该研究提出了一种基于边界表示 (BREPs) 的装配建模方法，使用 SB-GCN 进行表征学习，以预测 CAD 类型的 mates 关系，并显示该模型与商业 CAD 系统的兼容性。

May, 2021

该研究介绍了一种名为 JoinABLe 的基于学习的装配方法，使用 CAD 文件中的弱监督信息（无需对象类标签或人工指导）组装零件，并通过对实体模型的图形表示进行网络预测，精度（79.53％）接近于人类表现（80％）， 并发布了 Fusion 360 Gallery 装配数据集来支持未来的研究。

Nov, 2021

该论文介绍了一种通过捕捉物体的深度图像来获取其运动学模型的方法，以便于机器人能够独立使用这些物体，这种方法不需要先前的物体模型，并使用了稀疏（无标记）特征跟踪、运动分割、组件姿态估计和运动学习等技术。

Feb, 2015

该论文提出了一种基于动态图卷积神经网络的自主部件组装方法，主要解决了几何和关系推理的部件姿态估计子问题，从而将输入部件组装成一个 3D 形状。

Jun, 2020

该文章提出了一种用单张图片指导的三维部件自动组装的方法，该方法采用包括二维三维对应和面向组装的图传递等技术解决难题并证明了其高效性。

Mar, 2020

以制造业的最新趋势为背景，研究了自主机器人装配的问题。提出一种利用几何运动规划作为先验知识来引导强化学习的方法，以实现高精度的装配任务。同时，还提出了一种能够学习运动规划并将控制器推广到物体位置变化的神经网络架构。

Mar, 2018

利用神经网络的数学模型和机械系统的物理规律来模拟物体运动的曲线轨迹，并在数值模拟中满足所观测到的所有规律，从而在实验数据上成功地再现简正运动和混沌运动。

Feb, 2022

通过从多个视角观察未被注释的关节的外表和结构学习，实现姿势控制和连通性的自动识别，使渲染出的物体更真实。

Dec, 2021

本文研究的是将由人设计师创建的基于图像的逐步组装手册翻译成为机器可解释指令的问题，采用一种基于学习的框架，即 MEPNet，该框架通过对逐步手册图像序列的重建来重建组合步骤，通过神经网络的 2D 关键点检测模块和 2D-3D 投影算法来预测 3D 姿态。

Jul, 2022

一篇关于图像引导物体组装的研究论文介绍了一项新任务：将结构 3D 模型的多视角图像（例如，从 3D 对象库中选择的积木构建而成的模型）翻译成可由机器人臂执行的详细组装指令序列。该论文提出了一种名为神经组装者的端到端模型，通过学习图形对象图来识别图像中的组件，并通过边指定 3D 模型的拓扑结构，从而得出组装计划，并进行了全面的实证评估，证明了神经组装者的优越性。

Apr, 2024