在这个项目中，研究了机器人自发发现和学习抽象概念、符号和规则，从而使机器人能够进行复杂的推理。我们的项目是在一个实验装置中进行的，其中一个手臂机器人与桌子上的各种物体（如盒子、杯子和球）进行交互，并且可以通过提供颜色和深度感知的摄像头以及手腕上的力反馈传感器观察它在环境中的动作所产生的效果。他正在研究能够使用物体符号（例如可卷和可推）、关系符号（例如大和长）以及将这些符号与动作和动作效果关联起来的概率规则进行抽象推理的机器人，这是他在具有端到端训练的人工神经网络的模拟环境中发现的。通过将概率规则自动转移到能够表达环境、动作和感知中的噪声和不确定性的概率规划空间描述语言，目的和实现机器人使用标准概率人工智能规划器自动找到给定任务所需的动作序列。在我们的项目中，首先发现了半符号表示，并且结果表明使用这些表示可以更快地进行学习。然后，提出了一种基于编码器-解码器的新型人工神经网络，该神经网络由具有离散激活的瓶颈层组成，在单目标环境中以目标图像和动作作为输入并估计对目标的影响，并找到了代表目标的符号和由此产生的影响。