UC伯克利研究团队通过“模块化教学+智能选动作”方案，解决了人形机器人在家庭和办公环境中使用洗碗机等任务的协同问题，降低了操作难度，提升了机器人在复杂环境中的应用能力。

本研究针对家庭环境中机器人长期规划所面临的挑战，提出了一种新的轨迹规划方法，通过丰富的三维场景图（3DSG）表示，整合了人类偏好、活动和空间背景信息。这种方法有效捕捉人类行为对空间的影响，实现了轨迹的上下文敏感性适应，提升了人机互动的社会适宜性和任务效率。

本研究提出了一种文本模拟家庭环境的方法，用于基准测试，以解决大语言模型在实际推理中的能力不足。研究表明，环境复杂性和游戏限制对模型表现有影响，目前的LLMs在简明行动规划方面面临挑战。

本研究探讨了数字孪生技术中数据传感器融合的应用，强调其在新冠疫情期间提升家庭环境能力的重要性。结果表明，传感器融合显著提高了模型的准确性和可靠性。

本研究提供了一个合成的多模态数据集，通过融合来自 3D 虚拟空间模拟器的视频数据与描绘活动时空上下文的知识图谱，该数据集旨在用于社会问题的知识图谱推理挑战（KGRC4SI），重点是识别和解决家庭环境中的危险情况，该数据集对于研究人员和从业者开发创新解决方案，以识别人类行为以提升安全和福祉而言，可作为宝贵的资源对公众开放。

本研究提出了一个在家庭环境中模拟人类活动的框架，支持手动配置不同人物或活动模式，并在多个家庭布局上进行测试。通过引入一种指定日常时间表变化的方法，并提出了一个双向约束传播算法来生成时间表，验证了框架的表达能力。该研究有助于提高家庭环境下机器人的鲁棒性和效果。

本研究提出了一个在家庭环境中模拟人类活动的框架，支持手动配置不同人物或活动模式，并在多个家庭布局上进行测试。通过引入一种指定日常时间表变化的方法，并提出了一个双向约束传播算法来生成时间表，验证了框架的表达能力。该研究有助于提高家庭环境下机器人的鲁棒性和效果。