人类在日常生活中处理复杂任务时表现出惊人的适应性,这种适应性是个体学习能力的直接体现,使人类可以自主、增量地提升自身的行为能力。研究人员以 Q 学习与自适应核线性(Adaptive Kernel Linear,AKL)模型等网络化模型为基础,构建了机器人增量式学习方法的新框架，赋予机器人根据数据与案例实时获取并自发产生新的行为模式，以提升机器人行为智能的能力。新的算法可通过自主、示教等不同方式，使机器人对自我行为进行评估,并实时改变自身行为产生的网络结构和参数,实现行为知识的在线学习和增量学习。

　　该成果目前已应用在机器人自主导航中, 并通过大量的仿真和试验表明，机器人能够以一个空网络为起点,增量式学习并形成新的行为以适应新的场景,同时不会遗忘之前所学习的行为。

　　该研究得到了国家自然科学基金和机器人学重点实验室的支持。(机器人学研究室)