该研究使用深度递归控制器训练机器人完成视觉伺服技能并解决了在遇到视觉扭曲时的模糊性问题。研究者使用模拟数据和强化学习目标进行了训练，证明了该模型可在真实的机器人手臂上操作。

Dec, 2017

本文基于学习的视觉特征、学习的预测动态模型和强化学习相结合的方法，研究了视觉伺服机制的学习。通过在学习到的视觉特征空间内，代替图像像素和手动设计的关键点，我们演示了该方法可以在样本效率方面获得两个数量级以上的提高，并在复杂的合成汽车跟踪基准测试中表现出了显著的改进。

Mar, 2017

本文研究了如何在具有自碰撞、奇异问题等机器人特定约束条件下解决多视角视觉伺服问题，并提出了一种基于学习的多视角视觉伺服框架，通过强化学习从视觉状态的潜在空间表示中迭代估计机器人动作。通过 Gazebo 仿真环境的实验验证，显示该方法能够成功学习到给定不同视角下初始图像的最优控制策略，且平均成功率达到 97.0%，优于直接视觉伺服算法。

Dec, 2023

本文提出了一种基于卷积神经网络的视觉伺服方法，并使用幻影和体内数据对其进行训练，以在空心环境中完成内腔镜导航任务的软体机器人解决方案。

Jul, 2022

本文介绍一种视觉伺服方法，用于对象抓取和更一般地，将末端执行器与对象对齐的问题。首先，我们扩展了 Espiau 等人提出的方法 [1]，适用于没有安装在被控制机器人上的相机，并强调实时估计图像雅可比的重要性。其次，我们展示了如何使用非校准的立体摄像头设置，在三维射影空间中表示抓取或更一般地表示两个物体之间的对齐。这种三维射影表示是视角无关的，可以轻松映射到图像设定点，不需要任何关于相机参数的知识。第三，我们对视觉伺服算法的性能和这种方法能够获得的抓握精度进行了分析。

Nov, 2023

采用模块化神经网络体系结构，利用合成数据和模拟技术，通过低维潜在表示生成场景可用性，成功训练机械臂政策。同时，提出了一种数据集生成方法，可轻松推广到新任务、对象和环境，无需手动像素标记。

Mar, 2019

该研究提出了一种用于机器人抓取的闭环控制器的学习方法，该方法使用卷积神经网络学习关于图像的真实抓取的距离函数，可以应对虚拟和真实噪声传感器图像中的机械误差，感知误差和抓握时物体的不确定性。

Jun, 2017

为解决机器人虚拟世界到真实世界的迁移问题，本文提出了一种基于模块化架构、采用语义图像分割作为元表示的深度强化学习方法，实现了 RGB 图像到语义图像段转换。实验结果表明，该架构在避障和目标跟踪任务中表现优异，并在虚拟和真实环境中均明显优于基准方法。

Feb, 2018

利用视觉伺服任务作为图遍历，通过分割和重组现有的演示数据构建演示图，并利用相似性函数选择最佳演示，从而实现学习的操作策略具有较强的任务传递能力和多任务能力。

Oct, 2023

本研究提出了一种新的神经网络架构，用于对 3D 人类上肢骨骼系统模型进行全面的可视化。利用深度学习模型实现了实时可视化，使得连续力学模拟在视觉实时应用中变得可行。

Dec, 2023