本研究提出PHIER方法，解决机器人规划中物体关系状态分类的数据稀缺问题，通过谓词层次结构和自监督损失，显著提升少样本分类和仿真到现实的迁移效果。

本研究提出了一种分层框架，解决机器人规划中的控制输入问题。通过物理引擎模拟，实现任务的动态生成与终止，并优化规划。该框架在真实机器人上进行了验证，展示了其在超车场景中的应用潜力。

本研究提出了一种名为Select2Plan（S2P）的无训练框架，旨在解决自主导航中机器人规划的任务特定训练问题。该方法通过结构化视觉问答和内嵌学习，显著降低数据需求并提升导航能力。实验结果显示，第三人称视角下能力提升约50%，第一人称视角效果与训练模型相当。

该研究提出了一个在机器人规划中应用的伦理决策框架，使用线性时间逻辑和词典偏好建模，引入了代理人的道德水平概念，并向多目标、多价值规划迈进。初步研究了规划任务的计算复杂性，并讨论了机器人的潜在应用。

该研究提出了一个在机器人规划中进行伦理决策的框架，使用线性时间逻辑和词典偏好建模，引入了代理人的道德水平概念，并向多目标、多价值规划迈进。初步研究了规划任务的计算复杂性，并讨论了机器人的潜在应用。