本研究解决了现有深度学习模型在轨迹预测中预测不可信和不合理的问题。我们提出了一种新方法，结合了所有交通参与者类别的交互和运动学先验，通过特定于类别的交互层来捕捉行为差异，同时引入了基于规则的交互重要性评分DG-SFM，以提高交互的可解释性。实验结果表明，尽管准确率略有下降，但我们的方法消除了数据集中不合理的轨迹，从而增强了轨迹预测的可信度。

本研究解决了现有方法在处理多自由度物体时的局限性，尤其是在 occluded joints 和操作序列方面的不足。提出的物体运动学序列机器（OKSMs）能够捕捉运动约束和操作顺序，通过Pokenet 网络从人类示范中学习模型，显著提高了关节轴和状态估计的准确性。所提出的方法在模拟和真实世界样本上均取得了优异表现，具有广泛的应用潜力。

该研究提出均质动态空间（HDyS）方法，整合不同领域的数据，以解决人类动态异质性问题，促进对人体运动学和动态的理解，具有广泛的应用潜力。

本研究通过分析书写过程中的运动学和压力特征，成功区分帕金森病患者与健康对照，构建的书写数据库使得支持向量机（SVM）分类器的诊断准确率达到81.3%。

本文介绍了多种基于深度学习和计算机视觉的技术，旨在提高安全性和生物力学分析，包括LSTM-RNN脑震荡检测、YOLOv5实时头盔检测、3D头部模型生成和脊柱生物力学分析框架，展示了在安全和健康领域的应用潜力。

本文介绍了一种基于RGB相机的多对象重新排列规划方法，结合蒙特卡罗树搜索和深度神经网络进行状态估计。该方法在UR-5机械臂上成功验证，解决了多个实例，并探讨了运动学逆解模型、碰撞预测和任务驱动的图像压缩等技术，展示了机器人在复杂场景中的高效运动规划能力。

使用基于运动学的方法从单视角 RGB 图像中重建三维人机交互（HOI），解决了深度信息和潜在遮挡的挑战。该方法通过改进的正向运动学算法确定关节的姿势，并引入 CRRNet 来准确确定接触区域。实验证明，该方法在 BEHAVE 基准测试上性能优于现有技术，并且具有良好的可移植性和集成性。

本文研究了使用深度学习方法模拟肌腱致动连续机器人的机械滞后行为。通过比较三种神经网络建模方法，发现带有历史输入缓冲区的FNN和LSTM模型能更准确地捕捉时间依赖行为。不同的运动学输入可以改变系统是否表现出滞后现象。

本文介绍了一种名为“层次性扩散器”的规划方法，结合了层次化和基于扩散的规划的优点。该方法在更高的层次上采用“跳跃”规划策略，拥有更大的感受域，计算成本较低。实验证实了该方法在培训和规划速度方面的卓越性能和效率。同时，探讨了该方法在复合性的分布任务中的泛化能力。

本文提出了一种基于先验知识引导的网络 (PKG-Net) 来解决视频异常检测 (VAD) 任务。该方法通过将自编码器网络与两个指定的代理任务相结合，提供了更好的未知样本泛化能力，并对适当特征块进行知识蒸馏，以增加模型的多尺度检测能力。实验结果表明，该方法在三个公开基准上验证了其有效性和准确性，超过了最近的最先进方法。

该研究提出了一种名为MotionDiff的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了“白化”的潜在变量，而无需任何可训练参数，证明MotionDiff模型在两种数据集上具有竞争力的准确性和多样性表现。