DoorMan提出了一种基于视觉的人形机器人行走-操作学习框架，专注于开门任务。该方法通过分阶段重置探索策略和GRPO微调，解决了部分可观测性问题，实现了从仿真到现实的迁移。研究表明，该策略在多种门类型上表现优异，任务完成时间缩短31.7%。
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，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。
完成下面两步后，将自动完成登录并继续当前操作。
