隐式表示先验与黎曼几何相遇：贝叶斯机器人抓取
利用神经网络简化世界，构建机器人手臂三维位置的低维状态表示，我们在高维图像中使用先验知识的失真函数学习无监督，并通过加大图像尺寸、添加干扰项和域随机化等手段实现转移学习，检验新先验在表示的稳定性上的贡献。
Sep, 2017
该研究介绍了一种支持多个机器手抓取对象的神经隐式表示方法， 允许在不同机器手之间传递抓取技能，并可用于 6D 对象姿态估计以及机器人在真实世界中的抓取。
Jul, 2022
本文提出一种基于强化学习的框架，通过连续地控制一个类人机械手，学习各种几何不同的实际物体的交互抓取。该框架在物体几何的显式表示方面进行了探索，并且通过符号距离隐式地指导搜索，最终表现出在更具挑战性的条件下学习的能力。
Nov, 2022
本研究提出了一种基于非参数分布的单幅图像姿态估计方法，该方法使用神经网络隐式地表示任意姿态的概率分布，并考虑了不确定性和多重对称问题。该方法在处理三维姿态复杂分布时表现优异。
Jun, 2021
通过学习基于隐式表征的对象重建的最新进展，借鉴其思想，提出了一种高效且易于与深度神经网络集成的人体抓握模型表示，通过手、对象和接触区隐式表面的 3D to 2D 映射，生成高质量、物理合理的人体抓握姿态，实验结果表明，与现有方法相比，该方法取得了可比拟的性能。
Aug, 2020
利用深度隐式函数的多任务学习、共享表征，联合学习抓握可行性和三维重建任务，在清理杂物方面实现了优于基线方法 10% 的抓握成功率。
Apr, 2021
该研究提出了一种使用 Riemannian 流形理论的方法，以在机器人学领域中处理非欧几里德参数空间的高维度问题，从而增强了贝叶斯优化的效果，测试结果表明该方法具有较好的性能。
Oct, 2019
探讨了利用几何约束来学习视角不变、几何感知表达，通过对 RGB-D 数据进行对比度学习，实现从 3D 先验信息到 2D 表达的迁移，并在语义分割、实例分割、室内物体检测中实现了显著提升。
Apr, 2021
本文提出一种基于神经场的方法，使用 2D LiDAR 数据在室内环境中估计机器人的姿态，并将其用于蒙特卡罗定位系统中的观测模型，实现了精确的本地化。实验表明，所提出的隐式表示能够预测更准确的 2D LiDAR 扫描，带来了粒子滤波定位的更好观测模型。
Oct, 2022