通过开发新颖的神经网络 DefGoalNet，我们解决了依赖于目标形状规范的问题，该网络可以直接从少量人类演示中学习可变形物体的目标形状，并在各种机器人任务中证明了方法的有效性，甚至在手术复位任务中，即使只使用 10 个演示，我们的方法也能够达到近 90% 的成功率，这些结果大大推动了形状伺服方法接近实际的实际应用。

Sep, 2023

本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

Apr, 2018

通过使用点云作为状态表示并利用预训练的点云重建 Transformer 学习潜在动力学模型，我们提出了一种系统来解决可变形物体操纵中的挑战，进而应用于机器人雕塑任务。我们设计了一种新颖的动作采样算法，通过推理点云之间的几何差异进一步提高了基于模型的规划器的效率。所有的数据和实验都在真实世界中进行。我们的实验证明，所提出的系统能够成功地捕捉到黏土的动力学，并能够创建各种简单的形状。

Sep, 2023

通过分析多个学习型三维模型来塑造可变形直线物体（DLO）的行为，本文提出了一种基于 Transformer 架构的新模型，并引入了数据增强技术以提高预测性能。在实验证明了这些学习型三维模型在塑造 DLO 任务中的适用性。

Sep, 2023

本文提出了 DexDeform，这是一种从人类示范中抽象出熟练操作技能并通过可微分物理学进行改进的原则性框架，该框架旨在学习多指手指对可变形物体的熟练操作，并通过新颖的探索策略以及基于想象的行动计划来提高操作的成功率。

Mar, 2023

本文介绍了一种将目标限制引入运输网络中的方法，利用该方法结合具有多阶段柔性物体操作任务而设计的一套模拟基准，成功实现了机器人对柔性物体的多样姿态操作。

Dec, 2020

本文提出一种基于无监督学习的密集物体描述学习方法：Dense Object Nets，可用于视觉理解和操作，适用于针对刚性和非刚性物体的各种操作任务，并能够为多个物体类别提供通用描述。

Jun, 2018

通过从部分观测中重建和完成其全面几何结构，并利用七自由度的拟人化机器人手进行操作，我们的方法显著提高了只有部分重建的基线的抓取成功率近 30％，并以三个不同的对象类别多次实现了超过 150 次成功抓取，这表明我们的方法在真实世界的不同方向和位置基于完成的对象形状进行预测和执行抓取姿势的一贯能力，为增强需要实际重建对象的精确抓取和操作技能的机器人应用开辟了新的可能性。

Nov, 2023

采用最先进的深度强化学习算法，通过领域随机化，在仿真环境中训练代理程序以解决可变形物体操作问题，并成功将其部署在实际工作中。

Jun, 2018

我们提出了 3Deformer，这是一个用于交互式三维形状编辑的通用框架。通过利用语义图像对源网格进行形状引导，同时尽可能保持源拓扑结构的刚性，3Deformer 能够精确编辑源网格。我们的方法不需要高成本的三维训练数据集，只需利用易得的语义图像作为监督，并且可以在各种不受数据集限制的对象上进行编辑。通过引入分层优化架构和各种策略和损失函数，我们克服了使用简单的二维图像对复杂三维形状进行引导所带来的挑战，从而提高了准确性、平滑度和刚性。大量实验证明，我们的 3Deformer 能够产生令人印象深刻的结果，并达到了最先进水平。

Jul, 2023