本研究提出了一种选择性状态感知强化攻击方法（STAR），旨在解决深度强化学习在现实机器人中因环境扰动导致的敏感性问题。实验结果表明，STAR在有效性和隐蔽性方面优于现有技术。

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。

本研究描述了一个包含335k图像的数据集，用于研究七种不同降水情况下环境扰动对视觉测距系统性能的影响。通过训练深度神经网络模型，实现对这些降水条件的高效准确分类。该模型可作为自主飞行控制器中的扰动估计组件的输入，并实现毫秒级的分类延迟。