通过多相机系统与因子图的创新方法，结合人体姿态数据和时间卷积网络（TCN）来定位网球、预测轨迹，估计速度和旋转，提供更准确的旋转先验信息，从而提高运动初始阶段的隐藏状态推理能力。

Jan, 2024

基于高准确度视觉检测和快速机器人反应的改进型乒乓球机器人系统，通过多模态感知系统的创新校准方法实现了对旋转估计至关重要的精确度更高的旋转估计方法，并展示了结合基于事件的摄像头和脉冲神经网络（SNN）输出进行准确球检测的方法。

Oct, 2023

本文利用球的轨迹，仅仅使用单个摄像头记录了四名职业乒乓球选手执行的六种不同类别的打法，通过 YOLOv4 和 TrackNetv2 等深度学习算法，研究了在乒乓球场上捕捉和识别击球动作的新方法。

Feb, 2023

该篇论文深入研究了一个真实世界的机器人学习系统，该系统能够和人类进行数百次乒乓球对打，并能够精确地将球返回到指定目标。论文提供了完整的系统描述，包括通常不广泛传播的设计决策，并附上一系列研究，澄清了减轻潜在延迟来源的重要性，考虑训练和部署分布变化的影响，感知系统的稳健性，策略超参数的敏感性以及行动空间的选择。

Sep, 2023

使用事件摄像机利用光流从提取的事件中推断球的自旋，在实时环境中实现飞行球的自旋估计，平均自旋幅度误差为 10.7±17.3 rps，自旋轴平均误差为 32.9±38.2°。

Apr, 2024

该论文提出了一种基于 Set Transformer 和层次结构的推理框架，用于通过球员轨迹推断足球的轨迹，实现了自然且准确的轨迹预测，并提出了几种实用的应用包括缺失轨迹计算与自动放映。

Jun, 2023

运用递归神经网络模型预测三分球成功率的研究表明，深度学习模型相对于以特征工程为主的传统机器学习方法在运用职业篮球比赛数据进行预测时表现更加优秀。

Aug, 2016

通过控制机器人关节以 100Hz 的速度返回乒乓球，我们提出了一种模型无关的算法，并证明了进化搜索方法能够在非视觉输入和时间之间卷积的基础上作用于基于 CNN 的策略体系结构，学习紧凑的控制器，在适当调整任务和奖励的情况下，策略能够发展多模态样式，同时在广泛的球类投掷范围内实现 80％的回球率，观察到多模性不需要任何建筑先验知识。

Mar, 2020

本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019

我们介绍了一个新的高分辨率、高帧率的立体视频数据集 SPIN，用于跟踪和动作识别，在乒乓球比赛中进行。数据集包括 53 小时的训练数据和 1 小时的测试数据，并针对该数据集介绍了几个基准模型。该数据集可以用于机器学习和视觉任务的许多领域，如跟踪、姿态估计、半监督和无监督学习以及生成建模。

Dec, 2019