四足机器人在人类环境中的逐渐整合以及与实际场景中物体的互动通过将运动 - 操纵过程分解为低层次的强化学习和高层次的行为克隆，我们使得四足机器人能够仅使用其腿部完成现实世界的操纵任务，并通过模拟和实际实验验证了我们的方法。

Mar, 2024

研究了使用装备有机械臂的四足机器人进行移动操纵的问题，提出了一种整体控制的框架，包括以视觉观测为基础的低层次控制策略和基于视觉输入的高层次策略，通过在仿真中训练并进行真实机器人部署的 Sim2Real 转换，取得了在不同配置（高度、位置、方向）和环境中拾取多样物体方面显著的改进。

Mar, 2024

采用强化学习方法通过层次性模拟实现在多移动机器人协作下的操纵行为。

Aug, 2019

通过使用基于大型语言模型的规划器，我们克服了当前固定技能集的限制，提出了一种用于数据和时间高效教授机器人这些技能的方法，该系统可以重复使用新习得的技能，展示了开放世界和终身学习的潜力。

Sep, 2023

能够从人类级别的指示中同时合成对象运动、全身运动和手指运动的第一个完整系统。

Jun, 2024

提出使用增强学习学习整体控制策略来实现对四肢机器人的控制，以解决四肢协调和模块间错误传播的问题，该统一策略可在多种任务设置中展示动态和敏捷行为。

Oct, 2022

通过引入分层行为和运动规划（HBMP），我们在学习驾驶解决方案中显式地建模行为，解决了不同场景的 RL 训练效率低下的问题，并在 SUMO 的快速事件仿真器中进行训练，最终在 CARLA 动力学仿真器中进行训练并转移到现实世界，证明了该方法的有效性和可推广性。

May, 2020

我们提出了一种能够在真实世界中让机器人产生丰富、多样和表现力强的动作的方法，通过在一个人型机器人上学习一个整体控制策略，尽可能地模仿人类的真实动作。通过在强化学习框架中利用图形社区的大规模人体动作捕捉数据来训练这种策略，但是直接使用动作捕捉数据集进行模仿学习可能无法适用于真实的人形机器人，因为在自由度和物理能力方面存在巨大差距。我们的方法（Exbody）通过鼓励上半身模仿参考动作，而放松对其两条腿的模仿约束，只要求它们能够稳定地跟随给定速度来解决这个问题。通过在模拟和实际场景中进行训练和仿真转移，我们的策略可以控制一个人形机器人以不同的风格行走，与人类握手，甚至与人类共舞。我们进行了广泛的研究和比较，展示了我们方法的有效性。

Feb, 2024

该论文介绍了一种利用大型语言模型（LLM）进行自主机器人操纵的新方法，通过逻辑推理将高层语言命令转化为可执行的运动函数序列。所提出的系统将 LLM 的优势与基于 YOLO 的环境感知相结合，使机器人能够根据给定的命令自主做出合理的决策和任务规划。此外，为了解决 LLM 可能出现的不准确性或不合逻辑的行为，采用了远程操作和动态运动原理（DMP）的组合进行行为校正。这种融合旨在提高 LLM 基础的人机协作系统的实用性和通用性。

Aug, 2023

本文提出了一种名为 ReLMoGen 的 Reinforcement Learning 方法，通过将行动空间提升到更高的阶级形式 —— 子目标，使用基于采样的运动规划器有效解决了传统方法无法解决的长期复杂任务，比如交互式导航和移动机器人操作等。在照片级仿真环境下测试表明，ReLMoGen 在多项机器人任务中表现优异，并具有良好的跨越不同运动生成器的转移能力。

Aug, 2020