UC伯克利提出的HIL-SERL框架结合视觉与人类修正的强化学习方法，能够高效完成复杂的机器人操作任务，如动态翻转物体和设备组装。该系统在1到2.5小时内训练出高成功率的策略，显著优于传统方法，强调了人机互动在提升学习性能中的重要性。

该研究探讨了通过示教提升机器人学习能力的人机互动反馈机制。研究表明，个性化教学风格和多元输入模式显著影响机器人学习效果，进度信号有效指示任务完成情况。此外，研究提供了数据集，展示非专业人员在任务中的多策略性和次优性问题。

该论文提出了一个从多个视角捕捉的无标注视频演示中学习视觉表示的框架，应用对比学习来增强与任务相关的信息和抑制特征嵌入中的无关信息。该方法在模拟几种机器人任务中得到验证，结果表明与现有方法相比，该方法水平更高，训练轮数更少。