使用远程控制平台测试了自主织物操纵算法在物理机器人上的性能，并研发了一套新的以模仿学习与分析法为基础的算法，在折叠 T 恤任务上达到了人类的 84％表现。

Apr, 2022

本文描述了一个名为 SpeedFolding 的双手系统，使用一种新颖的神经网络体系结构来预测钳爪姿势的配对，实现对衣物的快速折叠，可在平均不到 120 秒的时间内折叠多达 30-40 次，并成功适应不同颜色、形状和硬度的衣物。

Aug, 2022

本文探讨了如何通过观察人类直接收集操作布料的示范，利用一些收集到的示范，我们展示了如何学习并在实际机器人上部署拾取和放置策略。

Nov, 2022

提出了一种基于空间 - 时间注意机制的多步布料操纵规划框架 Foldformer，能够在没有目标观察的情况下完成相似任务，在四个典型的多步操作任务中大幅优于现有技术，而且可以在不需要额外培训或域随机化的情况下从模拟转移到实际应用中。

Jan, 2023

本文提出了使用光流和 FabricFlowNet 等技术来解决布料操纵的问题，并通过仿真实现了单臂和双臂操作。最后，介绍了成功将该方法转换到 T-shirt 和矩形布料上的结果。

Nov, 2021

提出了一种基于序贯强化学习的 Quasi-Dynamic Parameterisable（QDP）方法，用于优化静态和动态操作基元的运动速度和拾取和放置位置的参数，以提高布料操纵性能。在模拟和真实世界的实验中，结果表明通过优化基元的参数，性能可以提高 20%。

Mar, 2023

通过学习基于粒子的动力学模型来实现机器人对布料的操作，该模型具有较强的归纳偏差和物理学习能力，同时具有视觉不变性和良好的预测可视化性。在仿真和现实场景下取得了优异的表现。

May, 2021

设计了一个系统，其中包含两只附着在机器人手臂上的多指手，用于解决机器人在高速操作、精确协作和与不同对象进行交互时面临的挑战。通过在模拟中使用多智能体强化学习训练，并进行 Sim2Real 转移以在真实机器人上实施，提供了多个创新算法设计，包括学习物体的轨迹预测模型，帮助机器人准确估计物体的移动方向并做出相应反应。通过在真实环境中使用多个物体进行实验，相较于多个基准线表现出显著改进。项目页面可在 https://binghao-huang.github.io/dynamic_handover/ 访问。

Sep, 2023

本研究提出了一种使用离线模拟器进行优化的新方案，旨在解决机器人对可变形物体进行自主折叠时遇到的问题。经实验证明，该方案有效地优化了折叠轨迹，使机械臂可以精准、高效地折叠可变形物体。

Dec, 2015

该研究探讨了 UniFolding 的开发，它是一个高效、可扩展、具有广泛适用性的机器人系统，用于展开和折叠各种衣物。UniFolding 利用提出的 UFONet 神经网络将展开和折叠决策整合到一个单一的策略模型中，该模型适用于不同类型和状态的服装。

Nov, 2023