本文提出了一种新型遥控系统，包含了触觉设备以及虚拟现实界面，应用于动态和非结构化环境下的空中机器人操作。利用多个传感器进行感知、姿态估计以及神经网络的主动学习等算法，针对工业领域的任务进行了验证实验，并展示了该系统在未来工业应用中的可行性。

Oct, 2022

我们研究了一种空中操纵系统，即装备有可控制自由度的无人机 (UAV) 和机械臂来进行飞行实施任务，该解决方案基于采用 Q 学习方法来控制机械臂末端即末端执行器的轨迹，并采用基于时间碰撞 (TTC) 的运动规划模型，在确保机械臂可达性的同时，使四旋翼无人机绕过障碍物。

Aug, 2023

为了极大增强机器人智能，我们提出了一个全面的框架来开发通用机器人操作的基础模型，并通过形式化操作任务为接触综合来实现。我们的模型以物体和机器人的点云、物体的物理属性、目标运动和操作区域掩码作为输入，并输出物体上的接触点以及机器人实现所需的接触力或接触后的运动。在仿真和实际世界环境中进行了广泛实验，操作的对象包括关节刚体、刚体和可变形物体，其维度范围从一维物体如绳索到二维物体如布料以及三维物体如软陶。我们的模型达到了约 90% 的平均成功率。

May, 2024

本文提出了一种新型的遥操作系统，其结合了触觉设备和虚拟现实，为遥操作者提供 3D 视觉反馈，通过利用机载视觉和惯性传感器、对象跟踪算法和对象数据库实现。通过室内和室外实验，我们证明了提出的系统在实现高级空中操作任务方面的优势，包括抓取、放置、施力和插销孔插入。

Mar, 2020

利用隐式局部表面表示模型，将掌握经验或示范迁移到与机器人之前遇到的对象形状类似的新对象，评估结果表明，该方法可以成功地将掌握迁移到未见过的对象类别，并提供更好的空间精度和掌握准确性。

Aug, 2023

通过一种端到端的神经网络，将深度记录的场景直接转化为 6 个自由度平行夹具抓取的分布，其独特的抓取表示法将点云的 3D 点作为潜在的抓取接触点，并将 6 个自由度的抓取姿态与宽度根据观察到的点云减少到 4 个自由度，成功率可达 90% 以上。

Mar, 2021

本文探讨机器人是否能够学习把任意物品悬挂在各种支撑物上，并 提 出了一个系统，该系统采用部分点云图像作为输入并学习如何稳定地悬挂物品，使用深度强化学习算法来进行预测和细化，同时训练神经网络用于检测碰撞，并提供了相应的数据集。

Mar, 2021

本文介绍了一种利用强化学习方法进行非图像化的六自由度物体操作的方法，即 Hybrid Actor-Critic Maps for Manipulation (HACMan)，其提出了非捏持操作的物体分析和空间关联动作建模，采用离散 - 连续的动作表示法，可以帮助机器人实现对未知物体的高效操作。

May, 2023

本篇研究通过介绍一种新的中间变量来提高三维抓取合成的效率，以解决现有方法想要直接从物体映射到抓取姿势的非光滑和低效问题，并提出了一种基于接触区域的因子图形式来描述抓取姿态生成过程，并通过实验验证了优化方法的有效性。

Oct, 2022

我们介绍了一种基于机器人和任务空间的点云表示的机器人抓取的新型轨迹优化方法。使用点云表示，通过点匹配可以实现抓取的目标到达，而通过查询场景点的有符号距离场中的机器人点的有符号距离值可以有效地实现避碰。因此，我们提出了一个约束非线性优化问题来解决联合运动和抓取规划问题。我们的方法的优势在于点云表示可用于任何环境中的任何机器人。我们通过在台面场景和货架场景上进行使用 Fetch 移动式机械手和 Franka Panda 机械臂的抓取实验来证明我们方法的有效性。

Mar, 2024