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

通过学习过渡模型，我们可以使用它来驱动摊销政策的学习。因此，我们重访了政策优化并描述了一个模块化神经网络架构，该架构从预测错误中同时学习了系统动力学和生成适当连续控制命令的随机策略，并通过与线性二次调节器的基线进行比较来评估模型。

Sep, 2022

基于循环神经网络的数据驱动方法用于控制弹性连续操纵器，以解决由于绳索效应产生的滑脱、伸长和耦合等不可线性问题，并通过定制的标志物收集物理关节配置数据集来实现最佳控制算法，从而降低位置和方向误差。

Feb, 2024

本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019

通过学习隐式方程并使用神经网络和梯度优化技术，该论文介绍了一种新技术，可以在物理仿真中准确模拟人类关节的极限运动范围，以便实现更真实的人机交互和优化问题的求解。

Sep, 2017

利用 Huber 损失函数的神经网络来准确估计复杂非线性系统的参数，该方法通过训练神经网络使用带有噪声的时间序列数据，使其逐步收敛到准确的参数，并在阻尼振荡器、Van der Pol 振荡器、Lotka-Volterra 系统和 Lorenz 系统中验证了其准确性和鲁棒性。该方法展示了在非线性系统中发现复杂关系的多功能工具，并能够灵活应对噪声和不确定性。

Aug, 2023

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

Sep, 2023

探讨了使用深度学习方法准确模拟肌腱致动连续机器人的机械滞后行为的能力，通过比较三种神经网络建模方法的正向和逆向运动映射（前馈神经网络（FNN），带有历史输入缓冲区的 FNN 和长短期记忆（LSTM）网络），研究了两种类型的肌腱致动连续机器人的滞后响应，并确定哪种模型更能准确捕捉时间依赖行为。发现根据机器人的设计，不同的运动学输入可以改变系统是否表现出滞后现象，同时揭示了模型拟合的结果，与标准 FNN 相比，带有历史输入缓冲区的 FNN 和 LSTM 模型表现出类似的性能，可以准确建模历史相关性和速率依赖滞后。

Apr, 2024

本文提出了一种可实践的学习框架，能够输出统一的神经网络控制器，具有显著提高任务复杂性和多样性的能力，并使用可微物理学实现训练。实验结果表明，在可微弹簧和材料点方法的模拟、复杂的步态任务和多个机器人设计方案上，我们的学习框架优于强化学习，能够更快地收敛，并且用户可以使用我们系统中训练的统一的神经网络控制器交互式控制软体机器人的运动并在多个目标之间切换。

Jun, 2022

利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

Sep, 2021