GPT-6-Astra驱动的机器人操作：身体知识、经验复用与Sim2Real迁移

面向机器人操作，利用共享表示迁移单次示范轨迹，并提升抓取配置变化与外部扰动下的执行稳定性

ForceTwin通过人类交互数据学习关节物理属性（惯性、摩擦、弹簧机制），构建可预测动作的物理信息数字孪生，赋能机器人精准操作。

提出NeuIDO神经本征动力学算子，将物理约束内化于世界模型以预测3D物体交互轨迹，弥合物理引导4D生成与真世界模型间的差距。

面向人形机器人的羽毛球动态击球技能学习，利用有限人体运动数据提升三维挥拍与全身动态协调。

研究拉格朗日与哈密顿神经网络在含耗散及显式时间依赖系统中的适用性，聚焦阻尼谐振子动力学建模。