基于学习的方法提出了一种紧凑但足够丰富的力学表示，通过 FEM 模型的压缩获得非线性可变性数据，在模型化中非常高效，并能够推导出机器人的正向和逆向运动学。

Jul, 2023

通过 Virtual Tools 游戏，建立了 Sample, Simulate, Update (SSUP) 模型，探究人类灵活解决物理问题的能力，揭示人类将一般物理知识转化为特定任务的行动计划的机制。

Jul, 2019

本研究提出了一种基于不同 iable simulator 的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建 MPC 控制器，实现对硬币的拉动并获得了低于 5％的仿真误差。

Feb, 2022

通过机器学习技术，训练视觉和物理多物互动理解的模型，并开发了一个基于样本的优化器来实现复杂的工具使用任务，实验表明目前此方法可以通过原始像素输入解决多种复杂的工具使用任务，能够感知和使用新的对象作为工具，同时根据需要灵活选择是否使用工具。

Apr, 2019

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

本文提出了一种启发于人类认知结构的新型机器人运动生成模型，其中包含了一个状态驱动的主动自上而下的视觉关注模块，该模块能够基于任务状态主动改变目标，并在机器人使用工具任务中对机器人的夹持器和工具进行感知，这类似于生物现象 - 工具身体同化。结果表明，该模型的视觉感知具有更好的灵活性。

Jun, 2022

本篇研究论文中提出一种基于高级技能效应模型的任务规划方法，从而使得机器人能够在现实场景中获取新技能并解决新任务，实现了灵活的技能参数化和任务规定，使得机器人能够实现终身学习。同时，实验表明，这种规划方法能够以更低的成本策略找到新的任务。

Sep, 2021

通过单次演示和自我学习，提出了一种机器学习的框架，使机器能够获得灵活的操作技能，将其称为 “机制”。这些学习到的机制和采样器可以无缝地整合到标准的任务和动作规划器中，实现它们的组合使用。

Nov, 2023

通过深度学习和强化学习相结合的方法，本文提出了一种学习策略来解决机器人的操纵任务，并展示了比先前方法更高的样本效率、对未见过任务的适应性以及在实际约束条件下复杂性设计和控制策略之间的权衡。

Nov, 2023

该研究提出了一种通过机器人操控和物体测量数据库自动提取物理物体属性（如材料组成、质量、体积和刚度）的框架。实验评估表明，与基线相比，该算法选择有效的探索动作，并在没有更多学习空间时正确终止实验。

Apr, 2024