本研究提出了一种基于模型的强化学习算法，将以前任务的先验知识与在线动态模型适应相结合，实现了高效学习，并且成功地应用于各种复杂机器人操纵任务。

Sep, 2015

本文提出了使用神经网络对力学系统的Lagrangian以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019

本文说明了使用结构化机械模型取代黑盒神经网络在机器人动力学建模上具有的优势，包括数据效率、易于应用先前知识和易于与基于模型的控制技术结合使用。在多个仿真机器人领域中，该方法可以从有限的数据中更好地推广和产生更可靠的基于模型的控制器。

Apr, 2020

本文提出一个基于多领域控制参数学习框架、结合了贝叶斯优化和混合零动力学的步态控制方法，在模拟和实际机器人上进行了验证，实现了高效的从模拟到实际的过渡，提高了步行步态的平滑性和减少了稳态跟踪误差。

Mar, 2022

本篇论文综述了50多个发表的EMG应用程序的传输学习方法，并提供了有关肌肉生理结构和EMG生成机制的生物学见解以及录制EMG的方法，以支持现有传输学习方法的生物基础。此外，通过将现有研究努力分为基于数据和模型的方法、基于培训方案的方法和对抗性的方法，系统地总结和分类了现有的EMG相关机器学习应用的传输学习方法，并讨论了现有工作的可能缺点，并指出了未来更好的EMG传输学习算法的方向以提高实际应用性。

Oct, 2022

该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

Sep, 2023

通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

Sep, 2023

在这篇论文中，我们提出了一种基于高斯过程回归的黑盒模型，用于识别机器人操纵器的反向动力学。我们的模型基于一种新颖的多维核函数，称为拉格朗日启发的多项式核。该模型能够估计动能和势能，而无需这些量的标签，并且在准确性、广泛性和数据效率方面优于基于高斯过程和神经网络的最先进的黑盒估计器。在模拟和两个真实的机器人操纵器上的实验结果表明，我们的方法实现了与精细调整的基于模型的估计器相当的性能，尽管需要更少的先验信息。

Oct, 2023

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

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