基于基础模型的自主提高指令遵循技能

提出基于无标注训练数据的方法，结合深度动作条件视频预测模型和模型预测控制，使机器人能够进行非抓取操作。

利用少量语言数据，提出联合图像和目标条件策略的方法，解决语言指示问题，提升指令跟随表现。

MEDAL++算法通过少量专家演示，自主练习任务，推断奖励函数，表现出优秀的数据效率和性能。

ROSIE方法通过文本至图像转换进行数据扩充，提升机器人在新场景和任务中的操作性能和鲁棒性。

研究旨在提高数据收集与维护效率，解决模仿学习、领域自适应和模拟传输等问题。

使用干预性策略学习的方法解决机器人操作任务中的精确定序问题，开发有效的数据采集系统。

基于大型语言模型的规划器克服固定技能集限制，展示开放世界和终身学习的潜力。

提出交互式任务规范问题形式，通过自然语言指令引导自主代理快速获取新技能。

新的学习框架使机器人能够遵循自然语言路线指令，无需先前环境知识，成功评估在可声控轮椅上的应用。

自我监督学习框架使机器人能够使用简短原始视频数据进行运动规划和异常检测。