本研究提出了可逆库普曼神经算子（IKNO），有效解决了现有库普曼算子在构建可观察函数及其逆时效率低下的问题。IKNO结合了可逆神经网络的理念，显著提升了重构关系的可靠性，并在操作学习任务中表现出色。

本研究提出了一种基于神经网络的新框架，将经典力学转化为操作学习问题。通过引入VaRONet和MambONet架构，模型在处理一维物理问题时显著提高了计算效率和准确性，有效防止了误差传播。

本文研究了机器人操作学习中的行动空间选择，评估了不同控制空间在模拟任务中的表现及其向实际环境的转移。通过训练250多个强化学习代理，确认了行动空间的优缺点，并提出了未来设计建议，强调在训练和转移时对行动空间的慎重考虑。

本文介绍了DexVIP等多种机器人抓取和操作学习方法，利用人类视频和强化学习提升机器人灵巧性，展示了其在多种任务中的有效性和应用潜力。

本文介绍了一种新型机器人操作学习方法，结合关系归纳偏见和无模型视觉强化学习，解决多对象操作任务中的零样本泛化问题。通过自我监督和基于对象的注意机制，显著提升了学习效率和泛化能力，实验结果在复杂环境中表现出色。