自动化可变形垫片装配

通过强化学习训练循环神经网络，机器人在高精度装配机械零件过程中表现出更高的精度和鲁棒性。

提出利用几何运动规划作为先验知识来引导强化学习的方法，以实现高精度的装配任务。

自我监督的数据收集流程通过拆卸完整套件获得物体与放置位置的对应关系，学习形状描述符以实现高成功率的组装。

Kit-Net框架能够将未见过的三维物体插入凹槽，使用卷积神经网络进行匹配和定位，表现良好。

RoboCraft结合模型规划框架和图神经网络，学习弹塑性物体的动力学模型，实验结果优于未训练的人类。

提出基于transformer的模型GPAT进行异形零件组装的规划，证明其在多样化目标和部件形状方面的泛化能力。

通过点云作为状态表示，提出解决可变形物体操纵挑战的系统，成功捕捉黏土的动力学并创建简单形状。

ASAP方法能够自动生成复杂产品组装的物理可行序列，具备优秀的物理逼真性能。

研究提出整体多层次的部件装配规划框架，实验结果显示方法具有更好的泛化性能和显著减少的计算时间。

基于扩散的模仿学习框架成功学习3D可变形物体操纵策略，首次在真实世界中实现。