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。

本研究探讨了行人和车辆在结构化与非结构化环境中的运动轨迹差异。通过提取平均速度和轨迹变异性等特征，并结合K均值聚类和广义线性模型，提出了一种新方法来分类环境。研究表明，轨迹变异性、停留比例和行人密度等特征在两种环境中显著不同，可用于数据集分类。

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。

本研究提出了一种基于掩膜的运动轨迹框架，能够将静态图像转化为真实视频序列，有效解决了对象运动不准确和不一致的问题。该方法在多对象和高运动场景中展现了优异的时序一致性和文本提示忠实度。

本文介绍了一种通过分析运动轨迹和重力引力，从单目图像中测量人体高度的方法，平均绝对误差为3.9厘米。同时，提出了GraviCap和WHAM等新方法，利用重力和运动捕捉数据提高3D人体动作捕捉的准确性，结合人体运动先验知识和场景特征，显著改善了人体和相机运动的估计。

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。