基于摄像头运动捕捉和可穿戴传感器数据，我们提出了一种新型的仿生义肢应用模型，它可以学习人类行走时下肢的协同耦合，推断缺失的下肢在爬坡和上楼等不同任务中的运动行为，并具备多任务、持续适应、预测运动和修正的能力。经过实验证实，我们的模型在包括跖骨切断者在内的真实世界人体步态数据集上始终优于基准模型，在受分布偏移、对抗扰动和噪音等影响的情况下表现出色。

May, 2024

人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架，该框架在高斯过程回归模型中结合了人体关节约束和场景约束，以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动，并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明，当明确考虑这些约束条件时，高斯过程框架的性能得到了显著改善。

Oct, 2023

该研究介绍了一种创新的零样本方法，利用图像生成扩散模型实现无标记姿态估计，为下肢假肢的步态分析提供了有希望的解决方案。该方法能够提高对假肢关键点的检测效果，并使临床医生能够在整个步态周期中对下肢截肢者的运动学状况获得宝贵的洞察。研究结果不仅证实了这种零样本方法的可行性，还强调其在推进下肢截肢者步态分析方面的潜力。

Dec, 2023

我们提出了一种数据驱动的方法，从动作捕捉数据中学习逼真的解剖约束上肢运动范围界限。此方法采用了一种高效的超参数调整方案，通过拟合一类支持向量机模型来实现。我们的方法在有效运动范围学习方面优于类似的研究，并提出了一种功能指数评估指标，用于比较健康和受损手臂的能力 / 损伤。我们通过将健康受试者物理约束模拟为偏瘫和不同残疾程度的中风患者，对该指标进行验证。

Nov, 2023

早期研究旨在通过将人类动作领域中的关节位置序列转化为给定机器人能够实现且受其体现约束的动作领域，从而改进在线人机模仿技术。通过提出一个编码器 - 解码器神经网络模型进行领域转换，利用深度学习方法的泛化能力来解决这个问题。为了训练这样的模型，可以使用与机器人和人类动作相关联的配对数据，然而这样的数据在实践中非常稀少且收集费时。因此，我们转向了无配对领域转换的深度学习方法，并将其改进以实现人机模仿。

Jan, 2024

本文提出了一种基于稀疏表面标记预测人体运动的方法，通过 MOJO 模型生成高频成分的动画，使用 SMPL-X 模型保证解决方案符合身体的真实形态，并取得了最先进的结果。

Dec, 2020

本研究提出了一种采用 3D 人体姿态估计和强化学习相结合的新型运动模仿模型，通过将运动模仿转化为强化学习中的关节角度预测问题，从而极大减少了对大量训练数据的依赖，使得模型能够从仅有几秒钟的视频中学习模仿策略，并展现出强大的泛化能力。该项目可轻松地将人的手臂运动模仿到机械手臂上，表现出卓越的性能和稳健的迁移能力。

May, 2024

通过表面肌电信号和步行周期启发的学习策略，该研究提出了一种模型，成功预测人体膝关节角度，并在相关文献中取得了至少 9.5% 的误差减少，为该领域的最佳表现。

Jul, 2023

通过自我监督的模仿学习方法，使用自回归时空图神经网络进行辅助饮水任务，利用多样化的人体运动轨迹数据来生成适合 UR5e 机器臂的自然而又功能性的饮水运动轨迹。

Sep, 2023

使用时间序列数据从肌电图电极和运动传感器中顺序地识别患者目标，研究结果表明，该目标识别方法比现有的机器学习技术在精确度和召回率方面都明显更好，并且当错误发生时表现得更加谨慎，这有利于模拟假肢的平滑运动。

Sep, 2023