本研究提出了一种基于自编码器的点云修补算法，旨在解决机器人在抓取部分遮挡物体时的抓取点计算不准确问题。该算法能够重建缺失信息，提高抓取系统在真实环境中的效率，减少被丢弃的物体数量。

本研究提出了一种新的基线探索-利用（BEE）方法，旨在解决解释性研究中的细致评估和缺失信息建模问题。实验结果表明，BEE在多项评估指标上优于现有方法。

本文介绍了一种利用大型语言模型（LLM）进行交互式机器人行动规划的方法，通过向人类提问获取缺失信息，减少机器人指令设计成本。通过烹饪任务示例验证了方法的有效性，并揭示了对LLM在机器人行动规划中的挑战。为未来将LLM应用于机器人学研究提供了有价值的见解。