本研究聚焦机器学习在真实机器人平台应用的挑战，特别是如何克服现实世界因素带来的困难。通过在NeurIPS 2023会议上举办机器人空气曲棍球挑战，以此作为基准，研究表明结合学习方法与先验知识的解决方案在面对复杂环境时，性能优于仅依赖数据的方案，为未来机器人学习方向提供了重要的前沿研究基础。

提出了一种名为触觉主动推理强化学习（Tactile-AIRL）的机器人操作技能学习新方法，通过整合基于模型的技术和内在好奇心进入强化学习过程，提高算法的训练效率和对稀疏奖励的适应能力。该方法在非抓取物体推动任务中取得了显著的高训练效率，使智能体在密集和稀疏奖励任务中表现优秀。通过螺纹拧紧任务进行了物理实验，展示了算法的快速学习能力和在实际应用中的潜力。