本研究提出了一种名为 Sim-to-Real Dense Object Nets (SRDONs) 的密集对象描述符，可实现从虚拟到真实环境的机器人物体识别一致性，并能够映射到一个统一的特征空间。在实验中，我们证明预训练的 SRDONs 可大幅提高各种机器人任务中对未知物体和未知视觉环境的性能表现。

Apr, 2023

本文提出 DensePhysNet 对于机器人物体操纵的物理表示的学习方法，通过动态交互序列和深度预测模型学习密集的像素表示，可以直接解码物理物体属性，并在下游任务中实现更精确和更有效的操纵。

Jun, 2019

本文探讨了如何通过自主机器人与环境进行交互，获得适用于机器人操纵任务的有效物体中心表示，无需人为标注。基于对象持久性的表示学习方法能够随着机器人收集更多经验，不断改进表示，从而可以在无需人为干预的情况下扩展规模。我们的实验表明，这种自我监督方法显着优于直接从图像进行强化学习和先前的表示学习方法。

Nov, 2018

研究使用 DDODs 学习点对对应来操作可变形物体，并使用可读性和可迁移性的几何策略来控制机器人，成功解决了物理模型不够准确以及机器人长时间训练和泛化能力不足的问题。

Mar, 2020

利用网络训练的文本到图像扩散生成模型，在无样本情况下对细粒度部件描述符进行准确操作，通过将问题框架化为密集语义部件对应任务，返回用于操作特定部件的夹爪位姿，无需手动示教，验证了该方法在真实世界的桌面场景中的实验，证明了其推进语义感知机器人操作的潜力。

Mar, 2024

本文介绍了一种基于局部神经描述符场（L-NDF）的方法，用于将有限数量的物体操作技能推广到未知形状类别的新物体中。通过利用对象之间共享的局部几何形状，将操作演示从旧物体有效地转移到了新物体。在模拟和实际场景中验证了我们的方法在操纵新物体方面的有效性。

Feb, 2023

本文提出了一种基于单一演示的机器学习方法 GraspNet，其使用卷积神经网络来检测物体并进行抓取，在实验中使用 Franka Panda cobot，在数百次的训练迭代中训练 GraspNet，能够更加快速地进行精细调整。

Jun, 2018

该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。

May, 2023

通过开发新颖的神经网络 DefGoalNet，我们解决了依赖于目标形状规范的问题，该网络可以直接从少量人类演示中学习可变形物体的目标形状，并在各种机器人任务中证明了方法的有效性，甚至在手术复位任务中，即使只使用 10 个演示，我们的方法也能够达到近 90% 的成功率，这些结果大大推动了形状伺服方法接近实际的实际应用。

Sep, 2023

通过学习经验，实现对新物体的抓取。引入密集几何对应匹配网络进行学习，以将相似几何结构的物体编码到近邻特征空间中，从而实现对未见物体的推广。最终实现成功率的提升和任务功能的优化。

Jan, 2020