本研究提出了一种自适应运动优化（AMO）框架，旨在解决人形机器人在高自由度和非线性动态下的运动控制问题。AMO结合了仿真-现实强化学习与轨迹优化，实现了实时自适应的全身控制，显著提高了稳定性和操作工作空间，支持机器人自主执行任务。

本文提出了一种低成本的数据生成管道，结合物理模拟和人类示范，有效生成用于机器人操作任务的数据集。通过轨迹优化技术，处理虚拟现实中的示范数据，适应不同机器人形态，实现数据重用。实验表明，训练的策略能在多种机器人形态下成功执行复杂任务。

本研究探讨了小行星的可持续采矿问题，尽管在GTOC 12比赛中排名不高，但开发了多种新方法。这些方法结合了机器学习与天体动力学，显著改善了低推力轨迹与冲击拉姆伯特转移的关系，并提出了通过整数线性规划优化采矿轨迹的新技术。

本文探讨了通过内部记忆方法学习高维连续系统的策略，结合有监督学习和轨迹优化，解决物理控制问题。研究利用RNN和贝叶斯推断，提出了动态规划和主动推断的框架，强调在复杂环境中有效规划行动的重要性，并探索分层模型中的混合表示。

本文提出了一种基于探索的轨迹优化方法 ETO，旨在提升开放式 LLM 代理的性能。ETO 允许代理从失败中学习，通过对比学习更新政策，促进持续改进。实验表明，ETO 在复杂任务中显著超越基线性能，并在缺乏专家轨迹时展现出高效性。

本文提出了一种结合扩散模型和数值求解器的框架，用于非凸轨迹优化，显著提升计算效率和约束满足性。通过引入新的受约束扩散模型，该方法在不同机器人领域的实验中实现了4到22倍的加速，成功应用于动态环境中的轨迹预测，展现了优越性能。

本文分析了一种基于任务导向探索的框架，通过模拟环境学习任务相关的系统参数，以优化现实世界中的轨迹。研究表明，该方法能提高模型的适应性和任务表现，尤其在系统参数未知时。利用深度强化学习，机器人能够在模拟与真实环境中有效转移控制策略，提升操控技能和训练效率。

本文研究了使用无人机定位目标无人机的问题，并提出了基于Z函数分解的强化学习方法，通过优化轨迹和发送功率来提高定位精度。仿真结果表明，该方法可以减小定位误差。

本文提出了一种针对机械操作的轨迹优化方法，使用混合整数二次规划进行评估，并考虑了互补和状态的联合机会约束。与近期方法进行了比较。