GAM: General Affordance-Based Manipulation for Contact-Rich Object Disentangling Tasks
从对象标签进一步走向接触密集操作中的行动可能性与行动结果推理。
研究方向
自我认知与韧性机器人学
让机器人能够建立对自身本体和能力的运行认知，在这些条件发生变化时识别问题并安全重构。
本体发现能力辨识损伤适应韧性自主受约束智能体
研究重点
绝大多数机器人自主系统都从一个隐含前提出发：工程师已经定义好了本体——关节、传感器、执行器、接口、极限以及软件栈都被认为是已知的。我关注的是这个前提之前的问题：自主系统能否建立足够可靠的自身运行模型，以支持机器人配置、验证和部署。
这里的“运行本体”不仅是几何或形态，还包括物理结构、传感与执行接口、可达行动、能力边界、不确定性、运行限制和当前健康状态。这使本体发现自然连接到韧性：当关节退化、传感器漂移或工具变化时，机器人应该发现原有自我模型已不再适用，重新判断哪些能力仍然有效，并安全地适应或把决策升级给人。
基础模型和智能体工具可以是有价值的组件，但我把它们看作受约束的工程工具，而不是研究终点。真正的科学问题是：如何产生足够证据，证明一个新配置或新适应的机器人系统在部署前以及运行过程中仍然有效、可靠且处于允许的边界内。
当前研究
这是正在快速发展的研究方向。下列论文主要提供可供性/能力推理与可复用控制方面的早期基础；当前工作正在把这些思想推进到显式本体发现、健康感知能力估计和损伤恢复。
- 运行本体发现：通过已有证据和有针对性的测试识别机器人的身体、传感器、执行器、软件接口、限制和可用行动空间。
- 能力辨识与验证：不仅判断硬件是否存在，还判断当前有哪些任务与动作能够以足够置信度安全完成。
- 本体损伤与退化适应：识别模型不一致、诊断能力变化、重新辨识剩余可行能力，并采取保守恢复策略。
- 利用受约束 AI 工具辅助机器人控制系统的配置、测试和重新部署，并保留明确的验证门槛和人类授权。
- 以行动结果与可供性推理连接物理状态、本体条件与机器人可用能力。
代表性已发表工作
这些较早的工作为以能力为中心的自适应机器人自主性提供了概念与技术基础。