本文提出了一种基于扩散模型的四足动物运动方法，解决了多技能学习和离线适应新运动行为的挑战。该框架首次应用无分类器引导扩散，展示了其与多技能策略的兼容性及低计算开销。

本研究提出了一种基于扭矩的强化学习框架，验证了其在四足动物控制中的优越性，展现了更高的奖励和抗干扰能力，并首次实现了扭矩控制从模拟到实际应用的转变。

该研究提出了一种从合成动物数据集学习语义部分分割的方法，通过改进现有的领域自适应方法，实现了更广泛的姿态多样性。研究在PartImageNet上验证了该方法的有效性，并展示了合成虎和马的学习部分在所有四足动物上的可传递性。