本文提出一个基于视觉和触觉的反应性策略来规划插叉运动的多模态表征方法，实现了对可变形食物的抓取，成功率为 71%。

Nov, 2022

网络切片通信系统通过动态和高效地分配资源来满足各种服务的需求。本文提出了一种由数字孪生和强化学习代理构成的框架来处理资源分配的问题，并验证了该框架的可扩展性，展示了数字孪生对切片优化策略性能的显著改进。

Nov, 2023

通过收集 2450 个不同特点食物项目的数据集，研究各类物品的拍卖成功率，开发了一种基于 Skewering-Position-Action network (SPANet) 的咬取框架，选择目标食物项和相应操作，最大程度地增加抓取成功概率，并使用环境特征预测行动成功率，进而成功地推广了饮食策略到许多以前未见过的食物项目。

Jun, 2019

本文提出了一种基于示教学习（LfD）的鲁棒学习策略，用于机器人抓取食品可变形物体，通过 RGB-D 图像和触觉数据的融合来实现有效的机器人操纵，验证并证明了该方法在脆弱和可变形食品物体领域具有广泛的潜在应用。

Sep, 2023

该研究探讨如何使用强化学习针对具有挑战的双臂机器人任务，通过模拟训练，实现直接传递未经过滤的观察信息到神经网络模型并保证仿真环境与实际情况一致。设计了一个基于磁力连接的联结任务，通过两个 xArm6 机器人，并在此基础上验证了该强化学习方法的可行性，对于成功拾取方块和连结任务的成功率分别达到了 100％和 65％。

Mar, 2022

网络切片技术通过高效利用和管理网络资源，使得工业物联网（IIoT）网络能够满足多种服务和不同资源需求的增长需求。本研究提出了利用图注意力网络构建网络切片的数字孪生环境，实现实时流量分析、监测和需求预测，同时将资源分配问题形式化为联邦多智能体强化学习问题，并采用深度确定性策略梯度来确定资源分配策略，以保护切片的隐私，实验结果表明所提出的方法能够提高网络切片的需求预测准确性并降低动态网络切片的通信开销。

Jun, 2024

本文介绍了一种基于连续接触模型和连续破坏模型的不可微分元素法（FEM）增强型的可微分材料切割仿真器 DiSECt，通过多个实验检验了该仿真器的性能并展示了优化切割参数以控制切割力的有效方法。

Mar, 2022

本文提出了基于切片的学习方法，通过划分关键数据子集和引入注意力机制来针对性地提高机器学习模型在关键数据子集上的性能表现。在跨越语言理解、计算机视觉和生产规模工业系统的数据集上，该方法在保持参数有效性的同时，在切片和总体 F1-score 上分别提高 19.0 和 4.6 个百分点。

Sep, 2019

提出基于上下文强化学习模型的机器人辅助喂食系统来解决如何处理不同外部因素以及如何处理不同分布策略对于未知的食品掌握所带来的挑战。

Aug, 2019

本文中，我们使用深度强化学习（RL）技术并结合由磁性方块组成的任务测试平台，通过在模拟环境中培训控制器并将其转移到真实机器人上，成功地实现了一个双臂机器人装配任务，证明了模拟转现技术在双臂机器人装配中的应用前景。

Mar, 2023