Visual Manipulation Relationship Network
Xi’an Jiaotong University（西安交通大学）
机器人抓取检测是机器人学的重要研究领域之一，近年来，卷积神经网络（CNN）在机器人抓取检测中取得了很大的进展。然而，在一个场景中包含多个对象可能会使现有的基于CNN的抓取检测算法失效，因为没有考虑对象之间的操作关系，这需要引导机器人以正确的顺序抓取东西。提出了一种新的CNN结构-视觉操作关系网络（VMRN），用于机器人实时的检测目标和预测操作关系。为了实现端到端的训练，并满足机器人任务的实时性要求，我们提出了对象配对池层（OP 2L），以帮助预测在一个向前的过程中的所有操作关系。此外，为了训练VMRN，我们收集了一个名为视觉操作关系数据集（VMRD）的数据集，由5185幅图像，超过17000个对象实例和操作关系之间的所有可能对的对象在每幅图像，这是标记的操作关系树。实验结果表明，新的网络结构可以同时检测对象和预测操作关系，满足机器人任务的实时性要求。
2018-03-02 cs.RO
Binary Neural Network in Robotic Manipulation: Flexible Object Manipulation for Humanoid Robot Using Partially Binarized Auto-Encoder on FPGA
Osaka University（大阪大学）；Waseda University（早稻田大学）；Kyoto University（京都大学）
提出了一种基于FPGA的神经网络的人形机器人柔性物体操作系统。虽然使用机器人操纵柔性物体吸引了越来越多的关注，因为这些任务是我们日常生活中的基本和必不可少的活动，但直到最近才在深度神经网络的帮助下付诸实践。然而，这样的系统依赖于GPU加速器，其不能被实施到空间有限的机器人身体中。虽然现场可编程门阵列（FPGA）被认为是节能的并且适合于嵌入式系统，但是由于FPGA具有有限的片上存储器，因此模型大小应该被大幅减小。为此，我们提出了“部分”二进制化深度卷积自动编码器技术，其中只有编码器部分被二进制化以压缩模型大小，而不会降低推理精度。在Xilinx ZCU 102上实现的模型实现了每秒41.1帧，功耗为3.1 W，{ \awano {，分别相当于在Core i7 6700 K和RTX 2080 Ti上实现的系统的10倍和3.7倍改进。
2021-07-01 cs.RO
DUQIM-Net: Probabilistic Object Hierarchy Representation for Multi-View Manipulation
Bosch Center for Artificial Intelligence（博世人工智能中心）
复杂场景中的物体操纵是机器人技术中的一个难点和重要问题。为了有效地操纵物体，了解它们的周围环境至关重要，特别是在多个物体一个堆叠在另一个之上，从而阻止有效抓取的情况下。在这里，我们提出了DUQIM-Net，一种在堆叠对象的设置中进行对象操作的决策方法。在DUQIM-Net中，分层堆叠关系是使用ADQIM-Net评估的，ADQIM-Net是一种通过添加邻接头来利用现有Transformer编码器-解码器对象检测器的模型。该头部的输出以概率方式推断场景中对象的底层层次结构。我们利用DUQIM-Net中邻接矩阵的属性来执行决策并协助对象抓取任务。我们的实验结果表明，在视觉操作关系数据集（VMRD）上，DUQIM-Net在对象关系推理方面超越了最先进的水平，并且DUQIM-Net在清箱任务中优于同类方法。
2022-07-19 cs.RO
Dynamic Manipulation of Flexible Objects with Torque Sequence Using a Deep Neural Network
The University of Tokyo（东京大学）；Preferred Networks, Inc.（Preferred Networks公司）
本文提出基于深度神经网络获取柔性物体运动方程模型并计算优化时间序列关节力矩指令的控制方法，无需物理模型即可实现对柔性物体的动态操控并验证了有效性。
2019-01-29 cs.RO
Multi-Fingered In-Hand Manipulation with Various Object Properties Using Graph Convolutional Networks and Distributed Tactile Sensors
Waseda University（早稻田大学）
