本研究提出SayCoNav方法，解决自主机器人在复杂导航任务中的协作策略适应性不足问题。实验结果显示，该方法的搜索效率提高了最多44.28%。

本研究提出了SCOUT（情境化理解交易语料库），这是一个针对协作探索任务的人机对话多模态语料库。SCOUT结合了对话、视觉和地图数据，为自主人机系统开发提供基础，促进人类与机器人在导航任务中的有效沟通，优化人机交互方式。

本研究提出了聚类式联邦学习框架Fed-EC，解决了传统模型在不同环境中的应用不均问题。该框架显著降低了通信带宽需求（减少23倍），在导航任务中表现优于局部学习，且与集中式学习相当。

Habitat平台在虚拟机器人培训和导航任务中取得重要进展，学习方法在处理大数据时优于SLAM方法。新任务ArraMon结合视觉和语言导航，收集了7.7K任务实例。UAVHuman基准测试用于人类行为理解，包含67000多个视频序列。AeroAgent框架展示了具身化LMM在复杂场景中的优势。SIMA项目致力于在虚拟3D环境中训练智能代理，推动通用人工智能的发展。

本文提出了一种新的层次强化学习方法，结合无模型子目标发现和内在动机学习，以提高稀疏奖励环境中的学习效率。该方法在复杂导航任务中表现优异，能够有效发现和利用子目标，优化学习过程。实验结果表明，该方法在连续控制任务中显著优于现有算法。

本文评估了大型语言模型（LLM）在地理位置斜对角方向判断能力上的表现，测试了GPT-3.5、GPT-4和Llama-2。结果显示，GPT-4的准确率为55.3%，表现最佳。研究探讨了LLM在空间推理和导航任务中的能力与局限性，强调了改进空间理解的潜力和必要性。

研究表明，3D点云在机器人学习中优于RGB和RGB-D方法，尤其在复杂任务中表现更佳。点云观察提升了零样本泛化能力，并在导航任务中提供丰富信号。新方法PolarNet结合点云与语言指令，展现出高效性和数据效率。

该研究使用Feudal HRL算法，通过紧密的表示发现目标表示的发展机制，并同时学习目标表示和分层策略。在复杂的导航任务上评估，结果表明所学到的表示是可解释的、可传递的，并且可以实现高效的学习。

该研究开发了一个语言引导的导航任务，消除了以前关于环境的假设。通过模拟以前的工作并进行单模态基线测试，发现在连续环境中的性能明显较低，表明以前的“导航-图形”设定中的性能可能被过高评价。

本研究使用监督混合量子机器学习方法优化自然灾害期间的汽车紧急疏散计划。通过建模动态计算图，在城市图上测试了新型混合监督学习方法。使用量子特征线性调制（FiLM）神经网络，成功学习了导航任务。相较于纯经典监督学习方法，量子部分提高了7%的准确性，并在预测中有45.3%的重要贡献度。研究结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。