本研究提出了CoDTS框架，通过双教师-学生模型增强稀疏监督协同感知，解决全标注数据集成本高的问题。该框架生成高质量的伪标签，并优化伪标签的质量与数量平衡，实验证明其在稀疏监督协同感知中达到了新的水平。

该研究提出了一种新的混合关系分配方法，解决了基于DETR的场景图生成模型的挑战。实验结果表明，该方法在VG150和Open Images V6等数据集上取得了最先进的性能。

本文探讨了通过少量人类示范和干预策略学习，自动合成丰富数据集以提升机器人代理在复杂任务中的表现。提出的HG-DAgger算法在自动驾驶等任务中优于传统方法，展示了在稀疏监督下的快速学习能力。