本文提出了一个在未知环境中自主交互大型铰接物体的两阶段架构，第一阶段是以物体为中心的规划器，第二阶段是以智能代理为中心的规划器，并且在移动障碍物的情况下，通过优化控制问题确保安全跟踪所生成的计划。

Mar, 2021

构建了一个端到端系统，使得一种移动机械手（Stretch RE2）能够在多样化的前所未见的真实环境中打开橱柜和抽屉，并通过四天的测试，在未见过的环境中成功率达到 61％，并分析了感知误差是主要挑战。

Feb, 2024

该研究介绍了我们的 UniTeam 代理 —— 一个改进的基线模型，用于处理在陌生环境中的导航问题、新物体的操作问题以及开放词汇的物体识别问题。通过评估基线代理的性能，并改善感知、导航和操作技能，实现了在感知方面的缺陷最小化、导航方面的无限循环问题解决、取物方面的因物体能见度变化导致的失败问题解决以及放置方面的准确定位以成功放置物体。

Dec, 2023

通过将基于梯度的软体物理模拟器的规划器提炼成基于注意力机制的神经网络，我们的多机器人操作系统在适应环境变化、处理任务时表现更好，并且可以应用于训练中未见过的配置。

Nov, 2022

HomeRobot 是一种经济实惠的柔性机器人，可在家中导航和操作各种物品以完成日常任务，Open-Vocabulary Mobile Manipulation 是其面临的挑战，该文介绍了一个基于模拟的基准测试，使用强化学习和启发式模型等基线，并探讨了改进性能的方法。

Jun, 2023

该论文介绍了一种通过捕捉物体的深度图像来获取其运动学模型的方法，以便于机器人能够独立使用这些物体，这种方法不需要先前的物体模型，并使用了稀疏（无标记）特征跟踪、运动分割、组件姿态估计和运动学习等技术。

Feb, 2015

本文介绍了一种将移动机器人操作任务的规划问题转化为学习问题的方法，并提出了一种基于 ArtObjSim 模拟器的快速和灵活的 SeqIK+$ heta_0$ 运动规划表示方法和相应的学习模型，该方法在测试时可以快速准确地预测关节式对象的运动计划。

Mar, 2023

通过使用预训练的视觉 - 语言模型，开发了一种简单的方法 Manipulation of Open-World Objects (MOO) 来从自然语言命令和图像中提取目标标识信息，并将机器人策略基于当前图像、指令和提取的对象信息。在一个真实的移动机械臂上进行了多种实验，发现 MOO 可以零样本推广到广泛的新对象类别和环境中。

Mar, 2023

该研究针对机器人在重复环境中的可操作性，提出一种基于物理模拟器的动态规划算法，结合多智能体路径规划的思想，用于实现机械臂动作计划与可移动物体状态变化之间的交互式自主调整。

Mar, 2023

通过主动感知管道，我们在移动机器人中引入一种能够在未知、杂乱环境中进行抓取等操作的机器人运动生成方法，通过最大化视觉信息增益和任务目标达成的效率来权衡重构未知场景，以及实现了我们的移动抓取策略在真实世界中的传递。

Sep, 2023