HOMIE是一种人形外骨骼驾驶舱，结合全身控制与远程操作，通过强化学习提升机器人行走和操作能力。系统包括外骨骼手臂、运动感应手套和踏板，支持高效精准控制，扩展机器人的操作空间。实验表明，HOMIE在复杂环境中表现优异，能够自主执行多样化任务。

本研究提出了一种以认识性人工智能为核心的新方法，旨在增强AI在复杂环境中的鲁棒性，解决其在处理不确定性和超越训练数据方面的不足。

该研究系统总结了图形用户界面（GUI）代理的最新进展，特别关注基于强化学习的架构，以及多模态感知和自适应动作生成在复杂环境中的应用。

本研究提出了一种通用基础设施和工作流，旨在解决在非结构化户外环境中应用深度强化学习于四旋翼的问题。该平台实现了训练到现实部署的无缝转移，显著提升了四旋翼在复杂环境中的飞行性能和适应性，并通过实证验证了其效率和鲁棒性。

本研究分析了反事实推理在复杂环境中的局限性，特别是在高模型不确定性和混沌动态下的影响，强调谨慎使用反事实推理的重要性。

本研究提出了一种神经符号方法，旨在解决机器人在复杂环境中与人类互动时的不确定性问题，从而提升社交导航能力，具有重要的应用潜力。

本研究设计了一个强化学习环境，利用《龙与地下城》第五版战斗场景，通过与大型语言模型控制的对手互动，挑战小型强化学习智能体。研究结果表明，大型语言模型提升了AI在复杂环境中的表现，为后续研究和教育应用提供了重要见解。

本研究提出了一种新的显著性不变性持续政策学习（SCPL）算法，旨在提升视觉强化学习中代理在未见场景中的泛化能力。通过引入价值一致性模块和动态模块，该算法在各种基准测试中显著提高了泛化性能，尤其在复杂环境中表现突出。

本研究提出了一种新方法，旨在提高在复杂环境中学习关系模型的样本效率和模型推广能力，解决了随机探索效率低的问题。

本研究提出了一种基于逆强化学习的无人机视觉导航框架，旨在克服现有学习方法的局限性。该框架能够在复杂环境中快速生成无碰撞航点，实现灵活飞行，且无需额外训练，适用于真实场景。

本研究提出了一种离散层次规划（DHP）方法，有效解决了长时间视觉规划任务中的挑战，显著提升了复杂环境中的规划效率和成功率。

该研究提出了一种新型频率驱动特征分解网络FD2-Net，旨在改善红外-可见物体检测。该方法有效捕捉互补信息，提升了模型在复杂环境下的检测性能，并在多个基准测试中超越了现有模型。