该论文介绍了一个基于强化学习的通用物体重新定位控制器，使用廉价深度相机内置单个传感器可以动态地实时重新定位复杂物体，具有在真实世界中重现的能力，且硬件成本低廉，可以使未来的技术民主化。

Nov, 2022

本文介绍了使用自适应控制器和动态调整策略训练的机器人手指智能旋转物体的方法，该方法只需要使用手指就可以对各种大小、形状和重量的物体进行旋转，具有很好的稳定性和自适应性，为机器人手部操作的研究提供了一个新思路。

Oct, 2022

本文介绍了一个基于视觉的机器人操作系统，能够通过姿态估计和体积重建实现物体重新定位，并通过学习的路径选择和传统的运动规划生成无碰撞路径，从而成功和高效地完成对物体的操作和重构，实现了机器人操作的自主化，成功率提高了 81％，执行时间提高了 22％。

Feb, 2022

该研究介绍了一种方法，使机器人能够迅速学习给定物体的完整三维模型以便在陌生的方向上进行操作，通过优化信息性和可行性来确定下一步动作，并通过重新估计物体姿态来纠正相互作用过程中引入的不对齐，通过实验证明与现有方法相比，在视觉重建质量（PSNR）提高 14％，在对象表面几何 / 深度重建（F-score）方面提高 20％，在场景中操作未见过方向 / 稳定配置的物体的任务成功率提高 71％。

Apr, 2024

通过强化学习，我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法，并且证明该算法可以成功地应用在实物机器人中，为机器人控制领域提供了新的解决方案。

Aug, 2018

通过我们提出的一种新方法，仅使用单个演示，我们实现了工具使用行为的强化学习，通过给予初值设定和形状奖励信号的引导来解决多指机械手抓取配置的推广问题，并实现复杂的工具使用任务并在测试时推广到未见过的工具。

Jul, 2023

本文提出一种基于强化学习的框架，通过连续地控制一个类人机械手，学习各种几何不同的实际物体的交互抓取。该框架在物体几何的显式表示方面进行了探索，并且通过符号距离隐式地指导搜索，最终表现出在更具挑战性的条件下学习的能力。

Nov, 2022

利用丰富的触觉反馈信息，通过模拟训练和零样本策略转移的方法，实现了在手物体多轴重力无关的旋转，并且证明了信息丰富的触觉感知对于手持操作的重要性。

May, 2024

我们介绍了 RotateIt，这是一个通过利用多模式感知输入实现多轴指尖物体旋转的系统。系统在模拟环境中训练，可以访问物体的真实形状和物理属性，然后通过模拟的视觉触觉和本体觉感知输入进行操作。通过触视觉变压器将多模态输入融合，实现了部署过程中对物体形状和物理属性进行在线推断，显示出较之前方法的显著性能改进以及视觉和触觉感知的重要性。

Sep, 2023

本文旨在从单目视频中获取手部和操纵对象的三维重构，提出了一种学习免费的拟合方法以应用于无法获取训练数据且具有不同难度等级的数据集，并量化评估了该方法。

Aug, 2021