本研究提出了一种针对物体在杂乱场景下特别是发生遮挡或物体相互叠加时，高效搜索每个物体的六维位姿假设的方法，通过聚类减小个体候选位姿数据量，在基于物体检测和全局点云注册的技术提供的候选物体位姿中，使用基于 Monte Carlo Tree Search 的全局优化过程，结合各个物体之间物理交互关系，探索候选位姿的组合，识别场景级别的最佳假设。实验结果表明，该过程能够快速发现在杂乱场景中与地面实际情况接近的、物理上一致的物体位姿。
Oct, 2017
本研究提出了一种基于部分点云观察的，用于在杂乱场景中规划指定物体 6 自由度抓取的方法，其性能比基线方法高出 17.6%，能够成功清理包含 23 个未知物体和 51 次抓取操作的 9 个杂乱桌面场景，并利用我们学习到的碰撞检查模块来推理有效的抓取顺序，以检索不易到达的物体。
Dec, 2019
研究了基于强化学习的互动感知系统在场景探索和物体搜索方面的应用，结果表明该方法不再需要预定义的启发式模型，可在模拟和现实世界中有效地解决这一任务。
Nov, 2019
该论文提出了一种使用简单容积表示法进行机器人夹取和约束放置的算法框架，并通过真实物理实验展示了该方法的成功率和更快的执行时间。
Jun, 2020
通过将基于物理的因果推理嵌入机器人的决策过程中，我们可以使机器人任务执行更安全、更可靠，对各种类型的不确定性更具鲁棒性。
Mar, 2024
本论文提出了一种通过学习多视角 RGB 图像预测场景未来发展的 3D 模型的框架，并使用条件神经辐射场视觉前端和 3D 基点动态预测后端来捕获底层环境的结构以及强关系和结构归纳偏差，相较于先前的方法，我们的模型对准确的点估计和跟踪不再具有依赖性，可以应对较复杂的场景，并在长时间预测方面表现较好。
Apr, 2023
本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。
Apr, 2018
该论文提出了一种神经模型，同时基于物理学原理和视觉先验进行推理和预测，通过对粒子的估计预测物理参数，即视觉基础，并在刚体、可变形材料和流体的复杂环境中证明了它的有效性，允许模型在几次观察内推断出物理特性，从而快速适应未见过的场景并进行准确的未来预测。
Apr, 2020
本文提出了一种基于 SQ 表示、不完全对象建模和反对称抓取的快速、高效的抓取未知杂乱对象的方法。通过在实时环境中对不完全的物体模型进行处理，计算 SQ 与重力方向的相对姿态，并利用 SQ 参数的维度和表面曲率信息选择最佳的接触点，该方法在时间效率和精度方面优于其他学习类的抓取算法。
本文研究了无监督的物体发现问题。引入了 POD-Net 模型，通过物理学原理，从视频中精确提取出各个物体的 3D 几何和位置，同时推断物体的属性，从而可以用于推断物理事件。
Jul, 2020