本文通过深度强化学习模型，针对转移到真实场景中遇到的困难，提出了学习可以在人形机器人手上进行灵巧操作的策略和一个稳健的姿态估计器。通过在仿真环境中训练的策略，实现了在不同环境下的适应性，并得出了比最佳视觉策略更好的结果，同时在多种硬件和仿真设置中进行了模拟实现，为后续研究提供了方便、低成本的机器人手和摄像机。

Oct, 2022

提出了一种基于序贯强化学习的 Quasi-Dynamic Parameterisable（QDP）方法，用于优化静态和动态操作基元的运动速度和拾取和放置位置的参数，以提高布料操纵性能。在模拟和真实世界的实验中，结果表明通过优化基元的参数，性能可以提高 20%。

Mar, 2023

使用手势姿态估计器采集到的人手信息，结合逆运动学和 PSO 算法解决手姿态到 29 个自由度手模型的映射问题，以增加进行虚拟物体操作任务成功率，进而使用全部操作过程数据通过生成对抗性模仿学习训练出可用于虚拟现实中的抓握策略网络。

Oct, 2018

本文提出了 DexDeform，这是一种从人类示范中抽象出熟练操作技能并通过可微分物理学进行改进的原则性框架，该框架旨在学习多指手指对可变形物体的熟练操作，并通过新颖的探索策略以及基于想象的行动计划来提高操作的成功率。

Mar, 2023

本文介绍了一种在线规划深度动力学模型的方法，通过这种方法，使用少量真实世界的数据即可进行柔性接触的灵巧操作技能的有效学习，并成功应用于 24 个自由度类人手上。

Sep, 2019

提出一种使用模拟机器人、多指手型器件等智能算法进行巧妙物体操控、亿进行种有挑战性的任务（如再抓取、抓取投掷、物体重新定位等），其中包括引入基于集群的 PBT 算法来快速扩展深度强化学习的探索能力，相比于端到端学习表现出更强的性能。

May, 2023

我们介绍了 CyberDemo，这是一种新颖的机器人模仿学习方法，利用模拟人类示范来完成真实世界的任务。通过在模拟环境中进行大量数据增强，CyberDemo 在实际应用中胜过了传统的同领域真实世界示范，在处理多样的物理和视觉条件方面表现出色。尽管 CyberDemo 在数据收集方面更加经济和方便，但在各种任务中，它的成功率超过了基准方法，并且具有对之前未见过的物体的泛化能力。例如，它可以旋转新颖的四边阀和五边阀，尽管人类示范只涉及三边阀。我们的研究展示了模拟人类示范在实际灵巧操作任务中的巨大潜力。更多细节可在此 https URL 中找到。

Feb, 2024

本文提出了一种名为 DexMV（Dexterous Manipulation from Videos）的平台和管道，用于机器人的模仿学习，从而解决复杂的手部操作任务，包括计算机视觉、逆强化学习、多传感器模式等方面。

Aug, 2021

本研究探讨了如何利用自动生成的抓取方法来解决机器人在实际环境中获取对象的问题，并就域随机化、从仿真到实际的转移性等问题进行了分析和研究。

Oct, 2023

通过强化学习，我们使用模拟环境训练了一种可以使机器人手指进行多指协调、操纵物体并控制重力的新型算法，并且证明该算法可以成功地应用在实物机器人中，为机器人控制领域提供了新的解决方案。

Aug, 2018