多指手可以用来完成许多灵巧的操作任务，类似于人类，和触觉感知可以提高各种对象的操作稳定性。然而，多指手上的触觉传感器具有各种尺寸和形状。卷积神经网络（CNN）可以用于处理触觉信息，但是来自多指手的信息需要任意预处理，因为CNN需要矩形形状的输入，这可能导致不稳定的结果。因此，如何处理这种复杂形状的触觉信息，并利用它来实现操作技能仍然是一个悬而未决的问题。本文提出了一种基于图卷积网络（GCN）的控制方法，该方法从具有复杂传感器排列的触觉数据中提取大地线特征。此外，对象属性标签被提供给GCN以调整手内操纵运动。分布式三轴触觉传感器安装在指尖，手指指骨和手掌的快板手，导致1152触觉测量。利用数据手套采集训练数据，将人的灵巧操作直接传递给机器人手。GCN实现了高成功率的手操作。我们还证实，当向GCN提供正确的对象标签时，易碎对象变形较少。当用PCA可视化GCN的激活时，我们验证了网络获得了测地线特征。我们的方法实现了稳定的操作，即使当实验者拉一个把握对象和未经训练的对象。
2022-05-09 cs.RO
TWINS: A Tactile Wearable Isomorphic Arm Networked System for Contact-Rich Manipulation Learning
National Institute of Advanced Industrial Science and Technology (AIST)（独立行政法人产业技术综合研究所（AIST））
本文提出TWINS触觉可穿戴同构臂联网系统，用于解决现有机器人难以完成身体表面接触操作的问题，通过采集演示数据训练模仿学习策略，实现了身体表面触觉引导的接触丰富操作。
2026-08-04 cs.RO
A Single Multi-Task Deep Neural Network with a Multi-Scale Feature Aggregation Mechanism for Manipulation Relationship Reasoning in Robotic Grasping
Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出一种带多尺度特征聚合机制的操作关系推理网络，通过融合跨尺度信息与交叉特征，准确预测多物体堆叠场景中的操作关系，显著提升了机器人抓取的推理速度与准确率。
2023-05-23 cs.RO
Planning for Multi-Object Manipulation with Graph Neural Network Relational Classifiers
University of Utah（犹他大学）；NVIDIA（英伟达）
在人类环境中，物体很少孤立存在。因此，我们希望我们的机器人能够推理出多个物体之间的关系，以及这些关系在机器人与世界互动时可能会发生的变化。为此，我们提出了一种新的图神经网络框架多对象操作，以预测对象间的关系如何改变给定的机器人动作。我们的模型在部分视点云上运行，并且可以在操作过程中推理多个对象动态交互。通过在学习的潜图嵌入空间中学习动态模型，我们的模型使多步规划能够达到目标关系。我们证明了我们的模型在模拟训练中可以很好地转移到现实世界中。我们的规划器使机器人能够重新安排一系列的形状和大小使用推和拾取和放置技能的对象的数量可变。
2023-03-16 cs.RO
VBM-NET: Visual Base Pose Learning for Mobile Manipulation using Equivariant TransporterNet and GNNs
KTH Royal Institute of Technology（皇家理工学院）
针对移动操作中基座位姿规划依赖精确状态信息的问题，提出结合等变TransporterNet与GNN的VBM-NET，基于俯视投影通过强化学习选最优基座位姿，效率优于经典方法且实现仿真到现实的迁移。
2025-10-05 cs.RO
Geometric Task Networks: Learning Efficient and Explainable Skill Coordination for Object Manipulation
Bosch Center for Artificial Intelligence（博世人工智能中心）
复杂操作任务可以在不同场景下顺序或并行地包含各种原始技能的执行分支。这种分支条件和相关联的技能参数的手动规范不仅由于极端情况而容易出错，而且在给定大量对象和技能的情况下也很快无法追踪。另一方面，示教学习越来越被证明是为工业机器人编程这些技能的直观和有效的方法。参数化的技能表示允许对新场景进行泛化，然而这使得规划过程慢得多，因此不适合在线应用。在这项工作中，我们提出了一个分层和组合规划框架，学习几何任务网络（GTN）从详尽的规划者，没有任何手动输入。一个GTN是一个目标相关的任务图，它封装了技能表示之间的转换关系和这些转换背后的几何约束。该框架通过利用任务参数化模型，极大地提高了离线学习效率、在线性能和决策过程的透明度。我们演示了一个7自由度的机器人手臂在模拟和硬件解决各种操作任务的方法。
