HACMan++：空间基础运动原语用于操作
该研究采用增强学习的方法，通过深度空间自编码器从摄像头图像中直接学习状态表征，以实现对环境进行特征点提取和控制的闭环控制，展示了PR2机器人在推动自由玩具方块、使用铲子拿起一袋米和在不同位置将绳环悬挂在钩子上等任务中自动学习控制的成功案例。
Sep, 2015
本文介绍了使用基于图形的关系结构从简单的任务中学习并实现复杂的机器人操作任务，使用了强化学习方法并在喂入少量数据的情况下超越现有的最先进方法，同时也实现了零样本泛化。
Dec, 2019
该研究旨在通过学习使用感知运动基元来解决复杂的长期规划操作问题，其需要将基本技能组合成新的技能来推广应用于广泛的问题中，同时使用高效的主动学习和采样方法，将学习和规划方法结合来规划各种复杂的动态操作任务。
Jun, 2020
本文介绍一种基于预定义行为模块的学习框架Manipulation Primitive-Augmented Reinforcement Learning（MAPLE），通过这种学习框架实现机器人在多种实际操作任务中表现出色，MAPLE 具有超越基线方法的性能。
Oct, 2021
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
通过一个基于视频的条件学习智能体（ViP）方法，本文提出了一种无需训练数据就能够通过人类演示来控制机器人操作的方法，该方法在多项机器人操作环境中的表现优于现有技术，并在新的零样本设置中展现出良好的性能，可能具有广泛的应用前景。
May, 2023
我们提出了一种基于大型语言模型的新方法，通过任务框架形式主义来将操纵器的原始任务转化为机器人低层动作，实现混合控制。我们评估了几种最先进的大型语言模型。
Aug, 2023
我们研究如何通过大量的人类视频数据学习机器人在与未知对象交互时的多样化操作技能，采用分解方法从人类视频数据中学习人类如何完成期望任务，并将其转化为机器人的行为，从而实现零样本通用操作。
Dec, 2023
本研究解决了机器人抓取策略中空间定位准确性不足的问题，指出这一挑战主要源于对丰富空间理解数据的需求。提出的ManiBox方法利用仿真基础的教师-学生框架，通过边界框引导生成可扩展的仿真数据，从而大幅提升抓取策略在复杂环境下的通用性及适应性。
Nov, 2024