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
该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。
May, 2023
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 DoughNet，这是一个基于 Transformer 的架构，可以准确预测弹塑性物体中可能引发的拓扑变化，从而帮助计划弹塑性物体的相互作用和机器人操作。
Apr, 2024
通过从部分观测中重建和完成其全面几何结构，并利用七自由度的拟人化机器人手进行操作，我们的方法显著提高了只有部分重建的基线的抓取成功率近 30％，并以三个不同的对象类别多次实现了超过 150 次成功抓取，这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力，为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。
Nov, 2023
通过开发新颖的神经网络 DefGoalNet，我们解决了依赖于目标形状规范的问题，该网络可以直接从少量人类演示中学习可变形物体的目标形状，并在各种机器人任务中证明了方法的有效性，甚至在手术复位任务中，即使只使用 10 个演示，我们的方法也能够达到近 90% 的成功率，这些结果大大推动了形状伺服方法接近实际的实际应用。
本文提出了一种基于示教学习（LfD）的鲁棒学习策略，用于机器人抓取食品可变形物体，通过 RGB-D 图像和触觉数据的融合来实现有效的机器人操纵，验证并证明了该方法在脆弱和可变形食品物体领域具有广泛的潜在应用。
机器人共同设计是一个新兴的研究领域，尤其在软体机器人方面有巨大应用潜力，本文提出了一种基于增强学习的高维度算法来控制软体机器人的形态变化，同时引入了一个 RL 基准，展示了通过该算法使机器人在序列中多次改变形态的方法。
Jan, 2024
RoboCraft 通过使用基于粒子的表示法，结合模型规划框架、图神经网络和模型预测控制算法，可以在只有 RGBD 视觉观测数据的情况下，学习弹塑性物体的动力学模型，并用于控制机器人进行物体变形任务，实验结果表明 RoboCraft 的优异性能在一些任务上甚至好于未训练的人类.
May, 2022
本文研究软机器人的形状变形如何实现在平坦和倾斜表面上的运动，通过模拟、仿真和实物实验，我们探索了该机器人在不同环境中运动的表现和性能，并发现形状变形使机器人在模拟和实际环境中比不变形机器人更优秀。
Aug, 2020