本研究提出了一种基于目标条件的概率模型预测控制（GC-PMPC）方法，旨在解决多目标灵巧手操控的学习挑战。通过概率神经网络描述手动力学，并引入异步MPC策略，GC-PMPC在四个模拟场景中表现优于现有基准，展现出卓越的学习效率和控制性能。

本研究提出PAD框架，通过扩散变换器统一图像预测与机器人动作生成，显著提升机器人控制性能和泛化能力。

本文介绍了多种基于深度学习的技术在无人机和轨迹预测中的应用，包括鲁棒非线性控制器、Goal-GAN模型、条件速度生成对抗网络、对抗攻击框架及增强的CNN-LSTM网络。这些方法显著提升了控制性能、轨迹预测准确性和抗干扰能力，推动了无人机自主降落和路径规划的研究进展。

本研究提出了DiffLight模型，旨在解决交通信号控制中的缺失数据问题。该模型结合部分奖励条件扩散框架，显著提升了在数据缺失情况下的控制性能，实验结果表明其在多种场景下表现优越。

本研究提出了一种学习基础的模型预测控制（LBMPC）方案，旨在提高系统性能并确保安全性。LBMPC通过统计识别工具和维护两个模型，在优化框架中实现安全与性能的分离。同时，研究探讨了基于神经网络的控制器设计，强调在未知系统模型下的闭环稳定性和控制性能。

该论文提出多种基于强化学习和高斯过程的方法，以提高无人机在复杂环境中的控制性能和安全性，包括对抗性强化学习、深度强化学习控制器和安全导航技术，模拟结果表明其有效性。

本文提出了一种基于学习的控制策略，用于非线性节流阀，通过比例积分器和强化学习改进闭环行为。实验结果表明，该方法在控制性能上优于传统方法。

研究人员提出了一种新的损失函数，用于改善机械手逆动力学的控制性能。实验结果显示该方法比传统方法更准确，并在死区中的模型行为得到验证和讨论。