通过快速电机适应实现手中物体的旋转
本文提出了一个简单的、无模型的框架，可以学习如何重新定向物体，展示了超过 2000 种几何不同的物体在不同情况下的重新排列能力，并证明了此策略能够在真实世界中可行的证据。
Nov, 2021
该论文介绍了一个基于强化学习的通用物体重新定位控制器，使用廉价深度相机内置单个传感器可以动态地实时重新定位复杂物体，具有在真实世界中重现的能力，且硬件成本低廉，可以使未来的技术民主化。
Nov, 2022
我们介绍了 RotateIt，这是一个通过利用多模式感知输入实现多轴指尖物体旋转的系统。系统在模拟环境中训练，可以访问物体的真实形状和物理属性，然后通过模拟的视觉触觉和本体觉感知输入进行操作。通过触视觉变压器将多模态输入融合，实现了部署过程中对物体形状和物理属性进行在线推断，显示出较之前方法的显著性能改进以及视觉和触觉感知的重要性。
Sep, 2023
该研究论文介绍了一种使用密集二进制力传感器获取触觉信息的设计，使得多指机器人手能够进行离线物体旋转，无需依赖于视觉信息，通过强化学习的方法进行培训，能够扩展到实际场景中，并对触觉信息对于手部操纵的帮助进行了广泛的实验。
Mar, 2023
利用丰富的触觉反馈信息，通过模拟训练和零样本策略转移的方法，实现了在手物体多轴重力无关的旋转，并且证明了信息丰富的触觉感知对于手持操作的重要性。
May, 2024
通过强化学习，我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法，并且证明该算法可以成功地应用在实物机器人中，为机器人控制领域提供了新的解决方案。
Aug, 2018
本文介绍了一种基于物体为中心示范实现的，用于训练软机械手进行熟练操作的方法，该方法使用增强学习技术，提出了一种新的算法，允许我们混合和选择最可行的示范来学习在硬件上模仿。最后，我们将这种方法应用于 RBO Hand 2 上，并获得了开 / 关阀门，滑珠和抓取等任务的良好表现。
Mar, 2016
本研究提出了使用大规模演示学习熟练操作多指手来处理机器人学中最具挑战性的问题。 主要采用人类抓握可行性模型生成 3D 物体演示，以实现策略的泛化。同时，本研究使用了新颖的模仿学习目标，以及几何表示学习目标，通过在仿真系统中重新定位多样的对象以证明本方法的有效性。
Apr, 2022
本文介绍了一种在线规划深度动力学模型的方法，通过这种方法，使用少量真实世界的数据即可进行柔性接触的灵巧操作技能的有效学习，并成功应用于 24 个自由度类人手上。
Sep, 2019