机器人在开放环境中操作时，会遇到未知的物理特性的新对象，需要通过交互来感知这些特性，并利用生成的世界模型来估计物体的物理参数，并开发一种信息收集模型预测控制器，以自主学习触觉探索策略。我们的研究在虚拟环境中评估了这种方法，发现我们的方法能够以直观的方式高效地收集关于所需特性的信息。最后，我们在真实机器人系统上验证了我们的方法，成功地从零开始学习和执行信息收集策略以估计物体的高度。

Nov, 2023

通过利用机械特性进行开放式识别，我们提出了一个开放式识别框架，用于识别已知对象并逐步标记新对象。主要贡献是一种利用已知对象知识估计聚类中心和大小的聚类算法，与典型随机选择聚类中心和大小的算法不同。该框架通过与实际对象的交互估计机械特性进行验证，结果表明该框架比新颖性检测器提供的其他方法更好地识别对象，而且我们的聚类算法表现出更好的聚类性能。此外，超参数研究表明聚类大小对聚类结果很重要，需要适当地进行调整。

Nov, 2023

该研究提出了一种用于模拟动态图的概率框架，包括对边模型的参数化和非参数模型的建模，以及如何估算物体运动的结构和运动学模型以及其在机器人操作和移动操作中的应用。

Jan, 2014

机器人需要从观察中估计物体的材料和动态特性，本研究提出了基于贝叶斯优化的方法来识别物体的材料属性参数，通过对不同场景下互动物体的观察进行估计，利用奖励函数的结构，仅使用场景中对象的参数作为输入，得到更好的广义模型来加速优化过程，还通过部分评估奖励函数来减少仿真运行次数，实验证明该方法能够有效进行增量学习而不重置奖励。

Oct, 2023

该研究介绍了一种方法，使机器人能够迅速学习给定物体的完整三维模型以便在陌生的方向上进行操作，通过优化信息性和可行性来确定下一步动作，并通过重新估计物体姿态来纠正相互作用过程中引入的不对齐，通过实验证明与现有方法相比，在视觉重建质量（PSNR）提高 14％，在对象表面几何 / 深度重建（F-score）方面提高 20％，在场景中操作未见过方向 / 稳定配置的物体的任务成功率提高 71％。

Apr, 2024

本文提出的方法利用物理引擎技术和基于贝叶斯优化的模型参数优化算法，通过模拟实验和样本学习的方式，有效地辨识了机器人的力学参数，提高了现有策略搜索算法的数据效率。

Oct, 2017

通过将基于物理的因果推理嵌入机器人的决策过程中，我们可以使机器人任务执行更安全、更可靠，对各种类型的不确定性更具鲁棒性。

Mar, 2024

本文提出 DensePhysNet 对于机器人物体操纵的物理表示的学习方法，通过动态交互序列和深度预测模型学习密集的像素表示，可以直接解码物理物体属性，并在下游任务中实现更精确和更有效的操纵。

Jun, 2019

本文提出了一种新型遥控系统，包含了触觉设备以及虚拟现实界面，应用于动态和非结构化环境下的空中机器人操作。利用多个传感器进行感知、姿态估计以及神经网络的主动学习等算法，针对工业领域的任务进行了验证实验，并展示了该系统在未来工业应用中的可行性。

Oct, 2022

本文提出了一种以机器学习为基础的家庭机器人物品操控规划框架，该框架结合了大规模众包数据集和三种不同形态的语言特征，使得即使对于未曾见过的物品，家庭机器人也能够对其进行操控。

Apr, 2015