本研究解决了强化学习在每项新技能学习中需大量数据收集的挑战。通过提出一种可转移的潜在到潜在运动策略的潜在训练框架，结合任务特定的观察编码器和动作解码器，提高了各种机器人在新任务上的适应效率。实验表明，该方法有效地将预训练的策略推广到新机器人和新任务，从而显著提高了适应性和效率。

本文概述了机器学习在步态和运动生物力学中的应用，重点讨论了数据可用性和可解释性等局限性，并强调了跨学科方法的重要性。

深圳众擎机器人推出的人形机器人SE01在海外引发关注，具备接近人类的步态和运动能力，成本控制在10万元以内，预计两个月后商用。该机器人可进行俯卧撑等动作，采用自研电机和开源算法，团队成员多来自小鹏机器人。

本研究提出了 J-Net 深度学习模型，旨在解决神经退行性疾病患者在不自主运动情况下的步态检测难题。通过自监督预训练和微调，该模型显著提升了步态检测的准确性，为相关研究提供了新资源。

本研究提出了GainAdaptor框架，旨在提高四足机器人在多变地形下的适应性和能效。通过双重行为者算法，GainAdaptor能够动态调整关节的PD增益，实现稳定且节能的步态，实验结果显示在多种地形上均有显著改进。

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。

本研究解决了多发性硬化症（MS）步态评估工具缺乏的问题，提出了一种基于单位四元数时间序列（QTS）的方法来表征步态。研究的关键贡献是建立了一种将QTS数据转化为合成数据框架，并提出了一种基于最近邻加权的合成数据生成方法，能够在小样本和私有数据环境下高保真地产生步态数据，显示了良好的数据几何特性保留能力。

本文介绍了多种基于图卷积网络的步态识别方法，如反馈图卷积网络（FGCN）、GaitGraph和CAG，强调其在骨架动作识别中的优势和实验效果。同时，提出了新的时空转换网络和异步多流图卷积网络（AMS-GCN），以提高步态分析的准确性和实用性。

本研究针对传统RGB相机在不同光照条件下的局限性，提出了一种稀疏到密集步态点云上采样模型（LidarGSU），旨在提升激光雷达步态识别的泛化能力。通过利用扩散概率模型（DPMs），我们创造性地实现了在稀疏步态点云上进行视频到视频的转化，从而提高识别性能。研究结果表明，该方法在低分辨率传感器捕获的真实世界数据集中具有良好的应用前景。

本研究针对步态识别中的2D表示能力限制，提出了一种基于激光雷达的3D步态特征识别新方法HorGait。该方法结合Transformer架构和混合模型结构LHM Block，实现了输入适应和高阶空间交互，显著提升了在复杂环境下的识别精度。实验结果表明，HorGait在SUSTech1K数据集上实现了最先进的性能，为Transformer架构在步态识别中的应用提供了新视角。

本研究结合模型控制与强化学习，开发了四足动物的鲁棒控制器，提升了其在复杂环境中的适应性和能源效率。实验表明，该控制策略在真实环境中实现了高鲁棒性和节能，推动了机器人技术的发展。

本文探讨了深度强化学习在机器人设计与控制中的应用，提出了模仿学习、注意力机制和过渡网络等方法，以提升四足机器人的性能与效率。这些技术有效改善了机器人的运动技能和适应性，推动了机器人在现实世界中的应用。

本文介绍了一种新型神经网络政策训练技术，应用于四足和双足机器人的运动控制，结合模型驱动规划与强化学习，显著提升了在复杂地形中的适应性和鲁棒性。研究结果表明，该方法在多种环境中表现优异，具有广泛的实践价值。

本文介绍了多种步态识别方法，包括深度集、图卷积网络、元学习和注意力机制等，展示了在不同数据集上的优异性能。研究强调了运动模式与外观信息的相互作用，提出了新型骨骼图表示方法，并指出需要多样化的数据集以推动该领域发展。

本研究提出了多种步态识别方法，包括基于卷积和循环神经网络的双向注意力模型及上下文敏感特征学习网络，展现出优越的识别性能和鲁棒性。同时，构建了新的步态识别基准数据集GREW和Gait3D-Parsing，推动了步态识别技术的发展。

本文介绍了一种新型步态识别方法GaitFi，利用WiFi信号和视频实现人体识别，准确率达到94.2%。同时，研究了可重构智能表面（RIS）的应用，提出基于深度学习的无线配置方法，显著提高了信号传输速率和覆盖效果，为未来无线通信提供了新思路。

本文综述了过去五年的人体姿势估计方法，重点分析了其准确性、速度和鲁棒性。研究比较了多种方法，提出了基于深度学习的创新架构，并强调了零样本方法在下肢假肢步态分析中的潜力，探讨了未来研究方向。