基于循环神经网络的数据驱动方法用于控制弹性连续操纵器，以解决由于绳索效应产生的滑脱、伸长和耦合等不可线性问题，并通过定制的标志物收集物理关节配置数据集来实现最佳控制算法，从而降低位置和方向误差。

Feb, 2024

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

通过提供前馈多模态反馈，使用更新的 ADMC 建议，使用户能够实时比较当前和建议的映射，我们通过对比两种新方法的有效性，即 a) 不断推荐更新的 DoF 组合，或者 b) 在当前机器人运动和新建议之间使用离散阈值，在 Virtual Reality (VR) 面对面研究中与经典控制方法进行比较，降低了任务完成时间，减少了模式切换次数，显著降低了感知的工作负荷，证明了在前馈的情况下，ADMC 方法可以超越经典模式切换。连续和阈值之间没有明显的定量差异表明以用户为中心的定制选项的重要性，将这些影响纳入开发过程将提高可用性，对成功实施具有高用户接受度的机器人技术至关重要。

Jul, 2023

本文介绍了一种利用强化学习方法进行非图像化的六自由度物体操作的方法，即 Hybrid Actor-Critic Maps for Manipulation (HACMan)，其提出了非捏持操作的物体分析和空间关联动作建模，采用离散 - 连续的动作表示法，可以帮助机器人实现对未知物体的高效操作。

May, 2023

通过虚拟现实控制器提供直观且经济的任务演示方法，结合动作块划分和变量合规性控制的方法，提高了刚性机器人的灵活适应性和安全性。

Jun, 2024

提出了基于双分支结构的多条件人体运动合成（MCM）框架，其中主分支采用基于 Transformer 的扩散模型（MWNet），有效扩展了扩散模型的适用性，同时保持运动的固有质量和语义关联能力。在单条件和多条件人体运动合成任务中实现了有竞争力的结果。

Apr, 2024

通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计，从而增加运动规划的稳定性和兼容性。在通过模拟和硬件实验优化动作规划并在机器人 ANYmal 上进行实验后，成功地提高了机器人对于不确定环境和具有不同活动性的地形的适应性。

Sep, 2018

研究通过开发 Surgical-DeSAM 方法，利用 Bounding Box 提示和实时机器人手术，实现了实时仪器分割，并在 MICCAI 手术仪器分割挑战 EndoVis 2017 和 2018 数据集上显著改进仪器分割方法的性能。

Apr, 2024

信号检测和调制分类是各种无线通信系统中的两个关键任务，本文通过考虑含有不同调制方案的多个信号在不同载波频率下共存的真实和复杂情景，研究了联合信号检测和自动调制分类 (AMC)，并提出了一个联合框架用于在这种多信号共存环境中进行检测和分类，最后通过广泛的模拟实验验证了设计的有效性。

Apr, 2024

探讨了使用深度学习方法准确模拟肌腱致动连续机器人的机械滞后行为的能力，通过比较三种神经网络建模方法的正向和逆向运动映射（前馈神经网络（FNN），带有历史输入缓冲区的 FNN 和长短期记忆（LSTM）网络），研究了两种类型的肌腱致动连续机器人的滞后响应，并确定哪种模型更能准确捕捉时间依赖行为。发现根据机器人的设计，不同的运动学输入可以改变系统是否表现出滞后现象，同时揭示了模型拟合的结果，与标准 FNN 相比，带有历史输入缓冲区的 FNN 和 LSTM 模型表现出类似的性能，可以准确建模历史相关性和速率依赖滞后。

Apr, 2024