Evo-0模型通过隐式注入3D几何先验，提升机器人对三维空间的理解，成功率提高31%。该方法无需额外传感器，利用VGGT提取3D信息，显著增强空间感知，训练效率高，适用于多种机器人任务。

本文介绍了一种结合强化学习与视觉-语言-动作模型的微调方法ConRFT，旨在提升机器人任务的样本效率和安全性。ConRFT通过离线和在线两个阶段，利用人类示范数据和一致性策略，解决了传统方法在真实环境中的挑战，增强了智能机械臂的精准性和泛化能力。

本研究提出了一种基于蒙特卡洛概率推理的学习控制方法（MC-PILCO），旨在提升复杂机器人任务的控制效率。研究表明，MC-PILCO在物理系统中优于传统方法，有效解决了控制欠驱动系统的问题。

本研究提出SAFER框架，旨在解决大语言模型在机器人任务规划中的安全性问题。通过引入安全代理和LLM评判者，实时评估风险并主动修正错误，从而显著降低安全违规，同时保持任务效率。

本研究提出了一种新方法，通过自监督强化学习提高非线性系统中李雅普诺夫函数的推导效率，结果表明其在机器人任务中收敛速度更快、近似精度更高。

本研究提出了一种新颖的离线算法，利用范德瓦尔斯力和功能奖励编码，显著提高机器人任务中的学习效率和稳定性，同时增强了多样性和处理非平稳奖励的能力。

本研究提出了一种基于大型语言模型的用户代理，旨在降低收集多样化人机对话数据集的成本和劳动强度。该代理能够在虚拟环境中模拟用户行为，从而提高数据集生成的效率和可扩展性，增强机器人完成任务的能力。

本文研究了在机器人任务中通过自主互动学习和半监督学习动态生成奖励函数的方法。提出的中继策略学习和Optimal Transport Reward算法显著提升了机器人在复杂任务中的表现，尤其是在厨房模拟和手术机器人领域，实验结果表明这些方法在学习稠密奖励和策略优化方面具有明显优势。

本文介绍了多个机器人任务与动作规划的基准测试，如ManiSkill2、FurnitureBench和COLOSSEUM，旨在评估不同算法在复杂环境中的表现。研究发现，现有算法在环境扰动下的成功率显著下降，强调了提高操作泛化能力的重要性。此外，RobotScript平台和Manipulate-Anything方法展示了基于大型语言模型的机器人操作策略生成的潜力。

本文探讨了通过可视化和自监督学习在视频中识别动作的深度时空表示。研究表明，交叉流融合能够有效学习时空特征，预训练视觉表示在控制任务中表现优异。提出的离线视觉表示学习方法在图像导航和目标导航任务上显著提升性能，并展示了物体感知表征学习在机器人任务中的应用潜力。

本研究提出了一种新的离线强化学习框架，解决信息路径规划中的风险和成本问题。通过批约束强化学习从预先收集的数据中学习，减少外推误差。实验表明，该方法在性能和速度上优于现有方法，展示了其在机器人任务中的应用潜力。

本文介绍了RoboBrain知识引擎及其在机器人任务中的应用，涵盖自然语言处理和规划。研究了自动操作求解器、视觉与语言操作基准、RoboAgent和RoboTool等系统，提升了机器人自主控制和任务执行能力。同时探讨了人机协作与扩展现实在工业中的应用，强调数字生态系统的重要性及未来研究方向。

本文介绍了一种基于自监督回归学习的深度强化学习算法（SSRL），该算法无需策略梯度或价值估计，通过监督回归数据提升策略表现。同时探讨了目标条件强化学习的挑战，提出了Weighted GCSL和DGRL等新方法，以优化目标达成和探索效率。此外，研究了无监督框架在无标签数据中的应用，展示了其在模拟机器人任务中的优越性能。

本文介绍了TrMRL，一种基于元强化学习的代理，结合了Transformer架构和记忆机制，提升了高维控制环境中的表现。研究探讨了模仿学习和自监督学习在机器人任务中的应用，强调了transformers在强化学习中的潜力与局限性，并提出了跨机器人策略转移的新方法。

该研究探讨了大型语言模型（LLMs）和多模态 LLMs 在机器人任务中的应用，提出了结合自然语言和视觉感知的框架，以提升机器人任务规划的表现。研究表明，GPT-4V 在多种编码任务中表现优异，显示其在机器人教育和人机交互中的潜力。