本研究提出了一种基于因果关系的决策框架，以提高自主移动机器人在动态环境中的决策能力。该框架通过建模因果关系，预测电池使用情况和人类干扰，从而提升任务执行的效率和安全性。研究表明，因果推理显著增强了机器人在共享环境中的运作能力。

自主移动机器人通过传感器感知环境，需考虑人类及其意图进行导航。机器学习能捕捉复杂社交互动，无需手工简化模型。本文利用大规模数据集研究多模态感知在社交机器人导航中的应用，结果显示多模态学习效果更佳，代码已开源。

自主移动机器人通过传感器感知环境，在公共空间导航时需避开障碍物并考虑人类意图和社会规范。机器学习能捕捉复杂社交互动，无需手工建模。本文研究多模态感知在社交机器人导航中的应用，结果显示多模态学习效果更佳。代码已开源。

本文提出了一种新的多目标深度强化学习方法，用于优化协作式人机拣货系统中拣货员分配给自主移动机器人的问题。该方法通过图模型和神经网络架构提高了拣货效率和工作负载公平性。实验结果表明，该方法在公平性和效率目标之间取得了良好的权衡，并且在不同仓库大小的场景中具有良好的可迁移性。

本研究提出了一种用于电池拆解的自主移动机器人系统，通过神经符号人工智能实现高精度的拆解操作。该系统具有连续学习的主体智能和直觉能力，在多种复杂情况下成功率达到98.78%。这项研究为机器人赋予真实的自主推理、规划和学习能力，为未来具有主体智能的机器人系统的设计与实现提供了创新的思路。

本文提出了一种新颖的多目标深度强化学习方法，用于优化拣货员分配给自主移动机器人的问题。该方法通过图模型和神经网络架构提高拣货效率和工作负载公平性。实验结果表明，该方法在公平性和效率目标之间找到了良好的权衡，并在不同仓库大小的场景中展现出良好的可迁移性。