从自我中心视频中学习精确的功能性能力以进行机器人操作

本研究提出了一种结合深度强化学习和面向对象视觉模型的方法，显著提升了机器人抓握策略的效能和泛化能力。

通过40个物体的实验，表明该方法可以显著提高抓握策略效能，泛化能力较强。

利用深度隐式函数的多任务学习，联合学习抓握可行性和三维重建任务，抓握成功率优于基线方法10%。

使用迁移学习框架，实现了零经验机器人对物体的拾取任务，且只需少量机器人经验即可获得更好效果。

提出了一种有效的注释方案，解决了现有数据集中的问题，并验证了模型的有效性。

通过视觉契合技术，提出了一种端到端的控制策略学习框架，成功率大大优于基线算法。

引入‘Where2Explore’框架，实现了有效的少样本学习与推广，解决了关节物体操作问题。

Robo-ABC框架使机器人能够通过检索视觉或语义上相似的对象来获得操作性的信息，成功率达到85.7%。

提出了一种从人-物互动中学习工具握持的方法，利用物体的显著特征定位功能性作用区域。