本文介绍了使用深度神经网络从运动链的解空间中生成多样化解的方法，能够准确快速地生成解决方案。

Nov, 2021

本文提出了基于距离几何的逆运动学求解器，并结合 Riemannian 优化算法，初值平滑技术等方法，实现了更高效的求解方法。

Aug, 2021

准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的 “黑盒子” 方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

Mar, 2024

自动化行业、机器人操纵器臂、机器学习方法、实际操纵任务和机器学习应用是该论文的关键词，并对最近的发展趋势进行了综述。

Sep, 2023

本研究提出了 Optim-FKD，一种新的机器人高速控制的公式，该公式利用学习的前向动力学（FKD）模型和非线性最小二乘优化，在实时控制任务中可以解决难以预测的动态影响。该公式在小型汽车上的实验结果表明，相比于基准方法，Optim-FKD 可以更精确地跟踪所需轨迹，并找到更好的最优控制解决方案。

Jun, 2022

本文提出了一种基于神经网络的舒适逆运动学方法，通过使用分层结构和超网络，在指定位置和前面的关节条件下顺序采样出合法的关节角度分布。

May, 2022

通过对流行的 IK 技术应用于人腿的比较研究，本文确定了达到所需位置的最有效的方法，使其具有现实人类姿势，同时尊重每个关节的运动范围和关节舒适区，以此来解决现有 IK 方法中存在的高计算成本和生成不真实位置的问题。

Feb, 2023

本文提出了一种名为 MusIK 的强化学习算法，通过多步反向运动学的表示学习结合系统性探索，实现在最小统计前提下，以理想的样本复杂度达到所需精度水平的计算效率，可适用于通用函数近似。

Apr, 2023

该研究介绍了一种方法，通过多精度评估、机器学习模型和优化算法的战略性协同，增强受有限计算资源约束的反向设计优化过程。该方法在两个不同的工程反向设计问题上进行了分析，通过在每个优化循环中利用训练有低精度模拟数据的机器学习模型，高效地预测目标变量并确定是否需要高精度模拟，从而显著节省了计算资源。此外，该机器学习模型在优化之前被战略性地使用以减小搜索空间，进一步加快了收敛到最优解的速度。该方法已被应用于增强差分进化和粒子群优化两种优化算法，对比分析表明两种算法的性能有所提升。值得注意的是，该方法适用于任何反向设计应用，实现了低精度机器学习模型和高精度模拟之间的和谐协同，并且可以无缝应用于任何种类的基于群体的优化算法。

Dec, 2023

该研究论文介绍了一种新颖的零射击运动规划方法，允许用户快速设计机器人在笛卡尔空间中平滑运动。该方法基于贝塞尔曲线的笛卡尔平面将其转化为关节空间轨迹，采用我们的神经启发式逆运动学（IK）方法 CycleIK，通过将其扩展到任意机器人设计，实现了平台独立性。该运动规划器在两个人形机器人 NICO 和 NICOL 的人机协作抓取场景中进行了评估。我们在核心上采用一个大型语言模型（LLM）作为其实体化代理，并将我们最初为 NICOL 引入的实体化代理推广到 NICO，并允许用户以口头方式指导不同的机器人执行一组离散的物理动作。我们为其动作空间贡献了一个抓取原始动作，可以精确操纵家庭物品。新的 CycleIK 方法在仿真中与流行的数值逆运动学求解器和最先进的神经逆运动学方法进行了比较，并在算法运行时间非常短的情况下表现出与或超过所有评估方法。该抓取原始动作在 NICOL 和 NICO 机器人上进行了评估，并分别报告了每个机器人的抓取成功率为 72％至 82％。

Apr, 2024