2021-09-18 cs.RO
Towards Robot-independent Manipulation Behavior Description
Deutsches Forschungszentrum für Künstliche Intelligenz（德国人工智能研究中心）
在本文中，我们提出了一个工作流程来设计和控制机器人的操作行为。为了保持独立于特定的机器人硬件和明确的应用领域，嵌入式领域特定语言（eDSL）被用于描述特定的机器人和驱动机器人的控制器网络。我们利用a）基于组件的软件框架，b）基于模型的算法的运动和传感器处理表示，c）控制系统的抽象模型，和d）计划管理软件，来描述一系列的软件组件网络，生成所需的机器人行为。作为第一个结果，我们提出了一个eDSL的机电一体化子系统组成的机器人系统的描述，并创建一个多阶段的控制网络。
2014-12-10 cs.RO
Multimodal Spiking Neural Network for Space Robotic Manipulation
School of Astronautics, Harbin Institute of Technology（航天学院，哈尔滨工业大学）
本文提出一种用于空间站机械臂的基于脉冲神经网络的多模态控制框架，结合多源信息并采用双通道三阶段课程强化学习方案，在任务成功率和能效上优于基线方法，适用于星载资源受限的航空航天应用。
2025-08-10 cs.RO
Invertible Neural Network Adapter for One-Step Flow Matching in Robot Manipulation
提出可逆神经网络适配器，通过一步去噪过程生成高维动作，降低推理复杂度并保持精度，在仿真和真实实验中提升效率。
2026-06-18 cs.RO
VICX: Generalizable Robot Manipulation via Video Generation and In-Context Operator Network
National University of Singapore（新加坡国立大学）
提出VICX框架，利用冻结视频生成模型生成视觉计划，并通过视频到轨迹的上下文操作网络（V2T-ICON）将其映射为机器人可执行轨迹，实现跨任务、跨本体泛化。
2026-06-11 cs.RO
3D Affordance Keypoint Detection for Robotic Manipulation
Advanced Robotics Centre, National University of Singapore（新加坡国立大学先进机器人中心）；Department of Mechanical Engineering, National University of Singapore（新加坡国立大学机械工程系）
本文提出FAKP-Net，通过3D关键点四元组提升机器人操作中物体功能理解与执行精度。
2025-11-27 cs.RO
Characterization of Real-time Haptic Feedback from Multimodal Neural Network-based Force Estimates during Teleoperation
Stanford University（斯坦福大学）
力估计使用神经网络是一种有前途的方法，使触觉反馈在微创手术机器人没有末端执行器力传感器。已经提出了各种网络架构，但没有一个被测试在实时的与类似的操作。因此，问题仍然存在的实时的透明性和稳定性的力反馈的神经网络为基础的力估计。我们使用具有仅视觉、仅状态以及状态和视觉输入的神经网络来表征达芬奇研究套件遥控手术机器人上呈现的力反馈的实时的阻抗透明度和稳定性。在现有的遥控操作数据集上训练网络，而无需力反馈。为了测量远程操作过程中实时的稳定性和透明度，并向操作员提供力反馈，我们模拟了一个单自由度的人类和外科医生侧操纵器，该操纵器移动患者侧机器人，以在各种机器人和相机配置以及工具上对硅胶人工组织进行操纵。我们发现使用状态输入的网络比仅视觉网络显示出更透明的阻抗。然而，基于状态的网络显示出很大的不稳定性时，用于在硅树脂的横向操作过程中提供力反馈。相比之下，仅视觉网络在所有评估方向上显示出一致的稳定性。我们在一个人类遥控操作员的演示中证实了纯视觉网络在实时的力反馈方面的性能。
2022-07-06 cs.RO
Real-time Human-Robot Collaborative Manipulations of Cylindrical and Cubic Objects via Geometric Primitives and Depth Information
National University of Singapore（新加坡国立大学）
