浙大与vivo合作推出LearnAct框架，通过示范学习使手机AI能够在多样场景中完成复杂操作，提升了AI性能，为个性化手机助手奠定基础。

本文介绍了一种基于物体为中心的增强学习方法，用于训练软机械手进行复杂操作。该方法通过新算法实现示范学习，成功应用于RBO Hand 2，完成开关阀门和抓取等任务。同时，研究探讨了安全强化学习框架和模块化机器人操控平台，解决了软体机器人操作中的技能学习和硬件耐用性问题。

本文探讨了自由能原理与主动推理在机器学习中的应用，特别是在强化学习和示范学习中的结合。研究提出了预期自由能的数学基础，分析了探索与利用的平衡，并介绍了基于主动推理的深度强化学习理论及其在复杂任务中的应用，提供了新的算法和视角。

本文介绍了多种强化学习技术，重点在于通过任务分解、适应性探索和示范学习来提高学习效率。这些方法在稀疏奖励环境中表现优越，能够加速机器人任务的学习和收敛。

本文综述机器人通过示范学习（LfD）识别物体属性并生成运动的研究，关键方法包括力传感、触觉表示编码器预训练、动态特征提取、局部神经描述符场、信息熵示范选择及受限回归学习框架。实验表明，这些方法能提升机器人在未知物体操作、接触丰富任务及可变形物体操纵中的泛化性与学习效率。

该研究探讨了在未知的随机马尔可夫环境或游戏中代理人示范学习的问题。通过扩展逆强化学习方法，估计代理人的偏好并构建改进策略。通过简化概率模型处理演示者策略和效用，使用最大后验估计来解决凸优化问题。该算法在先验分布相同的情况下与其他了解动态的逆强化学习方法相比具有竞争力。