本文提出了一种从 2D 视觉观察中学习动态 3D 场景模型的方法，结合神经放射场、时间对比学习和自动编码框架，可以学习到视点不变的 3D 感知场景表示，进而实现包括刚体和流体在内的具有挑战性的操作任务的视觉运动控制和未来预测，并支持摄影机视点外训练分布的目标规定，此外，还对不同系统设计进行了详细的改变研究和学习的表示的定性分析。

Jul, 2021

本文介绍了神经场在机器人应用中对 3D 几何和外观的连续场景表示，重点探讨了神经场在机器人领域中用于对象 6 自由度注册的方法和应用，展示了利用场景和对象神经场模型确定已知对象在场景中的 6 自由度姿态的情景，并展示了如何在不完美模型的场景中更好地表示对象，并通过将对象神经场模型替换到场景中生成新场景的方法。

Apr, 2024

通过神经网络学习隐式运动场，预测 3D 场景中新点的运动，以改善场景重建、运动跟踪和角色创建等应用。

Jun, 2024

核心能力是机器人操控对于在杂乱环境中进行物体的稳定放置的推理，6-DoFusion 是一个生成模型，能够生成给定场景的稳定配置的物体的 3D 姿势，并在不同的物体放置和堆叠任务上进行了评估。

Oct, 2023

使用神经潜力场的模型预测控制方法在移动机器人平台上提供局部运动规划，通过神经网络模型基于机器人姿态、障碍地图和机器人足迹返回可微的避碰成本。实验证明该方法与现有的局部规划方法相当，提供的轨迹平滑性较好，并与障碍物保持安全距离，而且在 Husky UGV 移动机器人上能够实现实时和安全的局部规划。

Oct, 2023

提出了神经描述器场（NDF），一种通过类别级别描述符编码物体和目标（例如机器人夹子或挂架）之间的点和相对姿态的物体表示。通过自我监督学习 3D 自编码任务来方便地训练 NDFs，并将其用于从少量示范中学习物体操作任务，具有跨越所有可能的 3D 物体翻转和旋转的性能。

Dec, 2021

本文提出了神经可变形场（NDF）来用于多视角视频中人体动态数字化。首先，采用拟合的参数化身体模型包围学习到的神经可变形场，并利用神经网络来映射动作到 NDF 的动态。实验表明，NDF 能够合成具有新视角和新姿势的数字表演者，具有详细和合理的动态外观，并且明显优于最近的人体合成方法。

Jul, 2022

本文介绍了一种使用自监督学习方法和动力学模型和距离函数相结合的视觉目标到达方法，可用于训练通用机器人执行多种任务，该方法不需要手动设计奖励函数，仅使用无标签数据进行学习，并表现出较高的性能。

Dec, 2020

一种基于密度场重建方法的准确稳健 3D 物体姿态估计系统，适用于小型具有挑战性反射表面的已知 3D 模型对象，并通过单个手腕摄像头驱动的机械臂，可以在几分钟内从零开始扫描场景、检测和估计多个对象的 6 自由度姿态。

Jan, 2024

通过深度学习神经辐射场以及可微分管道来实现物体动态学建模并进行碰撞检测，拥有优化机器人抓取和操纵等功能，从而实现更好的视觉和动力学准确性。

Oct, 2022