本研究提出了 GenH2R 框架，用于学习通用的基于视觉的人到机器人交接技能，通过大规模的模拟环境和模仿学习的方法，实现了超过现有模拟器数量三个数量级的 H2R 交接模拟环境和高质量演示，通过 4D 模仿学习方法在模拟器和实际中取得了至少 10％的成功率改进。

Jan, 2024

本研究提出了第一个适用于基于视觉的人机递送控制策略学习的框架，使用带动态仿真环境的两阶段教师 - 学生框架，该框架使用运动规划、抓握规划、强化学习和自我监督等方法，可以在模拟实验基准测试、模拟到模拟的转换和模拟到真实的转换中显著提高性能，同时该研究也为解决仿真人类问题提供了新的思路。

Mar, 2023

研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

Dec, 2021

提出了一个框架来生成运动学约束的类人双手机器人运动，以确保人与机器之间物体的顺畅和自然的交接。通过使用隐藏半马尔可夫模型（HSMM）根据观察到的人的动作生成适当的响应轨迹，通过任务空间约束调整轨迹以确保准确的递交。通过一项试点研究的结果表明，与基线逆运动学方法相比，我们的方法被认为更类似于人类。

Feb, 2024

我们提出了一种基于物理的方法来合成全身手物交互。通过通过一个层次化框架，并结合强化学习和物理仿真，我们首先在解耦环境中学习身体和手部运动的技能先验。然后，我们使用一个新颖的奖励函数训练一个高层策略，以在预训练的潜在空间中控制手物交互。我们的方法成功完成了从接近物体到抓取和后续操纵的完整交互任务，并展示出比基于运动学的基线方法更具物理合理性的动作。

Sep, 2023

本文介绍了一种基于学习算法的动态物体移交方法，通过与人类交互学习物体移交的潜在报酬，使机器人能够自然地适应人体运动的动态，并通过上下文策略搜索来建立问题模型。

Mar, 2016

我们提出了一种无需 3D 手物体交互数据的策略学习框架 GraspXL，通过统一多种运动目标、多样化的物体形状和灵巧的手形态，可以可靠地合成多样化的抓取运动，且能够在超过 500,000 个未知物体中的 82.2% 上成功。

Mar, 2024

设计了一个系统，其中包含两只附着在机器人手臂上的多指手，用于解决机器人在高速操作、精确协作和与不同对象进行交互时面临的挑战。通过在模拟中使用多智能体强化学习训练，并进行 Sim2Real 转移以在真实机器人上实施，提供了多个创新算法设计，包括学习物体的轨迹预测模型，帮助机器人准确估计物体的移动方向并做出相应反应。通过在真实环境中使用多个物体进行实验，相较于多个基准线表现出显著改进。项目页面可在 https://binghao-huang.github.io/dynamic_handover/ 访问。

Sep, 2023

通过将物体运动作为条件，我们提出了一种能够从物体运动中生成全身操作行为的条件扩散框架（OMOMO），该框架学习两个独立的去噪过程，首先从物体运动中预测手的位置，然后基于预测的手位置合成全身姿势，从而显式地强制执行接触约束，从而产生更加真实可信的操作动作。

Sep, 2023

我们提出了一种名为在线全身动作反应合成的新任务，该任务是基于人类行为者的动作生成机器人反应。我们构建了两个数据集，分别命名为 HHI 和 CoChair，并提出了一种统一的方法，通过构建社交能力表示，预测反应的未来情景，并验证了在现有人类互动数据集 Interhuman 和 Chi3D 上的有效性。

Dec, 2023