复的策略，结合视觉处理和硬件测距的信息，实现了对室内和室外复杂环境的有效导航和运动控制，并且在不同机器人平台之间具有较好的通用性和重复性。

Oct, 2020

通过机器人之间的 peer-to-peer 通信，在使用高斯信念传播在非线性因子图上对机器人网络观测的概率结构进行计算的基础上，我们实现了一个灵活的 Robot Web 解决方案，可以解决千个机器人相互交互的问题，即使测量传感器或通信数据包出错，该方法也具有容错性。

Feb, 2022