- 命令式学习：机器人自主性的自我监督神经符号学习框架
通过引入自我监督的神经符号化 (NeSy) 计算框架，基于符号推理能力，本文提出了基于指令学习 (IL) 的新的面向机器人自主性的方法，克服了数据驱动方法在应对不断变化的环境中泛化能力差的问题，通过三个主要组件的循环学习，验证了其在路径规划 - 菜谱空间的拓扑分析
利用拓扑数据分析，尤其是持久同调，研究了烹饪食谱的空间，通过在这些拓扑信息上进行组合优化，提出了生成新的食材组合的方法，并通过感官评估研究证实了这些新的食材组合的可接受性，研究结果表明拓扑数据分析在研究烹饪食谱中具有提供新工具和见解的潜力。
- 合拢式远程操作：自信地将人类输入映射为高维机器人动作
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。
- 精确剪切粘贴：一种内容和角度感知的道路损伤检测数据增强方法
我们提出了一种改进的 “剪切 - 粘贴” 增强技术，既考虑了图像中道路的真实位置，又考虑了注入损伤和目标图像之间的透视差异。
- 连续测试时间域适应以有效检测不断变化的工作条件下的故障
我们的研究工作介绍了一种新颖的连续测试时域自适应异常检测方法，通过解决领域变化和有限数据代表性问题，实现了早期稳健的异常检测，能够有效适应不断变化的操作条件，尤其对于数据稀缺的系统具有显著改进，并在故障检测中表现出增强的准确性和可靠性。
- PDE 控制竞技场：基于数据驱动的偏微分方程边界控制基准
基于学习的偏微分方程（PDE）控制的学习环境和强化学习算法，通过引入三个基础性的 PDE 问题，降低了数据驱动控制领域中学习 PDE 控制的门槛，并在稳定性方面取得了进展，虽然代价较高。
- 学习控制屏障函数及其在强化学习中的应用：综述
通过综合回顾现有文献，研究使用控制屏障函数的安全强化学习方法，并探索自动学习控制屏障函数的各种技术，以提高强化学习在实际机器人应用中的安全性和效能。
- 多个和无陀螺仪的惯性数据集
研究通过整合数据驱动方法与惯性导航系统（INS），提高准确性和效率。为了填补相关领域的研究空白，设计并记录了无陀螺仪 INS（GFINS）和多惯性测量单元（MIMU）数据集，可用于定义和评估不同类型的 MIMU 和 GFINS 体系结构。数 - MATRIX: 多智能体轨迹生成与多样化上下文
通过研究多人或人机交互场景的轨迹级数据生成，我们提出了一种基于学习的自动轨迹生成模型 MATRIX，它能在多样化的真实背景中生成交互式的人类行为，并通过模拟规划为数据增强提供了实验验证。
- 机器人中的形态对称性
研究和利用机器人系统中的形态对称性，证明其对机器学习模型的样本效率和泛化能力有显著影响，并将机器人动力学分解为低维度、独立动力学，为机器人学中的建模、控制、估计和设计提供了新的物理信息几何先验。
- 三维人体姿势估计的不确定性感知测试时间优化
我们提出了一种基于不确定性的测试时间优化（UAO）框架，该框架在培训期间设计了一个有效的 2D 到 3D 网络来估计相应的 3D 姿势，同时量化每个 3D 关节的不确定性，通过优化的潜在状态来减轻过度拟合问题，并使用投影损失确保在 2D 空 - ICLR长期台风轨迹预测：一种基于物理条件的方法（无需再分析数据）
基于实时 Unified Model (UM) 数据的预测模型，克服了回分析数据的局限性，在 72 小时内以 6 小时间隔提供准确的台风路径预测，优于现有的数据驱动方法和数值天气预测模型，同时提供了基于 ERA5 回分析数据、台风路径和 U - PPSURF：结合补丁与点卷积进行细节表面重建
PPSurf 是一种结合了基于点卷积的全局先验和基于处理局部点云补丁的局部先验的方法，能够在恢复表面细节方面比当前最先进的方法更准确，同时对噪声具有鲁棒性。
- 基于数据驱动的光谱重建的局限性 -- 一种光学感知分析
通过对 RGB 图像进行数据驱动的光谱重建方法的分析，我们发现当前模型在噪声、压缩和变色上存在限制，然而，通过异色数据增强和光学镜头像差可以提高 RGB 图像对色差信息的编码，从而带来更高性能的光谱成像和重建方法。
- 家庭电力数据生成器 (HEDGE): 用于生成电动车、住宅需求和光伏发电量曲线的开放访问工具
本文介绍了 Home Electricity Data Generator (HEDGE)，一种用于生成真实住宅能源数据的开放访问工具。HEDGE 基于英国真实数据，生成了住宅光伏发电、家庭电负荷、电动车消耗和在家可用性的真实日常数据。我们 - 设计一种混合神经系统，用于从基于分形的模拟学习现实世界的裂缝分割
鑑於混凝土基礎設施結構完整性評估的重要性，鑑定裂紋至關重要。然而，對於計算機視覺系統來說，強大的裂紋分割仍然是一項具有挑戰性的任務，原因在於混凝土表面的多樣外觀、不同的照明和天氣條件以及不同缺陷的重疊。本文提出了一種基於分形的高度保真度裂紋 - COVID-19 病例自适应预测的数据驱动方法研究
通过数据驱动的方法和增量学习，该研究针对 SARS-CoV-2 等疫情的不确定性，成功解决了病毒爆发期间的准确预测问题。
- 发掘动态模式分解和深度学习在印度东北降雨预测中的能力
使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析， - 酒后驾驶司机活动和驾驶性能的基于视觉的分析
利用多模态传感器，研究了急性饮酒对驾驶表现的影响，并提出了基于数据驱动的检测饮酒驾驶的方法，涉及机器学习模型分析热像中驾驶员脸部的计算机视觉和模型训练的流程，对相关研究的未来实验设计提供了有益信息。
- 人类运动系统外部仿真的仿生神经网络
该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。