本文提出了一种称为视觉构型空间（VCS）的替代构型空间概念的特征化方法，可以使具有图像的机器人在其固有的 peripersonal 空间内规划无障碍运动，包括在机器人运动规划中构建和使用无几何模型、解释人类婴儿如何通过运动 babbling 来学习到其 peripersonal 空间内的物体接触，并在虚拟环境中自动生成自然外形的数字化头部动作动画。

Oct, 2022

本研究旨在自动识别高维物理系统中低能量状态下的低维子空间，通过使用神经网络来将低维潜在向量映射到完整的配置空间，并提出了对于任意系统兴趣的训练方案，为非线性、弹性体、布料子空间以及碰撞刚性体和连杆等更一般的系统都提供了有效的解决方案，可以用于操纵、标记插值和采样等应用.

May, 2023

提出了一种利用单个 RGB 图像来检索机器人手臂的关节角度的新方法，该方法基于运动规划和控制算法所需的准确联合角度数据的收集，将机器人运动与物理空间中的距离几何表示联系起来，利用机器人的运动学模型训练一个浅层神经网络来预测结构关键点间的距离，并通过多维缩小和简单的逆运动学过程来恢复关节角度。本文在 Franka Emika Panda 手臂的真实 RGB 图像上展示了该方法的高效性和稳健的泛化能力，以及该方法可以轻松地与密集的细化技术相结合以获得更好的结果。

Jan, 2023

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

研究提出了一种结合黑盒优化和视觉分析的自动调优框架，用于储存系统性能优化，其中包括交互式配置浏览器 ICE，用于与类别变量上下文联合显示依赖数值变量的完整分布和统计信息。

Apr, 2022

本文介绍并对比三种多机器人交互预测算法，包括使用直观的定性表示，纳入静态和动态上下文，采用输入和时间注意力机制，基于状态 - of-the-art 深度神经网络，利用数据驱动的预测方法和 QTC 空间交互进行运动预测。实验结果表明，纯数据驱动的预测方法通常优于其他两种方法，并进一步评估其泛化能力。

Jun, 2023

自动化系统越来越多地使用端到端训练的控制器进行实现。本文提出了一种将详尽的闭环验证与高维控制器相连接的方法。我们的关键见解是，高维控制器的行为可以用不同状态空间区域的几个低维控制器来近似。为了平衡逼近和可验证性，我们利用最新的验证感知知识蒸馏。然后，如果低维可达性结果受到统计逼近误差的膨胀，它们就可以为高维控制器提供高可信度的可达性保证。我们研究了两种膨胀技术 -- 基于轨迹和动作 -- 它们在两个 OpenAI gym 基准测试中都表现出令人信服的性能。

Nov, 2023

通过统计学方法和数据驱动的模型，我们提出了一种辅助机器人操作的方法，可以准确地估计用户意图，并主动寻求干预。

Jun, 2024

该研究提出一种基于超图的多机器人任务和动作规划方法，将规划空间分解为互相独立的空间子集，使得规划时间相对于已有方法加速了三个数量级，并且展现了该方法在其他多机器人任务和动作规划问题上的有效性。

Oct, 2022

通过利用人与场景的交互可有效提高单目视频的 3D 场景重建，同时优化人的姿态估计，本论文基于三种 HSI 约束条件，即深度排序、是否穿插目标、接触面，使用优化方法再形成一致、物理合理且功能性 3D 场景布局，并对其在 PROX 和 PiGraphs 数据集上进行定量定性评估。

Mar, 2022