本文探讨了触觉反馈控制和深度强化学习在机器人辅助穿衣方面的应用，使用物理仿真同时训练人类和机器人控制政策，建立包括人体不足等障碍模型，并成功地控制机器人进行模拟穿衣。

Sep, 2019

在这项研究中，我们介绍了一种公式，使得协作机器人能够执行视觉触觉推理 —— 推断物理交互过程中施加力的位置和大小，我们提出了两种不同的模型表示法，在物理模拟中进行训练，使得机器人能够通过视觉和机器人运动观察来实现触觉推理。通过定量评估，我们展示了这些模型在模拟中能够概括不同任务的相互作用、人体尺寸和物体形状。同时，我们也使用我们在模拟中训练的模型，与现实世界中的移动机械手进行实际的物理辅助任务，估算施加的接触力。

Aug, 2022

使用触觉信息，通过控制器来实现机械臂样的操纵工具在模拟中导航变形的衣物是一项挑战。我们提出了一种聚合力信息的控制器，通过沿着操纵工具的多个触觉传感器进行引导。基于触觉力，每个单独的球更新其目标位置，并且通过解决具有约束的逆运动学问题解决这个一组所需位置之间出现的冲突。最后，我们使用强化学习为单个触觉传感器训练控制器，在模拟中成功导航了机械臂样的操纵工具穿过各种服装，包括一个孤立的袖子、夹克、衬衫和短裤。

Mar, 2017

本论文提出一种基于无标注训练数据的方法，结合深度动作条件视频预测模型和模型预测控制，使真实机器人能够进行非抓取操作，比如推动物体，并且可以处理训练过程中没有出现过的新物体。

Oct, 2016

本文研究采用运动传感器技术对有限活动能力的人体上半身动作进行捕捉，将其作为输入来控制 7 自由度辅助机器臂。通过对两位参与者的实验数据进行初步分析，观察到利用机器智能可以发现高维机器人控制中一些关键的难点和不一致性，从而促进未来接口学习的发展。

Oct, 2021

本论文探究将触觉感应应用于物理机器人相互作用的视频预测模型，结果表明增加触觉反馈有助于提高场景预测准确性和增强机器人在物理相互作用过程中的感知和理解能力。

Apr, 2023

使用远程控制平台测试了自主织物操纵算法在物理机器人上的性能，并研发了一套新的以模仿学习与分析法为基础的算法，在折叠 T 恤任务上达到了人类的 84％表现。

Apr, 2022

本研究提出了一种采用 3D 人体姿态估计和强化学习相结合的新型运动模仿模型，通过将运动模仿转化为强化学习中的关节角度预测问题，从而极大减少了对大量训练数据的依赖，使得模型能够从仅有几秒钟的视频中学习模仿策略，并展现出强大的泛化能力。该项目可轻松地将人的手臂运动模仿到机械手臂上，表现出卓越的性能和稳健的迁移能力。

May, 2024

通过使用高斯过程模型来预测人手运动并基于手势和凝视开发人类意图检测策略，本研究旨在提高协作机器人的效率，并改善人类用户的安全性。对比结果显示，预测模型使机器人时间提高了 3％，安全性提高了 17％；与凝视结合使用时，使用高斯过程模型的预测使机器人时间提高了 2％，安全性提高了 13％。

May, 2024

本文提出了一种基于数据驱动前向模型和机器人触觉预测的新方法来解决机器人推动任务中的物理机器人交互问题，并将该模型融入到深度函数预测控制系统中，以控制物体的位移。实验结果表明，该控制器可以成功地控制机器人操纵任务中的物理机器人交互问题，并能够将方法推广到其他物体和任务中。

Mar, 2023