通过引入半主动机制在可拉曲控制的连续机械臂中扩展工作空间，利用实时的迟滞补偿控制算法来显著减少关节空间内的迟滞并在盒子指向任务中减少约 26% 的迟滞。

Jun, 2024

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

通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计，从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后，成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。

Sep, 2018

本文提出了一种基于卷积神经网络的方法，针对软臂在结构化环境下实现视觉伺服平稳可靠的 3D 定位，通过神经网络对所需的位置控制器进行预测并使用比例控制法减少误差。

Feb, 2022

通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

Jun, 2024

本文提出了一种新的方法 InFuser 来训练连续时间策略，通过积分和融合多传感器观察数据来推断出连续时间动作，以期获得更好的视觉 - 运动控制。行为克隆实验表明，InFuser 在动态任务中（例如将球挥入杯中）学习到了稳健的策略，并且在观察数据不均匀的情况下优于一些基线。

Mar, 2022

通过 Dynamics-Guided Diffusion Model 生成操纵性机器人的几何设计，利用目标交互配置来指导设计优化过程以及加强数据驱动方法在机器人结构设计中的应用。

Feb, 2024

本文提出了一种新颖的局部一致可变卷积，利用感受野变化并强制执行局部连贯性约束以有效捕获运动信息，其中时空组件是从特征空间而非像素空间学习的。最终结果表明，所提出的方法在两个动作细粒度数据集（Salads50 和 GTEA）上均显著优于原有的长期时间建模方法，分别取得了 80.22％和 75.39％的 F1 分数。

Nov, 2018

本研究旨在探讨手术视频应用性能和延迟之间的平衡，并基于 MS-TCN ++ 算法设计更好的网络模型，以便更好地识别手术姿势。实验结果表明，在限制每个时间卷积中可访问的未来帧方面具有灵活性的网络设计比 Naive 方法更有效。

Sep, 2022

我们介绍了一种用于在混乱环境中实现可靠电缆抓取的 CG-CNN 模型，该网络利用物理仿真生成了模拟电缆抓取的广泛数据集，通过利用近似凸分解技术解剖非凸电缆模型，并基于模拟抓取尝试自动标记抓取质量。通过对这个仿真数据集进行训练和领域随机化技术的改善，我们的模型可以预测抓取质量并指导机器人控制器执行最优的抓取姿势，该模型的抓取效果在合成和真实环境下得到了评估，成功率分别为 92.3% 和 88.4%，优于目前的技术水平。

Feb, 2024