ArtiGrasp 使用强化学习和物理模拟来训练一个控制全局和局部手姿势的策略，以实现包括抓取和关节运动的双手 - 物体交互，并通过逐渐增加的难度的学习课程实现精确的手指控制。

Sep, 2023

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

本研究旨在解决机器人技术中的熟练操作难题，特别关注于 TriFinger 系统，提出了基于结构化策略的测试基准，包括了经典机器人学和现代策略优化元素，该基准通过仿真和实际系统验证了基线结果，并对核心特点进行了系统的分析。

May, 2021

本文通过深度强化学习模型，针对转移到真实场景中遇到的困难，提出了学习可以在人形机器人手上进行灵巧操作的策略和一个稳健的姿态估计器。通过在仿真环境中训练的策略，实现了在不同环境下的适应性，并得出了比最佳视觉策略更好的结果，同时在多种硬件和仿真设置中进行了模拟实现，为后续研究提供了方便、低成本的机器人手和摄像机。

Oct, 2022

在这篇论文中，我们介绍了 RealDex—— 一个捕捉了真实灵巧手部抓握动作的先驱数据集，其中融入了人类行为模式，丰富了多视角和多模态的视觉数据。使用远程操作系统，我们实时无缝地同步人 - 机器手的姿态。这个类似人类运动的集合对于训练灵巧手更自然、更准确地模仿人类动作至关重要。RealDex 在推动人形机器人在现实世界场景中的自动感知、认知和操作方面具有巨大潜力。此外，我们介绍了一种先进的灵巧抓握动作生成框架，通过有效利用多模态的大型语言模型与人类经验相吻合，增强了其在现实世界的应用能力。大量实验证明了我们的方法在 RealDex 和其他公开数据集上的出色性能。完整的数据集和代码将在本文发表后提供。

Feb, 2024

提出了双手灵巧操纵仿真器 Bi-DexHands，可用于机器人学习多种操纵技巧，其中单一代理策略 PPO 可达到人类 48 个月婴儿的操作水平，而多代理策略可进一步帮助掌握需要灵巧双手协作的操作任务，但现有 RL 算法在多任务和少样本学习设置下仍需要更深入的研究。

Jun, 2022

本文介绍了一个大规模机器人灵巧抓取数据集 DexGraspNet，由于我们提出的高效合成方法生成，可以普遍应用于任何灵巧的机械手。结果显示我们的数据集比以前的具有更多物体和抓取、更高的多样性和质量，并通过多个算法在本数据集上进行的训练，大幅提高了机器人灵巧抓取的准确性。

Oct, 2022

提出了一种基于多型机械手的手无偏见抓取算法 GenDexGrasp，该算法利用接触映射作为机械手无偏见中间表示，采用力闭合优化综合生成了大规模的多手抓取数据集 MultiDex。与先前的方法相比，GenDexGrasp 在成功率、推断速度和多样性之间实现了三重平衡。

Oct, 2022

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