在家庭和工业环境中常见的许多对象由圆柱形和立方体形状表示。因此，它是可供机器人操纵他们通过实时的【形】检测椭圆形和矩形形状的基元形成的圆形和矩形的顶部这些对象。我们设计了一个强大的抓取系统，使机器人能够操纵圆柱形和立方体物体的协作场景中提出的感知策略，包括椭圆形和矩形形状的图元和深度信息的检测。椭圆和矩形的检测方法包括一个一阶段的检测骨干，然后，适应所提出的自适应多分支多尺度网络与设计的迭代特征金字塔网络，本地初始网络，和多接收域特征融合网络生成目标检测建议。在操纵不同形状的物体方面，我们提出了把握合成对齐的抓取器的抓取姿势与物体的姿势的基础上提出的检测器和注册的深度信息。提出的机器人感知算法已集成在机器人上，以展示实时的【形】进行圆柱形和立方体物体的人机协作操作的能力。我们表明，机器人机械手，授权所提出的检测器，在实际操作场景中表现良好。(An实验视频可在YouTube上获得，https://www.youtube.com/watch? v=Amcs8lwvNK8。）
2021-06-28 cs.RO
AI Meets Physical World -- Exploring Robot Cooking
University of South Florida（南佛罗里达大学）；Department of Computer Science and Engineering（计算机科学与工程系）；Robot Perception and Action Lab（机器人感知与行动实验室）
本文介绍了我们最近的研究工作，把计算机智能到物理世界，使机器人可以执行物理交互操作任务。我们提出的方法首先使机器人能够通过“观看”在线教学视频来学习操作技能。在“观看”了200多个教学视频后，构建了一个功能性面向对象网络（FOON）来表示观察到的操作技能。使用该网络，机器人可以执行高级任务命令，例如“我想吃烧烤排骨”，破译任务目标，寻找正确的对象进行操作，然后生成并执行一系列操作动作，这些动作可以处理新条件下的物理交互。为了更好地促进物理世界中的操纵运动，我们还开发了新的抓取策略，让机器人能够牢牢抓住物体，以承受物理交互过程中的干扰。
2018-04-21 cs.RO
A Complete Set of Connectivity-aware Local Topology Manipulation Operations for Robot Swarms
École Polytechnique de Montréal（蒙特利尔高等理工学院）；Shahid Beheshti University（沙希德·贝赫什提大学）；University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
机器人群体的拓扑结构影响共识的收敛速度和机器人的移动性。在本文中，我们证明了存在一个完整的一套本地拓扑操作操作，允许一个群拓扑结构的转换。这个集合是完备的，因为任何其他可能的操纵操作集合都可以由我们集合中的一系列操作来执行。这些操作是局部的，因为它们仅依赖于第一和第二跳邻居的信息来将网络图的任何初始生成树转换为具有相同数量的节点的任何其他连接树。我们的方法所提供的灵活性是类似于全球的方法，需要充分的知识的群体网络。我们证明了存在的一个序列的任何树到树的变换，并推导出序列的操作，以形成一条线或星从任何初始生成树。我们的工作提供了一个理论和实践的框架，拓扑控制的群体，建立全球性的财产，只使用本地信息。
2022-10-04 cs.RO
Efficient and Interpretable Robot Manipulation with Graph Neural Networks
Facebook AI Research（Facebook 人工智能研究院）
操作任务，如装载洗碗机，可以被视为一系列空间约束和不同对象之间的关系。我们的目标是发现这些规则，从演示构成操纵作为一个分类问题的图，其节点代表任务相关的实体，如对象和目标，并提出了一个图神经网络（GNN）的政策架构，解决这个问题的演示。在我们的实验中，使用模仿学习（IL）在20个专家演示中训练的单个GNN策略可以解决块堆叠，重排和洗碗机装载任务;一旦策略学习了空间结构，它就可以推广到更多的对象，目标配置，并从模拟到现实世界。这些实验表明，图形IL可以解决复杂的长期操作问题，而不需要详细的任务描述。视频可以在https://youtu.be/POxaTDAj7aY上找到。
2022-01-12 cs.LG cs.RO
Translating Videos to Commands for Robotic Manipulation with Deep Recurrent Neural Networks
Istituto Italiano di Tecnologia（意大利理工学院）；The University of Manchester（曼彻斯特大学）
