该研究论文提出了一种名为 Rapid Motor Adaptation（RMA）的算法，用于解决四足机器人中的实时在线自适应问题。RMA 算法由基本策略和自适应模块两个组成部分组成，这两个部分的组合使机器人能够在几秒钟内适应新的情境，而无需使用任何领域知识。通过基于生物能源启发的奖励，我们在不同的地形上训练了 RMA 并在真实世界和模拟实验中展示了其卓越的性能。

Jul, 2021

本文讨论如何利用快速适应的方法来控制走路姿态，并提出了 A-RMA（Adapting RMA）算法，它不仅可以适用于完美的外部估计器，还可以用于不完美的情况。实验表明，A-RMA 在仿真实验和现实世界中的表现均优于多种基准控制器。

May, 2022

本文介绍了使用自适应控制器和动态调整策略训练的机器人手指智能旋转物体的方法，该方法只需要使用手指就可以对各种大小、形状和重量的物体进行旋转，具有很好的稳定性和自适应性，为机器人手部操作的研究提供了一个新思路。

Oct, 2022

利用注意力驱动的机器人操作算法（ARM），结合 Q-attention 代理、姿态代理和控制代理构成的三阶段流水线，能够成功解决目前强化学习在处理机器人操作任务时存在的困难，特别是针对图像输入的情况，对 RLBench 标准任务有显著的提高。

May, 2021

通过学习估计接合参数并处理噪点云，我们提出了一个用于关节式物体的稳健感知和操纵的框架，通过局部特征学习和点元组投票的方式，我们的主要贡献是一种稳健的关节网络（RoArtNet），有效地预测关节参数和可负担点，此外，我们引入了一种关节感知的分类方案来增强其模拟到真实场景的能力，最终，通过估计可负担点和关节约束，机器人可以生成稳健的动作来操纵关节式物体，实验证实我们的方法在噪声添加的模拟和真实环境中达到了最新水平的性能。

Mar, 2024

本文阐述了通过自动域随机化（ADR）算法和机器学习机器人平台的组合，可以使仅在模拟中训练的模型用于解决一个真实机器人的无前例复杂操纵问题，ADR 使得策略控制和视觉状态估计器的 sim2real 迁移显著改善，ADR 与客制化机器学习机器人平台的组合，使其可以使用一个人形机器人手来解决魔方方块的控制和状态估计问题。

Oct, 2019

在本研究中，我们介绍了一个全套解决方案，即开放世界移动操作系统，用于处理开放且无结构的环境中的真实关节对象操作，如真实世界中的门、柜子、抽屉和冰箱。我们还开发了一种低成本的移动操作硬件平台，能够在无结构环境中进行安全和自主的在线调整。

Jan, 2024

本文介绍了 RMBench，这是一个用于机器人操作的基准测试，使用深度学习和强化学习算法，通过使用目标性能指标来比较算法的性能表现，研究发现，软 Actor-Critic 的表现最好，且数据增强技术有助于学习策略。

Oct, 2022

Autonomous robotic systems capable of learning manipulation tasks can be transformed through Agent-Agnostic representations for Manipulation (Ag2Manip), which overcomes domain gaps, enhances generalizability, and achieves significant improvements in performance.

Apr, 2024

本研究提出了主动任务随机化（ATR）的方法，通过自动创建合理而新颖的任务，学习了一种适用于顺序操作的视觉运动技能，证明了这种方法比基线方法效果更好。

Nov, 2022