本文提出了一个深度学习框架来解决人形机器人步态中的腿部接触检测问题。该框架利用了本体感知，能够准确和稳健地估计每条腿的接触状态概率，并通过模拟得到的接触数据进行分类处理。该框架在模拟环境中通过对地面真实接触数据的使用进行了定量和定性评估，并对比了目前的先进方法。同时，它被证明在基本估计方面效果显著。

Jul, 2022

该论文研究了通过系统识别和一种新的残余物理学习方法——环境模仿，实现对Buoyancy Assisted Lightweight Legged Unit (BALLU) 机器人控制策略的鲁棒性模拟到实际环境的迁移，以及最终在硬件上成功地实现行走和转向策略。

Mar, 2023

本文介绍了一种使用肌肉感知技术来控制机器人打开物品的系统，并提出了一个关于是否应该在机器人操作中更多地使用肌肉感知技术的讨论。

May, 2023

通过学习动力学特征，采用嵌入式视觉技术的软多面体网络能够实现自适应的肌感知觉和粘弹性本体感知觉，结合简化设计、全向适应和高精度的本体感知，为机器人提供了低成本的万能解决方案。

Aug, 2023

在第四次工业革命中，机器人的部署是不可或缺的，但是机器人与人类的合作制造过程非常复杂，其中建模机器人关节的摩擦力矩一直存在问题。为了解决这个挑战，我们提出了一种基于残差学习的新方法，旨在利用尽可能少的数据将现有摩擦模型适应新的动力学。通过合理地结合两个网络的输出，我们的方法在预测摩擦力矩方面表现优于传统的基于模型的方法和基础神经网络。此外，我们的方法在涉及外部负载的轨迹上进行评估，仍然观察到显著的改进，相比传统方法，提高了约60-70％。我们的方法在训练时不依赖外部负载数据，消除了对外部扭矩传感器的需求，证明了我们的方法的泛化能力，即使只有少量数据-仅有43秒的机器人运动，也能根据对不同环境中摩擦的先前知识进行适应。

Oct, 2023

通过在四足机器人上评估，我们提出了一种混合解决方案，通过结合本体感知和外部感知信息，利用Kalman滤波、优化和基于学习的模态，对机器人躯干状态进行估计，从而实现准确的机器人状态估计，并减少传感器测量和模型简化带来的非线性误差。

Jan, 2024

该论文介绍了一种新颖的基于感觉自身位置的机器人状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。通过整合神经测量网络(NMN)和不变扩展卡尔曼滤波器，论文展示了该状态估计框架在各种地形中的性能改进。

Feb, 2024

准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的“黑盒子”方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

Mar, 2024

本研究解决了当前机器人在感知与运动之间缺乏有效学习与适应能力的问题。提出的广义多感官相关模型（GeMuCo）使机器人能够自主获取和更新身体模式，以实时适应环境并进行状态估计和异常检测。实验结果表明，该方法在工具使用和身体动作控制等方面具有显著的有效性和应用潜力。

Sep, 2024

本研究解决了机器人利用自身信息识别物体属性的不足之处，提出了一种新的方法，通过分析机器人对操控物体的反应，推断物体的惯性和软度。实验中，该方法在低成本的机器人平台上，仅需数秒计算，便能准确估计物体的质量和弹性模量，具有广泛的应用潜力。

Oct, 2024