介绍了可微分物理实验基准PasticineLab，它包括一系列软体操纵任务，并评估了针对该基准的强化学习和梯度优化方法。实验结果表明，基于RL的方法难以高效解决大多数任务，而基于梯度的方法可以在几十次迭代内快速找到解决方案，但在需要长期规划的多阶段任务上仍然表现不佳。我们期望PasticineLab将鼓励开发结合可微分物理和RL的新算法，以实现更复杂的基于物理的技能学习任务。
Apr, 2021
本研究提出了一种基于不同iable simulator的软致动器物理可行模型的训练方法，其通过与有限元方法结合来实现闭环控制，基于该模型构建MPC控制器，实现对硬币的拉动并获得了低于5％的仿真误差。
Feb, 2022
SoftZoo是一个理解软体机器人内在设计和性能权衡的全面虚拟平台，支持多种环境和任务，提供不同iable的设计表示和协同设计算法的基准测试，可用于开发和设计软体机器人的行为和形态智能。
Mar, 2023
本文中，我们使用深度强化学习（RL）技术并结合由磁性方块组成的任务测试平台，通过在模拟环境中培训控制器并将其转移到真实机器人上，成功地实现了一个双臂机器人装配任务，证明了模拟转现技术在双臂机器人装配中的应用前景。
基于学习的方法提出了一种紧凑但足够丰富的力学表示，通过FEM模型的压缩获得非线性可变性数据，在模型化中非常高效，并能够推导出机器人的正向和逆向运动学。
Jul, 2023
通过学习动力学特征，采用嵌入式视觉技术的软多面体网络能够实现自适应的肌感知觉和粘弹性本体感知觉，结合简化设计、全向适应和高精度的本体感知，为机器人提供了低成本的万能解决方案。
Aug, 2023
使用非常少的计算，无需模拟和用户输入的方法，实现了软体机器人的自动生成步态，性能优于手工制作的步态。
Sep, 2023
利用生成性人工智能设计复杂软体机器人系统的潜力和未来进展。
May, 2024
通过使用视觉进行控制，引入了一种名为神经雅可比场的机器学习结构，能够自主学习建模和控制多种材料、可变形性质以及缺乏感应能力的仿生机器人，从而在机器人自动化领域降低了门槛且拓宽了设计空间。
Jul, 2024
本研究解决了超材料机制设计中的效率和性能问题，提出了一种基于深度强化学习的创新设计方法。通过数字化设计域并利用有限元分析，研究发现该方法在实现最低人类指导情况下能显著提高设计效果，相较于人类设计的机制，预定义奖励提高了三倍，展示了在实际应用中细胞基础合规机制设计的潜在价值。
Aug, 2024