使用远程控制平台测试了自主织物操纵算法在物理机器人上的性能，并研发了一套新的以模仿学习与分析法为基础的算法，在折叠 T 恤任务上达到了人类的 84％表现。

Apr, 2022

该研究探讨了 UniFolding 的开发，它是一个高效、可扩展、具有广泛适用性的机器人系统，用于展开和折叠各种衣物。UniFolding 利用提出的 UFONet 神经网络将展开和折叠决策整合到一个单一的策略模型中，该模型适用于不同类型和状态的服装。

Nov, 2023

提出了一种基于空间 - 时间注意机制的多步布料操纵规划框架 Foldformer，能够在没有目标观察的情况下完成相似任务，在四个典型的多步操作任务中大幅优于现有技术，而且可以在不需要额外培训或域随机化的情况下从模拟转移到实际应用中。

Jan, 2023

本研究提出了一种使用离线模拟器进行优化的新方案，旨在解决机器人对可变形物体进行自主折叠时遇到的问题。经实验证明，该方案有效地优化了折叠轨迹，使机械臂可以精准、高效地折叠可变形物体。

Dec, 2015

使用双臂机器人和 FlingBot 自我监督学习框架，本文研究高速动态动作在布料展开中的应用，实现了从多种初始状态下展开布料的自动化和精确控制。

May, 2021

本文提出了一种新颖的双向分形交叉融合神经网络（BiFCNet）用于语义分割，使得机器人能够识别出可抓取的区域以提供更多抓取可能性，同时还提出了一种基于对抗方法的数据增强方法，最后基于衣服平整度量的分割区域抓取点选择策略。在公共数据集 NYUDv2 上评估这种方法，取得与目前最先进模型相当的表现，并且通过对机械臂的抓取和展开实验进行了验证，获得了 84% 的成功率。

May, 2023

本篇论文提出使用合成数据学习衣物折叠中的关键点检测器，旨在解决传统方法大量标注数据成本高的问题，经实验结果表明，learned keypoint detectors 取得了良好的效果，对未来研究方向起到指导意义。

May, 2022

该研究使用视觉预测框架来学习能在不同任务中重复使用的织物动力学，使用这种方法可以在织物平整和折叠任务中提高效率，并在物理上完成连续织物折叠任务。

Feb, 2021

通过自我监督学习，在特定类别中学习衣物的拓扑密集（点级）视觉对应，以指导各种下游任务的操作策略，而只需进行一次或少量示范。

May, 2024

通过合成数据进行训练，为几乎铺平的服装物品设计关键点检测器，从而推动合成数据在衣物操作中的使用，并为机器人折叠等任务提供支持。

Jan, 2024