本文提出了一种新颖的基于物体中心、类别级别表示和无模型 6 自由度运动跟踪的类别级别操作框架，它可以从一个演示视频中学习类别级别任务轨迹，并通过运动跟踪执行一个闭环控制方法，完整实现了在工业任务中的推广应用。

Jan, 2022

提出一种新的重建方法，可以学习任何物品的动画运动学链，不需要事先了解物品的形状或基础结构，能够实现直接姿势操纵，并在各种复杂的关节对象类型上获得与最先进的三维表面重建方法相当的表现。

Apr, 2023

本文中，我们探讨了可推广的感知行动机器人操纵，解决了一类物体操作的自动化，实现了接触丰富的操作任务，提出了一种基于关键点的物体表示方法，并扩展为闭环操作策略。我们提出了一种新颖的以物体为中心的动作表示方法，它可以完成需要精度和灵巧性的接触丰富操纵任务。

Feb, 2021

本文提出了一种新颖的类别级别的机器人操作方法，使用基于语义三维关键点的物体表示方法，并使用该表示法将操纵策略分解为实例分割、三维关键点检测、基于优化的机器人动作规划和本地密集几何学操作执行，从而提高了操纵泛化能力和鲁棒性。

Mar, 2019

基于物理约束的手 - 物体重构模型，利用合成数据集 ObMan 进行模型训练和验证，达到手 - 物交互场景下的稳定手部姿势和可行物体形状重构。

Apr, 2019

通过使用单目交互视频，我们提出了 HOLD，它是第一个无需 3D 手物体注释就能从中复原出联合的手和物体的方法，通过使用一个组合的隐式模型，能够从 2D 图像中复原出解缠细分的 3D 手和物体，并进一步结合手物体约束来改善复原质量，在实验室和入迷环境中优于全监督基线方法。

Nov, 2023

通过将物体运动作为条件，我们提出了一种能够从物体运动中生成全身操作行为的条件扩散框架（OMOMO），该框架学习两个独立的去噪过程，首先从物体运动中预测手的位置，然后基于预测的手位置合成全身姿势，从而显式地强制执行接触约束，从而产生更加真实可信的操作动作。

Sep, 2023

本文介绍了一种利用强化学习方法进行非图像化的六自由度物体操作的方法，即 Hybrid Actor-Critic Maps for Manipulation (HACMan)，其提出了非捏持操作的物体分析和空间关联动作建模，采用离散 - 连续的动作表示法，可以帮助机器人实现对未知物体的高效操作。

May, 2023

本文介绍了一种使用深度图像实现类别级姿态估计的新方法，该方法基于 Articulation-aware Normalized Coordinate Space Hierarchy（ANCSH）构建了一种针对不同类别中的关节控制物体各个部分的规范表示，并提出了基于 PointNet ++ 的深度网络来预测 ANCSH。实验结果表明，该模型能够实现更好的物体姿态估计和关节参数估计。

Dec, 2019

本研究提出了一种全新的手部模型（MANO），并使用 MANO 模型，结合标准化的人体三维模型（SMPL）构建了一个全身可动态捕捉的模型（SMPL+H），实现了复杂的人体动作捕捉并保持高度真实性。

Jan, 2022