本文提出了一种基于数据驱动的建模方法，利用深度生成模型学习目标定向的物体操作，采用视觉规划和视觉跟踪控制解决目标检测问题。

May, 2019

本文介绍了基于无模型视觉强化学习的变形物体操作问题，通过提出迭代的拾取 - 放置空间和只显式学习放置策略来加速学习，并使用 MVP 选择策略，此学习框架在变形物体操纵任务方面获得了比独立空间快一个数量级的学习，并使用领域随机化将策略转移到 PR2 机器人上，对布料和绳索覆盖任务进行了实验验证。

Oct, 2019

我们提出了一种将 4D 动态物体先验知识注入到学习的 3D 表示中的方法，并利用合成的 3D 形状和对比学习在 3D-4D 约束下进行数据增强，在下游的 3D 语义场景理解任务中，能够有效地提高表现。实验证明，我们的无监督表示学习方法能够在下游的 3D 语义分割、物体检测和实例分割等任务中表现出色，并且在数据稀缺的情况下显著提高了性能。

Dec, 2021

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

该论文提出了一个从多个视角捕捉的无标注视频演示中学习视觉表示的框架，优化了最近提出的自监督学习算法，应用对比学习来增强与任务相关的信息和抑制特征嵌入中的无关信息，验证了所提出的方法在模拟几种机器人任务，包括 pick and place 任务中的应用，评估了学习表示的三个指标：视点对齐，阶段分类和强化学习，在所有情况下，结果都表明与现有方法相比，该方法水平更高，而且训练轮数更少。

Jan, 2022

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

本文介绍了一种基于梯度的反向强化学习框架，利用预训练的视觉动态模型从视觉人类演示中学习成本函数，并通过视觉模型预测控制来复制演示行为，以解决机器人操作中的未知动力学等问题。我们在两个基本的对象操作任务上评估了我们的框架。

Oct, 2020

本文提出了一种基于状态空间表示和自我监督训练技术的视觉机器人操作方法，通过估计可变形物体状态、训练神经网络动力学模型以及采用模型预测控制器，实现高效而准确的物体操纵。

Nov, 2019

该论文提出了一种自监督学习的方法，用于从单目视频中学习物体的表征，并证明其在机器人等实践中具有特殊的用途。

Jun, 2019

使用深度强化学习隐式地在仿真环境中学习潜在的状态表示，并通过无标签的真实机器人数据将其调整到真实环境中，以实现从像素中执行操作任务。通过序列自监督目标优化对比正向动力学损失，提出了一种更加有效的方法，成功地训练基于视觉的强化学习智能体来堆叠方块。

Oct, 2019