本文提出了一种新的弹性末端执行器，利用强化学习的框架来滚动各种水合水平的面团，并通过建立末端执行器和面团之间的转移模型使机器人能够正确地操作面团，实验结果表明，相比启发式方法，该方案可以将面团滚出特定长度，且操作次数减少了 60％，同时还表明利用弹性末端执行器估计刚度可以用于有效初始化模型，提高机器人性能约 40％。

Jul, 2021

本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

Apr, 2018

该研究论文介绍了一种新的神经网络结构 DeformerNet，可以帮助机器人处理和变形 3D 有弹性物体的操作，从而可靠地完成手术子任务，无需事先制作特定形状。

May, 2023

这项研究介绍了一种无需演示的层次规划方法，能够处理复杂的长期任务，并展示了在面对新颖和以前未遇到的复杂任务时，模型具备强大的泛化能力。

Nov, 2023

机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

Feb, 2024

研究弹性物理性质潜在表示在图动力学学习中的应用，提出了 EDO-Net 模型将自适应模块和前向动力学模块结合，通过拉力交互实现对不同弹性物质的学习和预测，并在仿真和实际世界中进行了测试和验证。

Sep, 2022

RoboCraft 通过使用基于粒子的表示法，结合模型规划框架、图神经网络和模型预测控制算法，可以在只有 RGBD 视觉观测数据的情况下，学习弹塑性物体的动力学模型，并用于控制机器人进行物体变形任务，实验结果表明 RoboCraft 的优异性能在一些任务上甚至好于未训练的人类.

May, 2022

本研究主要研究了如何使用机器人手臂和多种传感器将软饰物（dough-like deformable material）进行操作并且变形成一个指定的二维形状，并从控制策略和操作技巧等多方面进行了探究，实验结果表明使用指定的方式对软饰物进行操作时，IoU 指数可以达到 0.90。

Jul, 2022

通过使用点云作为状态表示并利用预训练的点云重建 Transformer 学习潜在动力学模型，我们提出了一种系统来解决可变形物体操纵中的挑战，进而应用于机器人雕塑任务。我们设计了一种新颖的动作采样算法，通过推理点云之间的几何差异进一步提高了基于模型的规划器的效率。所有的数据和实验都在真实世界中进行。我们的实验证明，所提出的系统能够成功地捕捉到黏土的动力学，并能够创建各种简单的形状。

Sep, 2023

提出了基于拓扑结构的自编码器 TearingNet，通过拆解曲面与洞口提高表达原数据的能力和重构精度。

Jun, 2020