Differentiable Physics-Based System Identification for Robotic Manipulation of Elastoplastic Materials
从机器人交互中推断具有物理意义的材料参数，并将辨识得到的模型用于后续操作决策。
研究方向
经验高效的物理学习
让机器人从有限的真实世界经验中学习有物理意义的知识，并知道什么时候还需要进一步交互。
真实世界学习物理辨识信息驱动交互可微分物理物理可解释性
研究重点
真实机器人无法假设拥有无限、相互独立的训练数据。物理交互需要时间、会消耗硬件、可能失败，而且一次观测往往只能揭示问题的一部分。我研究机器人如何从现实中可获得的少量连续经验中持续学习，并把这些经验转化为能够跨任务和对象复用的知识。
核心主题之一是主动式物理推断：辨识摩擦、柔顺性、几何或材料潜在行为等属性；判断当前观测是否足以区分多个合理解释；并选择能够消除与任务最相关不确定性的交互。我将机器人学习与可微分物理、系统辨识结合，用于可变形、颗粒和接触密集型操作。
我也把可解释性视为一种“运行能力”。有用的内部表示应将机器人的判断连接到物理原因、不确定性和可验证的干预，而不仅仅是在决策之后生成一段事后解释。
当前研究
- 面向少量、连续真实世界数据的持续学习，而不是假设机器人数据可以无限扩展。
- 信息驱动交互：判断现有观测是否足够，以及什么样的物理行动最能区分相互竞争的假设。
- 物理扎根且可检验的表示，将学习到的知识连接到材料属性、接触条件、行动结果和不确定性。
- 面向可变形与颗粒材料接触密集操作的物理感知学习与优化。
- 用于系统辨识、技能优化和物理设计的可复现、数值可靠可微分仿真。
代表性已发表工作
这些工作展示了从物理先验学习、真实世界系统辨识到可靠可微分优化的研究主线。
DDBot: Differentiable Physics-Based Digging Robot for Unknown Granular Materials
把真实物理交互、系统辨识、技能优化和未知颗粒材料上的真实机器人执行连接成闭环。
A Physics-Informed Demonstration-Guided Learning Framework for Granular Material Manipulation
结合示范、物理结构与学习，降低颗粒材料机器人操作中采集经验的负担。
Celebi's Choice: Learning Robotic Manipulation of Granular Materials through Differentiable Physics
利用可微分物理结构学习并优化颗粒材料操作。
On the Numerical Reliability of Differentiable Physics-Based Optimization for Robotic Material Manipulation
研究当物理仿真进入机器人推断与优化闭环时，梯度可复现性、有限差分验证和目标函数构造等可靠性问题。