我们提出了一种通用的运动表示方法，该方法涵盖了针对基于物理的人形控制的全面的运动技能范围。

Oct, 2023

本文提出了一个深度运动原语体系结构，将所有以前的操作编码，并使用贝叶斯上下文聚合器，同时保持了线性运动基元的操作，表明该方法在较大的输入选择变化时能更好地扩展以复制复杂动作。

Jul, 2023

本文介绍了如何将动态运动原始 (Dynamic Movement Primitives) 重构为具有控制输入的概率线性动态系统。通过这种概率表示，本文显示了卡尔曼滤波和平滑等算法在执行期间对前感觉传感器测量进行推理的可直接应用。我们进一步展示了推理如何通过反馈项自动调节 DMP 的执行，并测量成功执行给定运动基元的可能性。在这种情况下，我们展示了使用概率模型在模拟运动基元数据集中检测执行失败的初步结果。

Dec, 2016

该研究提出了一种基于转移子空间学习的无监督模型，结合了轨迹数据的几何结构信息和较大的自由度，通过 ADMM 算法实现学习辅助数据表示、非负字典和编码矩阵的优化，实验结果表明该方法在人体运动分割方面的聚类性能显著优于当前最先进的半监督转移学习方法。

Jul, 2021

利用神经概率运动原始系统可以离线训练解决灵活控制高维度物理仿真人形机器人的问题，同时最大限度地压缩数千个专家策略并学习运动原始嵌入空间。

Nov, 2018

我们通过将模仿和强化学习范式相结合，开发了一种学习和适应技能的混合模型，通过学习动态系统的关键点，利用机器人在技能学习过程中的视觉观察，预测场景内的参考点，从而实现机器人在新环境中的零样本泛化能力和在目标环境中更快地优化技能的目标，同时能有效处理场景变化。

Oct, 2023

本研究提出了一种新颖的自监督学习方法来学习对于动态运动变化有响应的视频表征，通过训练神经网络来区分不同的时间变换的视频序列，使得无需人工标注数据即可准确地识别视频中的不稳定运动并增强神经网络在小数据集上的训练。该方法经过实验证明，可显著提高 UCF101 和 HMDB51 上的动作识别的传递性能。

Jul, 2020

该论文对神经动态运动原理进行文献综述，强调了深度学习对于动态运动原理的研究所带来的影响，并探讨了在机器人领域生产准确的轨迹和控制机器人动态参数的挑战。

Aug, 2022

本文提出了一种学习算法，用于加速任务和运动规划问题的搜索，方法包括通过评估空间中的一组解的表现来预测搜索空间上的约束条件，以及通过类似评估空间的相似性来传递先前问题上的知识，并设计了一个顺序算法来高效地预测这些约束条件。实验结果表明，该算法比未引导的规划方法快几个数量级。

Jul, 2018

利用深度学习方法实现人到机器人动作重定向，无需人与机器人动作数据对齐，构建共享的潜空间并进行机器人运动控制，通过简单线性插值生成中间动作，多种输入模态下的机器人控制全面评估，与现有工作相比，在增加自然人机沟通的能力和提升机器人融入日常生活的信任度方面展示了有效性。

Sep, 2023