本研究提出了一种新型的4D占用世界模型T$^3$Former，旨在提高智能体运动轨迹与环境变化的关联性和实时预测能力。实验结果显示，T$^3$Former的推理速度达到26帧每秒，平均交并比提升至36.09，规划误差降低至1.0米。

本研究提出了一种新模型，通过结合手术工具的历史位置信息和解剖特征，预测工具的未来运动轨迹，强调了解剖特征在神经外科手术决策中的重要性。

本研究针对动态3D场景理解的挑战，提出了一种通过互联网视频提取高质量4D重建的方法，生成伪度量3D点云和运动轨迹。实验结果表明，DUSt3R变体在重建数据上有效预测结构和3D运动，具有良好的泛化能力。

本研究提出了一种图表示方法，解决了人类运动轨迹提取中的轨迹表示不足问题，保留了地理层级信息和时间顺序，并建立了基准数据集。实验表明，虽然可以准确预测访问地点及其顺序，但预测层级关系仍然具有挑战性。

该论文提出了一种基于任务行为生物特征认证的方法，利用个体的运动轨迹作为唯一签名，在虚拟现实环境中实现无缝的持续认证。通过使用深度学习方法进行行为生物特征认证，准确率较高。该研究首次使用基于 Transformer 的预测方法，解决了性能较低的问题，并显著改进了使用预测数据进行用户认证的效果。