该论文研究了在存在大量形状差异的物体类别中，如何使用高效的物体表示方式和机器学习方法，实现基于感知输入的机器人运动规划，来完成任务。

Sep, 2019

本文中，我们探讨了可推广的感知行动机器人操纵，解决了一类物体操作的自动化，实现了接触丰富的操作任务，提出了一种基于关键点的物体表示方法，并扩展为闭环操作策略。我们提出了一种新颖的以物体为中心的动作表示方法，它可以完成需要精度和灵巧性的接触丰富操纵任务。

Feb, 2021

本文探讨机器人行动的基本局限性和现有的视觉表征学习方法存在的问题，并提出利用语义三维关键点作为视觉表征的方法，通过半监督训练，使其精度达到毫米级别，能够帮助定义强化学习的奖励函数并作为代理训练的有效表征。

Sep, 2020

本文提出了一种新颖的基于物体中心、类别级别表示和无模型 6 自由度运动跟踪的类别级别操作框架，它可以从一个演示视频中学习类别级别任务轨迹，并通过运动跟踪执行一个闭环控制方法，完整实现了在工业任务中的推广应用。

Jan, 2022

本文基于深度学习，提出了一种名为 KETO 的自监督学习框架，对于机器人使用工具进行操作具有很好的表现，其使用任务特定的关键点表示工具，提高了其操作的有效性和泛化性能，结果表明该模型在三个工具使用的操作任务中表现均优于当前最先进的方法

Oct, 2019

本文提出了一种基于贝叶斯方法的算法来跟踪图像中的尺度不变的关键点，对于机器人的多目标操作任务，该算法较其他方法更加高效且具备鲁棒性。

May, 2023

提出了一种新颖的 Instance-Adaptive 和 Geometric-Aware Keypoint Learning 方法，用于类别级别的 6D 物体位姿估计。实验结果表明，该方法在没有类别特定形状先验知识的情况下，明显优于现有的方法。

Mar, 2024

利用开放词汇泛化的方法，本文提出了 MOKA（标记开放词汇关键点可利用性）来使用视觉语言模型解决由自由形式语言描述的机器人操作任务，通过在图像上注记关键点和航点的预测，将问题转化为视觉问答问题，并通过上下文学习和策略精炼提升性能，验证并分析了 MOKA 在以自由形式语言描述的各种操纵任务中的表现，如工具使用、可塑性物体操作和物体重新排列。

Mar, 2024

该研究提出了一种基于单个对象检查实现类别级姿态估计的方法，通过利用多视角对应关系从而为未见过的对象的姿势估计提供更精确的结果，并展示了该方法在连续学习环境下的应用。

May, 2023

本文提出了一种采用非监督学习的方法，从未知类别的物体的三维点云中学习特定于类别的三维关键点，使用对称线性基础形状模型描述特定于类别的形状，并证明了该方法能够得到几何和语义方面的一致的关键点。

Mar, 2020