香港科技大学研发的宇树G1篮球机器人成功掌握真实场景打篮球技能，成为全球首个实现此功能的机器人。该项目基于SkillMimic-V2技术，通过改进数据处理和技能学习，显著提升了机器人在复杂交互中的表现。

英伟达推出DreamGen项目，利用“梦境”帮助机器人学习新技能，仅需少量现实视频即可生成大量训练数据，显著提升成功率，实现从0到1的泛化。这一创新将推动物理AI的发展，提升机器人在复杂任务中的表现。

Matrix 是一个鼓励真实产品体验和实用经验分享的写作社区。分析发现，首页推荐的主题中，“软件分享”类文章最受欢迎，而“技能学习”主题的互动量较高。尽管官方建议字数在2000至4000字，但实际推荐文章普遍较长，建议写3000字以上。新作者有机会上首页，但需具备一定的网感和经验。

本研究提出了一种名为S$^2$-扩散的策略，旨在解决机器人操作中技能学习仅限于特定实例的问题。该方法结合语义模块与空间表示，实现技能从实例级到类别级的推广，实验表明其在类别无关因素变化时仍能保持性能，并有效转移技能至其他实例。

本研究提出PRISM架构，旨在解决元强化学习在长时间环境中的适应性不足问题。通过优先提取高质量数据，PRISM能够有效学习与任务相关的技能，实现稳定的技能学习。

本研究提出了一种新颖的决策点识别方法（NBDI），旨在解决在固定长度技能使用中漏掉重要决策点的问题。NBDI能够有效识别决策点，提升代理在复杂长期任务中的表现，强调了决策点识别在技能学习中的重要性。

本研究探讨神经网络中技能学习的物理机制，揭示几何模型、资源模型和多米诺模型之间的联系及其在学习动态和模块化中的作用，为深度学习算法的开发提供指导。

本研究提出了一种新框架，解决人形机器人技能学习中的数据瓶颈问题。通过统一的数字人模型，实现跨平台技能转移，并验证了在五种不同配置的人形机器人中稳定运动操作和技能转移的有效性。

本研究提出了课程掩蔽（CurrMask）预训练框架，旨在解决离线强化学习中技能学习的复杂度平衡问题，通过动态调整掩蔽方案，提升不同复杂度技能的学习效果。

本研究提出了一种新颖的组合方法DSE-扩散分数平衡，旨在提高机器人学习新技能的样本效率。该方法结合基础政策先验，实现了少样本学习，并有效建模示范数据分布。实验结果表明，该方法显著提升了技能学习的性能，成功教授机器人新轨迹。

本文介绍了一种视觉模仿学习方法，机器人通过人类演示学习操作任务，无需先前知识。该方法将模仿学习视为状态估计问题，利用自监督训练和摄像头自动移动，能够从单个人类演示中学习多样技能，生成稳定的控制器。

本文探讨了现代生成模型在机器人学习中的应用，研究表明大型语言模型（LLMs）能够理解低级机器人控制，并在多任务中实现有效的技能学习。RoboGen通过生成仿真系统自动学习多种机器人技能，减少人类监督。此外，提出了新的评估框架，以促进人类动作生成模型的比较和评估。

本文介绍了一种基于物体为中心的增强学习方法，用于训练软机械手进行复杂操作。该方法通过新算法实现示范学习，成功应用于RBO Hand 2，完成开关阀门和抓取等任务。同时，研究探讨了安全强化学习框架和模块化机器人操控平台，解决了软体机器人操作中的技能学习和硬件耐用性问题。

本文介绍了可微分物理实验基准PasticineLab，评估了强化学习和梯度优化方法在软体操纵任务中的表现。研究发现，梯度方法在短期内有效，但在多阶段任务上表现不佳。期望推动结合可微分物理与强化学习的新算法开发，以实现更复杂的技能学习任务。

本文探讨了利用大型语言模型（LLMs）进行机器人任务规划的方法，提出了DELTA和ISR-LLM等框架和算法，以提高任务规划的效率和成功率。研究表明，LLMs能够有效执行长期任务规划，并在复杂环境中实现技能学习和重用，展现了开放世界和终身学习的潜力。