本研究探讨了机器人双手协调操控物体的策略，结合人类操控预测特性，避免了物体运动建模的需求。通过训练扩散模型和反向动力学模型，该框架在多种操控环境中表现出色，展现了强大的目标配置和行为合成能力。

本文提出了一种基于行为感知的学习框架，结合强化学习和反向动力学预测目标，将行动信息纳入表示学习中。该方法在视觉模型基准测试中表现优势，并通过实时数据训练，比预训练模型更具鲁棒性。

本论文提出了一种基于高斯过程回归的黑盒模型，用于识别机器人操纵器的反向动力学。该模型使用新颖的多维核函数，准确性、广泛性和数据效率优于其他方法。实验结果表明，该方法在模拟和真实机器人操纵器上表现出与基于模型的估计器相当的性能，但需要更少的先验信息。