RoboPEPP是一种新方法，旨在提高机器人在未知关节角度下的姿态估计性能。该方法通过掩码自监督嵌入预测架构，将机器人的物理模型信息融入编码器，从而增强对机器人物理结构的理解。研究表明，RoboPEPP在姿态和关节角度估计中表现最佳，且对遮挡的敏感性最低。

本研究提出了一种基于RGB视频和2D姿态估计的步态分析方法，克服了现有技术的局限性，通过关节角度分析，提高了临床决策的客观性和准确性。

本文介绍了一种基于深度学习的手势生成模型，该模型结合语音的声学和语义信息，生成对应的关节角度序列。模型分为脚本引导的手势生成和音频引导的节奏细化两个阶段。实验结果表明，该方法在手势的语义和节奏感知方面表现优异，适用于多种应用场景。

该文介绍了一种利用单个 RGB 图像来检索机器人手臂关节角度的新方法。该方法通过收集准确的联合角度数据，利用机器人的运动学模型训练一个浅层神经网络来预测结构关键点间的距离，并通过多维缩小和简单的逆运动学过程来恢复关节角度。