通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计，从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后，成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。

Sep, 2018

我们提出了一个基于模型的方法来设计巧妙的机器人操作反馈策略，利用轨迹优化找到可行的轨迹，并使用多面体构建线性化轨迹的漏斗以及在线执行时解决线性问题以跟踪系统轨迹。

Sep, 2019

本文提出了一种可处理摩擦接触的可微动力学求解器，它统一了刚体和可变形物体。通过正交和切向接触力的原则性平滑化，我们的方法规避了摩擦接触非光滑特性的主要难题。我们将这种新接触模型与全隐式时间积分相结合，得到了一个具有解析微分性和健壮高效的动力学求解器。与伴随灵敏度分析相结合，我们的公式为目标函数景观的优化提供了自适应权衡模拟准确性和平滑性的梯度。在一组涉及刚体、粘弹性材料和耦合多体系统的模拟示例上，我们对我们的方法进行了全面分析。我们还展示了我们的可微模拟器在可变形物体的参数估计、机器人操纵的运动规划、合规步行机器人的轨迹优化以及高效的自我监督学习控制策略方面的应用。

Jul, 2020

通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

Jun, 2024

研究了机器人在存在不确定性情况下的抓取和操纵问题，提出了连续实时感知和反应运动生成方法在动态操纵场景中的重要性，并比较了三种不同的系统架构。通过在真实机器人平台上进行四个场景的广泛评估，量化了反应运动生成系统中不同时间尺度实时反馈融合的鲁棒性和准确性，并报告了系统建设中的经验教训。

Mar, 2017

本文提出了一种基于神经动力学的分布式控制策略，通过反步和滑模控制的混合形式实现了多个不同差动驱动移动机器人的分布式 leader-follower 形成控制，并集成了自适应滑动创新滤波器，以提供对建模不确定性鲁棒的精确状态估计。经过多次模拟，验证了该控制策略的有效性和高效性。

May, 2023

本文提出了一种混合预测控制器，使用触觉信息和全身动力学来局部预测机器人的未来动作，实现了机器人快速生成灵活的运动。通过跟踪反馈策略，该预测控制器能够在没有使用单独的全身控制器的情况下执行低级扭矩控制。

Mar, 2022

该研究论文提出了一种基于仿生神经动力学模型的新型混合控制策略，以提高无人水下车辆的跟踪控制，将改进后的后向运动学控制策略与新型滑模控制相结合，以实现控制信号的平滑性，这在无人水下车辆的实际应用中尤为重要。

Sep, 2022

提出了一种针对机械操作的坚韧轨迹优化的机会约束公式，并考虑概率定量的混合整数二次规划方法，包含互补和状态的联合机会约束，使用模拟对所提出的方法的鲁棒性进行了评估，并比较了该方法与近期方法的优劣。

Mar, 2022

通过提供前馈多模态反馈，使用更新的 ADMC 建议，使用户能够实时比较当前和建议的映射，我们通过对比两种新方法的有效性，即 a) 不断推荐更新的 DoF 组合，或者 b) 在当前机器人运动和新建议之间使用离散阈值，在 Virtual Reality (VR) 面对面研究中与经典控制方法进行比较，降低了任务完成时间，减少了模式切换次数，显著降低了感知的工作负荷，证明了在前馈的情况下，ADMC 方法可以超越经典模式切换。连续和阈值之间没有明显的定量差异表明以用户为中心的定制选项的重要性，将这些影响纳入开发过程将提高可用性，对成功实施具有高用户接受度的机器人技术至关重要。

Jul, 2023