本文提出了一种新的弹性末端执行器，利用强化学习的框架来滚动各种水合水平的面团，并通过建立末端执行器和面团之间的转移模型使机器人能够正确地操作面团，实验结果表明，相比启发式方法，该方案可以将面团滚出特定长度，且操作次数减少了 60％，同时还表明利用弹性末端执行器估计刚度可以用于有效初始化模型，提高机器人性能约 40％。

Jul, 2021

机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

Feb, 2024

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

通过使用点云作为状态表示并利用预训练的点云重建 Transformer 学习潜在动力学模型，我们提出了一种系统来解决可变形物体操纵中的挑战，进而应用于机器人雕塑任务。我们设计了一种新颖的动作采样算法，通过推理点云之间的几何差异进一步提高了基于模型的规划器的效率。所有的数据和实验都在真实世界中进行。我们的实验证明，所提出的系统能够成功地捕捉到黏土的动力学，并能够创建各种简单的形状。

Sep, 2023

利用视触知觉感知和深度学习的方法来进行机器人操作，其中结合了视触反馈，通过学习神经网络模型进行物体状态估计和未来状态预测。通过使用真实世界的数据进行训练，该模型可以在在线适应中进行触觉信息驱动的预测，具有较强的有效性。

Jul, 2024

本研究提出了一种新的学习框架，使用对比估计来同时优化可视化表达模型和动态模型，在随机扰动变形对象并收集了模拟数据后，离线学习这些对象的潜在动态模型，随后使用简单的模型规划来解决具有挑战性的变形对象操纵任务，实验结果表明其性能优于传统模型学习技术，并通过域随机化将其可视化操纵策略从模拟数据成功地迁移到现实中的 PR2 机器人中。

Mar, 2020

该研究提出了一种用于模拟动态图的概率框架，包括对边模型的参数化和非参数模型的建模，以及如何估算物体运动的结构和运动学模型以及其在机器人操作和移动操作中的应用。

Jan, 2014

本研究提出一种采用动态分辨率粒子表示方法，利用图神经网络（GNNs）学习统一的动力学模型，在不同的抽象级别上动态学习和适应表示，以实现效率和效果的最佳平衡，经过模拟和实际场景的综合评估，我们证明了该方法在搜集、分类、重新分配各种实例制成的颗粒物体堆方面的性能明显优于现有的固定分辨率基线。

Jun, 2023

本文提出了一种基于粒子的学习模拟器来解决复杂控制问题，同时在模拟跨物质的复杂场景方面具有很好的表现，使得机器人能够完成复杂的操控任务，如操纵流体和可形变泡沫，利用在仿真及现实中的实验结果显示了该方法的可行性。

Oct, 2018

本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

Apr, 2018