中科院沈陽自動化所的Wang利用深度強化學習算法和視覺感知相結合的方法來完成移動機器人(如圖3(a))在非結構環(huán)境下的移動操作[7]。作者將移動操作過程看做一個標準的強化學習問題，首先通過雙目相機通過DOPE獲取目標物體的6D姿態(tài)p以及機器人本體的當前狀態(tài)st,接著通過基于PPO的強化學習算法預測機器人的本體，機械臂以及機械手的運動并控制機器人本體運動，最后機器人的運動狀態(tài)st+1和響應rt，其中響應主要包含了整個系統(tǒng)的控制響應rctrl、機械手末端的位置響應rdist以及抓取狀態(tài)rgrasp(如圖3(b))。最后作者在仿真環(huán)境和真實環(huán)境下測試了不同高度下的抓取成功率，在仿真中，立方體的抓取效果最好達到了90%的成功率，而球類物體較差僅有60%左右，而在實際測試過程中，在姿態(tài)估計正確的前提下可實現(xiàn)目標物體的成功抓取(如圖3(c)(d))。
德國伯恩大學計算機學院研制的遙操作輪腿復合的移動操作機器人可通過遠程操作平臺完成各種復雜操作任務
假肢腕設計的有效基準能夠做3自由度運動，即旋前/旋后、屈伸和橈側/尺側偏移,未受影響的腕關節(jié)，其最大活動范圍通常在76度/85度
旋轉器用于使終端設備沿前臂的縱向放出或滾動，而屈肌使終端設備彎曲或俯仰, OB棘輪式旋轉手腕，被動腕部裝置的鎖定也可以通過使用不可反向驅動的機構來實現(xiàn)
2自由度腕部由一個與旋轉器串聯(lián)的屈肌單元組成，形成一個U型關節(jié)。其中一種設備是OBRoboWrist ，它可以同時鎖住前旋和屈曲，當解鎖時，還可以通過轉動手腕上的項圈來調節(jié)運動產(chǎn)生摩擦阻力
3自由度人工手腕在某些方面優(yōu)于人類的手腕，如運動范圍或扭矩輸出。盡管一些假肢在設計中加入了3自由度手腕，但串行3自由度手腕設備在機器人應用中更普遍
具有相同數(shù)量自由度的設備之間進行比較時，串行機構往往比并行機構更長，對于串行機構，運動范圍和扭矩規(guī)格通常簡單地由執(zhí)行機構的選擇和基本形狀幾何決定
假肢需要直接的人類互動來發(fā)揮功能，而機器人手腕則完全是主動的,假腕還包括外部可調節(jié)功能，如可調節(jié)摩擦或鎖定；機器人手腕的任何調整通常都是在控制系統(tǒng)內完成的
由于軟體材料的發(fā)展，靈巧手也開始柔軟起來，如柏林工業(yè)大學研制的軟體、欠驅動、柔性多指靈巧手、康奈爾大學研制的軟體多指靈巧手、北京航空航天大學研制的軟體多指靈巧手
環(huán)境感知技術：機器人感知環(huán)境及自身狀態(tài)的窗口、運動控制技術：定位導航與運動協(xié)調控制、人機交互技術：人機有效溝通的橋梁
宋云峰博士分享了LDV激光測振及3D視覺傳感技術在智能機器人中的應用，主要介紹了智能機器人光學感知技術、LDV激光測振及3D視覺傳感技術原理及產(chǎn)品介紹、應用案例分享等內容
新型智能抓取機器人，結合深度學習方法，賦予機器人主動探索感知的能力，解決了Affordance Map缺陷，提高了機器人在復雜環(huán)境下的抓取成功率
新加坡國立大學（NUS）的研究人員利用英特爾的神經(jīng)形態(tài)芯片Loihi，開發(fā)出了一種人造皮膚，使機器人能夠以比人類感覺神經(jīng)系統(tǒng)快1000倍的速度檢測觸覺