我们提出了一种使用深度循环神经网络（RNN）将视频转换为机器人操作命令的新方法。我们的框架首先使用深度卷积神经网络（CNN）从输入视频帧中提取深度特征。然后，使用具有编码器-解码器架构的两个RNN层来编码视觉特征，并顺序地生成输出单词作为命令。我们证明，通过允许两个RNN层之间的平滑事务并使用最先进的特征提取器，可以提高翻译精度。在我们新的具有挑战性的数据集上的实验结果表明，我们的方法比最近的方法有相当大的优势。此外，我们结合建议的翻译模块与视觉和规划系统，让机器人执行各种操作任务。最后，我们证明了我们的框架上的全尺寸的人形机器人步行人的有效性。
2017-10-01 cs.CV cs.RO
Efficient and Robust Training of Dense Object Nets for Multi-Object Robot Manipulation
Bosch Center for Artificial Intelligence（博世人工智能中心）；Ulm University（乌尔姆大学）
我们提出了一个强大的和有效的密集对象网（DON）的训练框架，重点是多对象机器人操作场景。DON是一种流行的方法来获得密集的，视图不变的对象描述符，它可以用于机器人操作中的许多下游任务，如姿态估计，状态表示控制等。然而，最初的工作集中在单个对象上的训练，在特定于实例的多对象应用程序上的结果有限。此外，训练需要复杂的数据汇集流水线，包括每个对象的3D重建和掩模注释。在本文中，我们通过简化的数据汇集和训练机制进一步提高了DON的有效性，该机制始终能够产生更高的精度，并能够以更少的数据需求稳健地跟踪关键点。特别是，我们专注于使用多对象数据而不是单个对象进行训练，并结合精心选择的增强方案。我们还提出了一种替代的损失公式，以提供更好的结果，是不太敏感的超参数。最后，我们证明了我们提出的框架在现实世界中的机器人抓取任务的鲁棒性和准确性。
2022-06-24 cs.CV cs.RO
BFA: Best-Feature-Aware Fusion for Multi-View Fine-grained Manipulation
MEGVII Technology（MEGVII技术公司）；Waseda University（早稻田大学）；Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；Beihang University（北航大学）
本文提出即插即用的最佳特征感知（BFA）融合策略，通过轻量级网络预测多视角重要性分数并融合特征，解决细粒度操作中的视觉冗余问题，成功率较基线提升22-46%。
2025-06-28 cs.CV cs.RO
Kinematic Morphing Networks for Manipulation Skill Transfer
University of Stuttgart（斯图加特大学）
机器人技能在不同几何环境之间的转移是重要的，因为存在各种各样的环境，传感器观察以及机器人运动是高维的，并且环境可能仅被部分观察到。我们考虑的问题提取低维描述的操纵环境中的运动模型的形式。这允许我们通过在原型模型上定义策略并将观察到的环境变形为该原型来转移技能。深度神经网络用于将环境的深度图像观测映射到变形参数，变形参数包括原型模型的变换和配置参数。使用仿射变换的级联属性和将点云转换为深度图像的能力允许以迭代方式应用网络。该网络在模拟器中生成的数据和通过使用网络预测创建的增强数据上进行训练。该算法在不同的任务，它表明，迭代预测导致更高的准确性比一步预测。
2018-03-05 cs.LG cs.RO
Deep Reinforcement Learning for Dexterous Manipulation with Concept Networks
Bonsai
深度强化学习可以为大量问题产生很好的结果，但模型通常会为每个待解决的新问题重新训练。在训练新模型时，以前的学习和知识很难融入，随着问题变得越来越复杂，需要越来越长的训练时间。这对于奖励稀疏的问题尤其成问题。我们通过引入概念网络强化学习（CNRL）来解决这些问题，该框架允许我们使用多层次结构来分解问题。概念网络中的概念是可重用的，并且足够灵活以封装特征提取器、技能或其他概念网络。通过这种分层学习方法，深度强化学习可以通过问题分解以模块化方式解决复杂任务。我们通过训练模型抓住一个矩形棱柱并使用Kinova JACO手臂上的夹持器将其精确地堆叠在立方体顶部来展示CNRL的实力，在MuJoCo中模拟。我们的实验表明，我们使用的层次结构的结果减少了45倍的环境相互作用相比，国家的最先进的这项任务。
2017-09-20 cs.AI cs.RO
DeformerNet: A Deep Learning Approach to 3D Deformable Object Manipulation
University of Utah（犹他大学）；NVIDIA（英伟达）
