北京男大学生与机器人合作，利用“本体感知”实现无遥控搬运物品，并提出新型强化学习方法COLA，以提高人机协作效率和降低硬件成本。

该文综述人类移动预测研究，涵盖数字孪生两阶段预测、图变换器、MobTCast兴趣点预测、图像提示增强轨迹预测、Social-Transmotion、MobilityGPT生成模型、TrafficTL跨城交通预测、SHIFT语言生成预测、MobiGeaR常识推理生成及CcFTL跨城联邦迁移学习等方法，均在真实数据集上验证有效。

本文研究了基于传感器融合技术的三维语义分割，提出了混合融合结构，并在KITTI数据集中评估了算法效果，相对于仅使用LiDAR的基线模型，在SqueezeSeg和PointSeg上分别提高了10%的分割精度。

该文介绍了一种新的机器学习模式COLA，用于少样本节点分类任务，结合了对比学习和元学习。作者通过广泛实验验证了该模式的重要性，并证明在所有任务上都取得了新的最先进水平。

CoLA是一种用于解决大规模线性代数问题的框架，通过抽象线性操作符和组合调度规则构建高效的数值算法，并提供内存高效的自动微分、低精度计算和GPU加速。适用于偏微分方程、高斯过程、等变模型构建和无监督学习等任务。