本研究提出RT-cache，一种新颖的机器人轨迹记忆管道，旨在降低现代视觉-语言-动作模型的推理成本。通过存储成功轨迹并检索相关运动片段，RT-cache显著提高了任务完成速度和成功率。

本研究提出了一种基于语言的框架，利用预训练的大型语言模型灵活调整机器人轨迹，以应对新情况。该方法集成复杂指令，展现出良好的适应性和可解释性，提升人机交互的直观性和可扩展性。

本文介绍了一种新方法，通过隐马尔可夫模型和变分自编码器学习人机互动，利用人际互动数据预测机器人轨迹，并通过逆运动学调整动作以接近人类期望。实验表明，该方法在人形机器人上具有良好的泛化性能和人性化互动效果。

本文介绍了一种自主学习的方法，通过无标注的机器人轨迹，自动学习抽象状态和动作的关系表示，形成了类似 PDDL 的领域模型。实证结果表明，仅凭少量机器人轨迹就可以学习到强大的抽象表示，并且学习的模型使得规划算法能够扩展到以前超出手工构思抽象的任务范围。

本文介绍了一种利用隐马尔可夫模型和变分自编码器建模人机互动的方法。通过学习互动动力学和人类观测结果，预测机器人轨迹并实现柔顺的互动。实验证明该方法在人形机器人上具有良好的泛化性能。