本研究提出了一种基于模型的强化学习算法，将以前任务的先验知识与在线动态模型适应相结合，实现了高效学习，并且成功地应用于各种复杂机器人操纵任务。

Sep, 2015

应用深度学习于机器人控制的方法可以提高设计机器人控制定律的智能性，本文提出了一种深度控制的方法，通过扩展 DeLaN 网络到能源控制上实现了通过泛化函数逼近进行的能源控制的学习，该方法在 Furuta 摆控制方面表现出优异的实时控制性能。

Jul, 2019

本文说明了使用结构化机械模型取代黑盒神经网络在机器人动力学建模上具有的优势，包括数据效率、易于应用先前知识和易于与基于模型的控制技术结合使用。在多个仿真机器人领域中，该方法可以从有限的数据中更好地推广和产生更可靠的基于模型的控制器。

Apr, 2020

本文介绍一种可用于多体机器人动力学的混合模型，采用计算图架构将牛顿欧拉方程体现出来，实现动态几何转化为有效的计算结构，结合灰盒架构进行系统参数辨识。同时，将动力学参数和运动学参数进行联合建模，与黑盒组件相结合取得了较好效果。

Oct, 2020

本文综述了一些通过将数据驱动建模与先前的解析知识相结合的监督回归模型，以在具有刚体力学描述的系统动力学建模中提高数据的效率和物理完整性，并分析了刚体力学的各种潜在函数和算子。

Dec, 2020

利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

Sep, 2021

介绍了通过组合神经网络来学习交互子系统的复合模型的方法及理论依据，并使用 PHNN 来表示系统及其各个子系统，通过物理信息互连结构组合 PHNN 以预测复合系统的动力学行为。

Dec, 2022

本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法，能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器，在模拟机器人系统中得到良好的应用。

Jun, 2023

本研究针对非线性动态系统的控制问题，提出了一种通过最小化控制器损失和在任意系统中都能达到最佳实例速率的算法，该算法通过策略优化来实现优化实验设计，从而降低系统的参数不确定性。

Jun, 2023

控制导向的、结构保持的学习关于高维物理系统的低维近似，重点研究机械系统。我们研究了在模型阶数降低中整合神经自编码器，同时保留哈密顿或拉格朗日结构。我们着重评估所考虑方法的性能，通过在包含数百个状态的大型质量-弹簧-阻尼网络上进行模拟和控制实验。实证结果显示，少于5个自由度的压缩潜在动态可以以约4%的相对总误差准确重构原始系统的瞬态和稳态行为，同时准确重构总能量。利用这种系统压缩技术，我们介绍了一种基于模型的控制器，利用压缩模型的数学结构来调节受强减调控机械系统的配置。

Dec, 2023