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

我们提出了一种无需力传感器训练的强化学习策略来实现直接力控制，展示了在四足机器人整体控制平台上通过变化的整体柔顺度实现的重力补偿和阻抗控制，使得人类通过操纵器件即可直观地远程操作机器人，从而实现多样化的运动与操纵任务，为四足机器人提供了学习整体力控制的首次实际部署，为更具多功能和适应性的四足机器人铺平了道路。

May, 2024

本文提出了一种基于学习示范的框架，将力传感和运动信息相结合，估计出完整的刚度矩阵，并使用非参数方法创建模型，从而实现了机器人对人类示范任务的复制，并通过特定状态下的刚度剖面对新任务做出适当响应，并提出了一种新型的基于水箱的可变阻抗控制方法来确保无损耗，在两个虚拟变刚度系统上进行了评估，结果表明，与传统方法相比，该方法具有更高的鲁棒性和易于实现。

Jun, 2023

提出了一种 LAC 算法，该算法基于 Actor-Critic 框架和 LSTM 神经网络，通过结合期望轨迹生成和阻抗参数调整来提高协同操作效率和鲁棒性，其中 LSTM 网络对由代理人获得的力状态进行预处理，从而进一步改善了操作的稳定性和性能。实验结果表明，在协作处理和钉孔装配实验方面，我们的方法在最优性和鲁棒性方面优于基线算法。

Mar, 2023

本文提出了一种基于视觉的程序自由编程的方法，利用强化学习实现复杂多指手势下的实物操作，无需手动建模或奖励工程。

Dec, 2022

文章介绍了一种学习自演示 (LfD) 方法，用于应对带有关节机制的接触丰富的操作任务。从单个人类演示中提取的策略可以推广到相同类型的不同机制，并且对环境变化具有鲁棒性，其关键是通过与环境有目的地交互来自主增强初始演示以收集附加信息。针对多 DOF 的复杂机制的实际实验表明，我们的方法可以可靠地完成任务。

Oct, 2022

提出了一种系统的方法来从人类演示中提取动态特征，以自动调整 DMP 框架中的参数，此方法可与 LfD 和 RL 一同使用，可使机器人更有效地探索可能的轨迹，从而显着提高机器人的遵从性，并在实际的人机交互实验中得以验证。

Apr, 2023

本文介绍了一种基于物体为中心示范实现的，用于训练软机械手进行熟练操作的方法，该方法使用增强学习技术，提出了一种新的算法，允许我们混合和选择最可行的示范来学习在硬件上模仿。最后，我们将这种方法应用于 RBO Hand 2 上，并获得了开 / 关阀门，滑珠和抓取等任务的良好表现。

Mar, 2016

使用触觉传感器，并通过模型无关的深度强化学习方法实现力量控制，能够在仿真环境中进行训练，然后转移到实际机器人上，实现模拟到实际的迁移。

Nov, 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