本文介绍了交互网络模型，它能够推断复杂系统中物体之间相互作用的方式，支持对系统动态预测，以及对系统抽象属性的推理。该模型使用深度神经网络进行对象和关系居中的推理，并可以推理多种具有挑战性的物理领域。 报告结果表明，它能够训练准确地模拟数十个对象在数千个时间步骤上的物理轨迹，估计能量等抽象量，自动推广到具有不同数量和配置的对象和关系的系统中。 该交互网络的实现是第一个通用的，可学习的物理引擎，是处理各种复杂真实世界领域中物体和关系的强大的通用框架。

Dec, 2016

利用自监督神经网络模型从观察到的轨迹数据中恢复相互作用网络并预测个体动力学的研究，应用于耦合粒子和耦合振荡器（Kuramoto）的两个动力系统。

Oct, 2023

该论文提出了一种神经模型，同时基于物理学原理和视觉先验进行推理和预测，通过对粒子的估计预测物理参数，即视觉基础，并在刚体、可变形材料和流体的复杂环境中证明了它的有效性，允许模型在几次观察内推断出物理特性，从而快速适应未见过的场景并进行准确的未来预测。

Apr, 2020

本论文通过 Region Proposal Interaction Networks 的方法在潜在区域建立对象表示来捕捉对象间和对象环境交互，并在长期预测中尤为有效，提高了预测质量和规划下游任务的能力，同时在新环境中具有良好的泛化性能。

Aug, 2020

本研究提出了一种无监督的物体中心预测模型，通过学习物体之间的视觉动态来进行未来预测，实验结果表明该模型在生成视觉质量和物理可靠性方面优于现有技术。

Mar, 2024

开发了一个动作条件视频预测模型，能够显式地模拟像素运动，从而学习关于物理对象运动的知识。同时，模型对对象外貌部分不变，可对以前未见过的对象进行推广。我们介绍了一个包含推动动作的 59,000 个机器人交互数据集，包括一个具有新颖对象的测试集。实验结果表明，与现有方法相比，我们的方法在定量和定性方面都能更准确地预测视频。

May, 2016

本研究提出了一种基于图形结构的变量循环神经网络 (Graph-VRNN) 的方法，该方法可以从学习的动力学模型中学习整合时间信息，从学习的视觉模型中学习模糊视觉信息，用于多智能体环境下的状态推断和预测，并在两个运动数据集上的实验中表现出优越性。

Feb, 2019

本文探讨了利用神经网络与分析模型相结合的方法，对传感器输入进行处理后提高机器人执行物理交互任务的通用性和降低所需的训练数据量。

Oct, 2017

本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

Feb, 2018

利用深度神经网络与微分方程系统之间联系的最新进展，我们提出了一种名为 “变分积分器网络” 的神经网络架构，旨在保留物理系统的几何结构，并且能够对复杂的动态系统进行精确的长期预测、解释和数据效率学习。

Oct, 2019