本研究提出了一种基于物理模型的乒乓球弹道过滤和预测方法，首次将数据与物理先验知识相结合，通过神经网络推断球的初始条件，采用比黑盒模型更准确的方法预测球的运动轨迹，并在评估机械手臂的实际返回表现时取得了高达 97.7% 的成功率。

May, 2023

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

本文提出了基于高斯混合模型和因子图框架的非线性最小二乘优化，用于处理三维空间中多个移动物体的跟踪问题，并展示了在 KITTI 跟踪数据集上实验的表现。

Aug, 2020

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

该论文提出了一种使用矩阵分解来进行序列 3D 人体姿势估计的深度学习框架，通过对轨迹系数矩阵进行深度回归操作，可以为输入序列中的每个帧输出 3D 姿态估计，取得了多个基准数据集上最先进的表现。

Aug, 2019

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

研究人员开发了一种基于图结构的 Trajectron 模型，利用递归序列建模和变分深度生成建模来预测多个代理的未来轨迹，通过多个数据集的结果表明其性能达到了最佳，并引入了一个新的指标用于比较输出分布的模型。

Oct, 2018

本文介绍了一种用于检测和跟踪羽毛球的方法，该方法通过特性判断和结合背景信息解决羽毛球不易检测的挑战，并且能够达到 100% 的准确度和 84.1% 的 F1 平均值。

Jun, 2023

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

通过使用 Transformer 架构，从人体位置、头部朝向和三维关键点等输入特征来预测人类在人类中心环境中未来的轨迹，该模型捕捉了未来人类轨迹预测中的内在不确定性，并在常见预测基准和适用于预测任务的移动机器人跟踪数据集上取得了最先进的性能。在这种具有挑战性场景中，我们发现历史数据有限的新主体是错误的主要来源，并展示了三维骨骼姿势在减少预测误差方面的互补性。

Sep, 2023