该研究提出了一种名为ASQ-IT的交互式解释系统，旨在解决强化学习中解释不足的问题。该系统通过展示智能体行动的视频，帮助用户理解其行为并识别错误，具有重要的应用价值。

该研究提出了一种基于剧本的无监督行为理解方法，有效解决自闭症谱系障碍（ASD）诊断中的数据稀缺和可解释性不足问题，检测准确率达到92.00%，优于传统方法。

本研究探讨了人类视觉在行为理解中的作用，提出了一种基于行为接触建模的方法，并设计了行为预测框架。通过分析人类视频数据，研究机器人如何学习与未知对象的交互技能，实现零样本操作。引入新数据集HandDiffuse12.5M和生成方法，提升手部姿势生成的质量和控制能力。此外，提出了Diff-IP2D和视觉-运动策略学习框架，优化手物交互预测和机器人控制。