本研究提出了一种基于门控循环单元的变分自编码器，旨在学习机器人操控的潜在配置空间表示。该方法能够实时生成新配置，提升机器人操控的灵活性和适应性。

DeFlow是一种新型的神经网络，通过使用门控循环单元（GRU）细化，实现了从基于体素的特征到点特征的过渡，并解决了体素化过程中点特定特征丢失的问题。它还通过考虑静态点和动态点之间的数据不平衡，设计了一种新型损失函数。评估结果表明，在大规模点云数据上，DeFlow在场景流任务中取得了最先进的结果，具有更好的性能和效率。

EmSHAP是一种基于能量模型的Shapley值估计方法，通过引入门控循环单元消除了输入特征排序的影响，并提出了动态屏蔽方案来提高泛化能力。实验证明EmSHAP具有更高的估计精度。