PASTA 是一种新颖的渐进聚合空时对齐框架，通过利用层次表示进行特征分解，从而实现高效性和效果性。通过在层次结构中利用不同的粒度，我们的方法极大地提升了计算速度并优化了 HDR 成像工作流程。实验结果展示了 PASTA 在视觉质量和性能指标上相对于当前最先进方法的优势，推理速度大幅增加了 3 倍（x3）。

Mar, 2024

Skipper 是一个受人类有意识规划启发的基于模型的强化学习代理，利用空间和时间抽象来在新情境中推广学到的技能，通过自动将任务分解为更小、更可管理的子任务来实现稀疏决策，并将计算集中在环境相关的部分。与现有的基于层次规划的方法相比，基于图的高层代理问题的定义和端到端学习的顶点和边的学习确保了性能保证，理论分析确定了我们的方法在何种情况下有帮助。通过以泛化为重点的实验验证，Skipper 在零样本泛化方面具有显著优势。

Sep, 2023

本文介绍了一种使用带有空间和时间注意力层的方法来提取点云中的 3D 场景流信息，该方法名为 FESTA，相比其他基于场景流估算的新方法，在场景流估算准确度和性能方面有了显著的提升。

Apr, 2021

该研究提出了一种通过建模细粒度城市范围内历史人流的时空模式来预测未来城市范围内人流的方法，利用一种名为 PASTA 的神经网络来准确捕捉细粒度地图的不规则时空模式，实验结果表明我们的模型在存在不规则空间区域的复杂条件下表现优于其他基准模型，并提供定性分析以得出模型高度关注的关键时间信息。

Oct, 2023

该论文研究了在存在大量形状差异的物体类别中，如何使用高效的物体表示方式和机器学习方法，实现基于感知输入的机器人运动规划，来完成任务。

Sep, 2019

本文提出了一个基于图形结构的框架，包含可视化预测模块及提案网络模块，利用低维潜在空间进行常规复杂操作的动作计划，验证了在模拟环境和实际机器人中制定可行的任务完成方案及操作计划。

Mar, 2020

本文介绍了一种名为 PF-Track 的多相机 3D 多目标跟踪框架，它重点强调时空连续性，过去和未来的推理，采用 “注意跟踪” 框架，并使用对象查询一致地表示跟踪实例，以明确使用历史线索，显式地引用前面帧和其他对象的查询，从而学习优化轨迹并增强物体特征。

Feb, 2023

本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。

Sep, 2021

本文介绍了一种用于序列数据学习和推理的变分方法，即基于变分时间抽象（VTA）的分层循环状态空间模型，该模型能够推断潜在的时间结构并因此进行随机状态转换分层；同时本文还提出了将该模型应用于增强想象学习中的跳跃想象能力实现，并且实验验证表明本文提出的方法能够对 2D 和 3D 视觉序列数据集进行可解释性时间结构发现并且应用于多样化的想象能力可以有效提高 3D 导航任务中的智能体学习效率。

Oct, 2019

利用数据中的统计规律，我们提出了空间规划变换器 (SPT)，通过学习障碍地图生成长程空间相关的行动来规划移动路径，实现了比先前数据驱动规划方法更好的算法，能够适应不同的障碍地图和任务目标。

Dec, 2021