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

本研究展示了无模型深度强化学习可有效扩展到高维复杂操作任务，并通过少量人工演示显著降低样本复杂度，从而使学习具有与机器人体验几个小时相当的样本量，展示出非常自然的动作并且更加稳健。

Sep, 2017

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

本文提出使用深度强化学习作为一种可扩展的解决方案，来掌握带有多指手的接触丰富行为，并展示使用模型自由的深度强化学习算法在现实世界中可以学习各种复杂的行为，同时可以通过少量的人类演示来加速学习。

Oct, 2018

本研究提出了一种基于强化学习的机器人学习系统，通过无需人工干预的自主学习，在真实世界环境下实现智能机器人的不断优化和提高。以灵巧操作为案例研究，探究了在无工具化监控和无手工奖励函数的情况下学习的挑战，并提出了简单、可扩展的解决方案，通过多次灵巧操作任务实验验证了该系统的高效性和优越性。

Apr, 2020

提出了一种新的基于模仿学习的框架（DIME），借助单个RGB相机观察人类运营，并在多指控制策略上进行了培训，以解决机械手复杂操纵任务的挑战。

Mar, 2022

基于强化学习的连续灵巧系统，通过链式连接多个灵巧策略来实现长期目标，克服了任务空间维度高和复杂的动力学组合的挑战，并且能够在现实世界中应用于装备有灵巧手的机器人。

Sep, 2023

本研究针对强化学习（RL）算法在真实环境中训练的挑战，探索了在可控且现实的设置中进行灵巧操作的直接训练。通过基准测试三种RL算法在复杂手持操作任务中的效果，结果展示了RL训练在实际应用中的实用性及相关挑战，为机器人领域的研究者和从业者提供了宝贵的经验和启示。

Aug, 2024

本研究针对现有机器人手控制政策局限，提出了一种通用的抓握策略，实现对不同灵巧机器手的有效控制。通过模拟人手的控制方式，我们提出了一种基于人手特征抓握的统一动作空间，实验结果显示该方法在不同体现上实现了80%的成功率并具有良好的零-shot 泛化能力。

Oct, 2024

本研究针对传统强化学习在真实环境中实现复杂机器人操控技能的困难，提出了一种基于人机协作的视觉强化学习系统，展示了其在多个灵巧操控任务上的优异表现。通过整合示范、人工修正与高效的强化学习算法，该方法在1到2.5小时的训练内实现了近乎完美的成功率和快速的循环时间，显著超越了过去的模仿学习和强化学习方法。

Oct, 2024