通过深度学习框架从机器人运动数据映射到单个技能级别，提出了一种无需特征工程或精心调整手势细分，即可成功解码技能信息的模型，并能在 1-3 秒窗口内可靠地解释技能，突出了深度架构在现代外科培训中高效在线技能评估的潜力。

Jun, 2018

本文通过设计一种卷积神经网络 (CNN) 来自动评估机器人手术中的外科医生技能，经过我们提出的方法在 JIGSAWS 数据集上得到了非常有竞争力的结果，并通过类激活图来解释各分类并提供个性化反馈

Jun, 2018

通过传感器融合的方法，对婴儿的运动模式进行自动分类可能显著提高基于人工智能的神经功能的早期识别，最终促进神经发育状况的自动化检测。

Jun, 2024

本研究使用深度学习方法，基于视频数据进行自动技能评估，结果表明使用 3D ConvNet 直接从数据中学习有意义的模式可以高效评估外科技术技能，使得人工特征工程不再是必须的。

Mar, 2019

本论文提出了一种新颖的基于循环神经网络和空间注意力模型的方法来识别任务关键视频区域，实现了自动技能评估，并在新收集的婴儿抓取任务数据集和其他四个手部操作任务数据集上进行了验证。

Jan, 2019

使用基于视频的评估和深度学习模型，生成热力图进行形式评估，并给出高风险总结性评估，使外科手术技能训练成果定量化和可复制化。

Mar, 2022

该研究探讨如何使用强化学习针对具有挑战的双臂机器人任务，通过模拟训练，实现直接传递未经过滤的观察信息到神经网络模型并保证仿真环境与实际情况一致。设计了一个基于磁力连接的联结任务，通过两个 xArm6 机器人，并在此基础上验证了该强化学习方法的可行性，对于成功拾取方块和连结任务的成功率分别达到了 100％和 65％。

Mar, 2022

通过训练具有不同损失函数的半球，该研究探讨了一种用于运动任务的双侧神经网络架构作为控制系统，以实现类似于人类的半球专门化，其中协调和运动效率较好的领先体系在协调性任务上表现出色，而非领先体系在需要位置稳定性的任务上表现更好，并发现双侧模型优于单侧模型，在两项任务中都优于 “非首选” 手，并且不同模型之间的神经连接对于专门化的模型不一定总是改进性能。

Jan, 2024

利用神经网络和 IMUs 原材料，作者设计了一种自动识别运动姿势的系统，即采用基于 CNN，LSTM 和 Dense 层的架构，利用构建出的数据集进行了训练。研究表明，该系统可以很好地识别出已知被试的运动姿势，但并不适用于未知被试者，并且不同的运动姿势识别性能存在显著差异。

Oct, 2022

扩展 RLBench 以进行双手操作的模拟基准测试，提供 13 项新任务和 23 个独特的任务变体，其中每个任务要求高度的协调和适应性。通过引入多种先进方法和 PerAct2 语言条件行为克隆代理，实现语言处理与动作预测的高效集成，使机器人能够理解和执行用户指定目标的复杂双手任务。

Jun, 2024