在本文中，我们提出了一种新的方法，利用深度神经网络称为DeformerNet的3D可变形对象操作。控制3D对象的形状需要能够捕获对象的完整3D几何形状的有效状态表示。目前的方法通过在对象上定义一组特征点或仅在2D图像空间中使对象变形来解决这个问题，这并没有真正解决3D形状控制问题。相反，我们显式地使用3D点云作为状态表示，并在点云上应用卷积神经网络来学习3D特征。这些功能，然后映射到机器人末端执行器的位置，使用一个完全连接的神经网络。一旦以端到端的方式训练，DeformerNet直接将可变形对象的当前点云以及目标点云形状映射到机器人夹具位置的所需位移。此外，我们研究的问题，预测的操作点定位给定的初始和目标形状的对象。
2021-07-16 cs.AI cs.RO
Instruct2Act: From Human Instruction to Actions Sequencing and Execution via Robot Action Network for Robotic Manipulation
Indian Institute of Technology Mandi（印度理工学院曼迪分校）
Instruct2Act通过机器人操作网络实现从人类指令到动作序列的解析与执行，达到91.5%的子动作预测准确率和90%的任务成功率。
2026-02-10 cs.AI cs.RO
On Time-Indexing as Inductive Bias in Deep RL for Sequential Manipulation Tasks
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种在固定持续时间内顺序执行不同动作头的策略架构，解决了标准单输出头网络在多模态技能学习中的样本效率低和性能差问题，在 Metaworld 任务上表现优于标准方法。
2024-01-03 cs.AI cs.RO
Learning 3D Dynamic Scene Representations for Robot Manipulation
Stanford University（斯坦福大学）；Columbia University（哥伦比亚大学）
用于机器人操作的3D场景表示应该捕获三个关键对象属性：永久性-随着时间的推移被遮挡的对象继续存在;非模态完整性-对象具有3D占用，即使只有部分观测可用;时空连续性-每个对象的运动在空间和时间上是连续的。在本文中，我们介绍了三维动态场景表示（DSR），三维体积场景表示，同时发现，跟踪，重建对象，并预测其动态，同时捕捉所有三个属性。我们进一步提出了DSR-Net，它学习在多个交互中聚合视觉观察，以逐步构建和改进DSR。我们的模型实现了最先进的性能，在模拟和真实数据的DSR建模3D场景动态。结合模型预测控制，DSR-Net可以在下游机器人操作任务（如平面推送）中进行精确规划。视频可在https://youtu.be/GQjYG3nQJ80上获得。
2020-12-10 cs.CV cs.RO
Explaining the Decisions of Deep Policy Networks for Robotic Manipulations
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文通过输入归因方法解释深度策略网络在机器人操作中的决策，提出关节扭矩重要性测量和改进的相关性传播方法，首次在线揭示多模态传感器输入归因的动态变化。
2023-10-30 cs.AI cs.LG cs.RO
From virtual demonstration to real-world manipulation using LSTM and MDN
University of Central Florida（中佛罗里达大学）
帮助残疾人或老年人的机器人必须执行复杂的操作任务，并且必须适应家庭环境和用户的偏好。示教学习是一个很有前途的选择，它允许非技术用户教机器人不同的任务。然而，在残疾用户的家庭环境中收集演示是耗时的，破坏用户的舒适度，并且提出了安全挑战。期望在虚拟环境中执行演示。在本文中，我们描述了一个具有挑战性的问题，从虚拟演示的物理机器人的行为转移的解决方案。虚拟演示用于训练基于深度神经网络的控制器，其使用长短期记忆（LSTM）递归神经网络来生成轨迹。训练过程使用混合密度网络（MDN）来计算适合演示的多模态性质的误差信号。在虚拟环境中学习的控制器被转移到物理机器人（Rethink Robotics Baxter）。一个现成的视觉组件用于替代模拟中可用的几何知识，一个逆运动学模块用于使Baxter制定轨迹。我们的实验研究验证了本文的三个贡献：（1）从虚拟演示中学习的控制器可以用于在物理机器人上成功执行操作任务，（2）LSTM+MDN架构选择优于其他选择，例如使用前馈网络和基于均方误差的训练信号，以及（3）在训练集中允许不完美的演示也允许控制器学习如何校正其操纵错误。
2017-11-22 cs.AI cs.LG cs.RO
