本文提出了一种基于实体机器人和物理模拟引擎相结合的 Real2Sim2Real 方法，可以在有限的数据下训练物理模拟引擎以发现转移的运动策略，并通过采用轨迹分段技术，计算接触点的非零梯度，并避免了训练过程中的梯度评估冲突。该方法在三根杆条张力机器人中得到了证明和评估

Sep, 2022

本文使用镜像下降引导策略搜索的新扩展应用于周期性运动中，展示了如何自动学习运动步态，并在 SUPERball 张力机器人的运动中展示了我们方法的有效性。

Sep, 2016

本文介绍了使用物理引擎优化控制器的方法，着重探讨了与深度学习相关的应用，并说明了其对机器人硬件和软件优化的重要性和潜在性。

Nov, 2016

本文提出了一种可实践的学习框架，能够输出统一的神经网络控制器，具有显著提高任务复杂性和多样性的能力，并使用可微物理学实现训练。实验结果表明，在可微弹簧和材料点方法的模拟、复杂的步态任务和多个机器人设计方案上，我们的学习框架优于强化学习，能够更快地收敛，并且用户可以使用我们系统中训练的统一的神经网络控制器交互式控制软体机器人的运动并在多个目标之间切换。

Jun, 2022

本文介绍了一种基于神经网络的不同 iable rigid-body 物理引擎来学习动力学关系以及对其进行自动发现，替代了常规的解析式建模，使用神经网络能加速基于模型的控制架构，提高建模和控制的准确度。

Nov, 2020

本文提出的方法利用物理引擎技术和基于贝叶斯优化的模型参数优化算法，通过模拟实验和样本学习的方式，有效地辨识了机器人的力学参数，提高了现有策略搜索算法的数据效率。

Oct, 2017

通过深度学习神经辐射场以及可微分管道来实现物体动态学建模并进行碰撞检测，拥有优化机器人抓取和操纵等功能，从而实现更好的视觉和动力学准确性。

Oct, 2022

研究了在自动驾驶中，配合基于图神经网络的支持物理运动模型的数据驱动方法的表现，结果表明，相比于动力学模型，更简单的低阶积分器模型更具优势，并且更高阶的数值求解器可以显著提高预测准确性。

Apr, 2023

提出了一种新框架 DiffGen，通过集成可微分物理模拟、可微分渲染和视觉 - 语言模型，实现自动和高效的机器人演示生成，通过最小化语言指令的嵌入与模拟观察结果的嵌入之间的距离来完成指定任务，验证实验表明，DiffGen 可以有效地生成机器人数据，并且减少了人力和训练时间的投入。

May, 2024

本文介绍一种可用于多体机器人动力学的混合模型，采用计算图架构将牛顿欧拉方程体现出来，实现动态几何转化为有效的计算结构，结合灰盒架构进行系统参数辨识。同时，将动力学参数和运动学参数进行联合建模，与黑盒组件相结合取得了较好效果。

Oct, 2020