该研究旨在从图像中学习自包含的身体部位表示形式（即称为视觉符号）及其符号化的几何上下文，以此来解析人类姿势，并利用潜在支持向量机和有效的交叉验证过程来对视觉符号进行分类，实现对肢体部位的精细分类。当姿势的构造部分是一棵树时，我们提出了一种有效的方法来估算图像中的人体姿势，并通过两个大型数据集的实验表明，该方法优于现有的方法。

Apr, 2013

提出了一种基于 “DULA” 的姿势评估工具的人类机器人交互的姿势估计、评估和优化的新框架。

Aug, 2021

通过引入三种新方法，我们将全身运动形式化为动态系统的状态空间模型，利用深度学习和统计算法估计参数。这些表示遵循手势操作模型（GOM）的结构，描述了通过时空假设的运动。这些方法用于人类运动的精确生成和专业运动的身体灵活性分析。

Apr, 2023

机器学习模型通过分析座椅背部和座位的 32 x 32 压力传感器所收集的数据进行姿势识别，实现对六个坐姿的分类，平均分类准确率在受控和逼真数据集上分别达到了 98％和 97％。

Jan, 2022

本研究提出了一种新方法，利用一种姿态不变形状空间对人体形状变化进行建模，结合基于骨骼的变形对姿态变化进行建模，用于估计着装人体扫描的静态和运动序列中的身体形状和姿态，改进了现有统计模型的拟合准确性。

Dec, 2013

采用基于视频序列的完全无监督深度学习过程，该过程可以描述一个活动的最基本组成部分，即单个姿势及其独特的过渡。

Aug, 2017

通过在仿生系统中应用主动推理身体感知和行为模型，能够在机器人上实现适应性身体感知和动作，并分析该方法适用于现实世界的交互。

Jun, 2019

提出了一种用于 3D 姿势估计的低成本、无侵入感的多传感器算法，基于 OpenPose 2D 姿势和机器人轨迹，使用粒子滤波器，技术可应用于 PHRI 领域，性能比使用 OpenPose 或机器人轨迹的单一传感器人体姿势估计更好，以及在使用 RULA 评估工具上的姿势评估表现更好。

Aug, 2022

本文研究采用运动传感器技术对有限活动能力的人体上半身动作进行捕捉，将其作为输入来控制 7 自由度辅助机器臂。通过对两位参与者的实验数据进行初步分析，观察到利用机器智能可以发现高维机器人控制中一些关键的难点和不一致性，从而促进未来接口学习的发展。

Oct, 2021

研究了如何将在一个环境中学到的知识传递到另一个环境中的关键问题，并通过学习人类期望机器人执行哪些任务的中间表示方法，来提高机器人学习效率，从而为人类与机器人的互动打下基础。

May, 2022