本研究提出了一种混合注意力-曼巴框架（HAMF），旨在解决自主驾驶系统中的运动预测信息降级问题。通过共同编码场景上下文与未来运动状态，HAMF提高了运动预测的准确性和多样性。实验结果表明，该模型在Argoverse 2基准测试中表现优异。

本研究提出了一种名为UMotion的在线融合状态估计框架，旨在解决稀疏可穿戴惯性测量单元在3D人体运动估计中的姿态模糊、数据漂移和适应性差等问题。通过集成IMU与六个超宽带传感器，提升了姿态准确性，克服了人体形状变化和数据不稳定的挑战。

本研究提出了一种新的多粒度手势生成框架M3G，解决了基于音频生成全身人类手势时粒度固定的问题。M3G利用多粒度VQ-VAE技术，能够以不同时间粒度标记和重建运动模式，实验结果表明其在生成自然、富有表现力的全身手势方面优于现有方法。

本研究提出了一种新型对抗性多目标优化技术，解决了手动调优聚合函数的效率和适用性问题。该技术通过对抗性差分判别器引导优化，提升了角色的灵活性和杂技表现，且质量与先进运动跟踪方法相当，拓展了应用潜力。

本研究提出了一种自适应运动优化（AMO）框架，旨在解决人形机器人在高自由度和非线性动态下的运动控制问题。AMO结合了仿真-现实强化学习与轨迹优化，实现了实时自适应的全身控制，显著提高了稳定性和操作工作空间，支持机器人自主执行任务。

本研究提出了StableMotion方法，旨在解决运动捕捉数据中的视觉伪影问题。该方法通过运动质量指标有效训练模型，减少对高质量配对数据的依赖，从而显著降低运动伪影的出现。

本研究提出了一种无监督的图像重建算法，旨在解决自由呼吸和未门控3D心脏MRI中的运动补偿问题。该算法通过低秩模型有效表示运动相位，显著提升了心脏MRI图像的恢复质量。

本研究提出DualReal框架，解决视频定制中的身份与运动冲突问题。通过动态选择训练和去噪阶段，有效融合身份与运动模式，实验结果表明其在多个评估指标上优于现有方法，推动视频生成技术的发展。

本研究提出了LLM-PAS系统，利用预训练的大型语言模型提升智能机器人在日常任务和复杂操作中的规划与执行能力。通过将约束检查从规划阶段转移到执行阶段，增强了任务执行的稳定性和反馈准确性，实验结果表明该方法在处理异常情况时表现优异。

本研究提出了一种基于分层强化学习的双向任务-动作规划方法，旨在解决群体机器人在动态环境中的决策问题。实验结果显示，该方法在对抗中的胜率超过80%，决策时间低于0.01秒，展现出良好的应用潜力。

本研究提出了一种新方法，通过整合动态意图点，提升自动驾驶轨迹预测的准确性，尤其在处理与地图数据不符的真实轨迹时效果显著。

本研究提出了“凤凰”框架，旨在提升机器人在失败后的自我纠正能力。该框架结合高级语义反省与低级动作纠正，采用双进程调整机制，实现精准的细粒度动作纠正。实验结果表明，该框架在多种操作任务中展现出优越的泛化能力和鲁棒性。

本研究提出了一种基于自然植被叶片运动的新型风速测量方法，克服了传统方法的局限性。通过分析叶片运动与风速的关系，实现高效的远程风速监测，提高天气预报和气候模型的准确性。

本文提出了一种基于教师-学生范式的教师先验框架，旨在提高机器人在复杂地形上的运动稳定性。通过模仿学习和辅助任务学习，该框架显著提升了人形机器人的运动能力，并降低了开发成本。

本研究提出了一种新的路径数据库引导方法（PDG），有效解决了机器人运动规划中信息利用不足的问题。PDG通过动态选择扩展节点和实时更新数据库，提高了搜索效率，实验结果表明其在多种环境下表现优异。

本研究提出了一种深度学习框架，结合第一阶运动模型（FOMM）和变分递归神经网络（VRNN），以优化运动传输视频的带宽，生成关键点的时间序列，从而提升视频会议等应用中的预测和传输效率。