本文提出了一种名为 GenORM 的框架，该框架可以通过单个真实演示来处理多种可变形绳索的操作策略，同时借助不可微分物理模拟器来实现，提高了一次性绳索操纵的效率和性能。

Jun, 2023

这篇论文提出了一种基于学习的系统，通过自监督学习从图像中学习绳索操纵的像素级逆动力学模型，并使用高低级计划成功地模仿人类示范，将可变形物体如绳索和布料进行操纵。

Mar, 2017

本文提出一种基于无监督学习的密集物体描述学习方法：Dense Object Nets，可用于视觉理解和操作，适用于针对刚性和非刚性物体的各种操作任务，并能够为多个物体类别提供通用描述。

Jun, 2018

采用最先进的深度强化学习算法，通过领域随机化，在仿真环境中训练代理程序以解决可变形物体操作问题，并成功将其部署在实际工作中。

Jun, 2018

本研究提出了一种新的学习框架，使用对比估计来同时优化可视化表达模型和动态模型，在随机扰动变形对象并收集了模拟数据后，离线学习这些对象的潜在动态模型，随后使用简单的模型规划来解决具有挑战性的变形对象操纵任务，实验结果表明其性能优于传统模型学习技术，并通过域随机化将其可视化操纵策略从模拟数据成功地迁移到现实中的 PR2 机器人中。

Mar, 2020

本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。 主要采用人类抓握可行性模型生成 3D 物体演示，以实现策略的泛化。同时，本研究使用了新颖的模仿学习目标，以及几何表示学习目标，通过在仿真系统中重新定位多样的对象以证明本方法的有效性。

Apr, 2022

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

我们研究了可变形物体（布料和绳索）的像素级对应问题，比较了传统方法和基于学习的方法。我们选择布料和绳索，因为它们在解析建模方面是最难的可变形物体之一，而且在机器人任务（如布料折叠、绳结打结、T 恤折叠、窗帘合拢等）中具有意义。我们提出了对于通过特征匹配进行对应的现有传统方法进行全面调查，包括 SIFT、SURF 和 ORB，以及两种最近发布的基于学习的方法，包括 TimeCycle 和 Dense Object Nets。我们的提出方法为学习非刚性（和刚性）物体的连续时间和空间对应提供了灵活、通用的公式。我们报告了所有方法的均方根误差统计结果，并发现 Dense Object Nets 在对应方面优于基准传统方法，我们提出的 Dense Object Nets 扩展方法表现类似。

May, 2024

GenDOM 框架通过将策略与可变形物体参数相关联并使用各种模拟可变形物体进行训练，从而使策略能够处理不同的可变形物体，而只需进行一次真实世界演示。此方法在模拟和真实世界环境中进行了实证验证，可通过单次演示处理不同对象并在性能上显著优于基线方法，证明了该方法在一次性可变形物体操作中的有效性。

Sep, 2023

Deformable linear object manipulation using an anthropomorphic hand is explored through the DexDLO framework, which learns dexterous dynamic manipulation policies and performs various tasks such as grabbing, pulling, and end-tip position control, demonstrated through the Mujoco physics simulator.

Dec, 2023