该论文旨在解决深度学习在建模宏观刚体运动学约束方面能力未被充分探索的问题。研究背景是：
- 深度学习在科学发现中展现出强大潜力，但对刚性运动学约束的建模能力研究不足
- 空间过约束机构(spatial over-constrained mechanisms)的逆设计问题具有挑战性
- 传统方法需要显式求解约束方程，计算复杂且对稀疏观测数据不鲁棒
论文提出了O-ConNet，一个端到端(end-to-end)框架，具体方法包括：
- 仅使用三个稀疏可达点(sparse reachable points)作为输入
- 直接推断机构的结构参数(structural parameters)
- 同时重建完整运动轨迹(full motion trajectory)
- 在推理过程中无需显式求解约束方程(constraint equations)
- 在包含42,860个有效样本的自建Bennett 4R数据集上进行训练和评估
论文的核心创新点在于：
- 首次提出端到端学习框架直接处理空间过约束机构的逆设计问题
- 仅需极稀疏观测（三个点）即可同时推断参数和重建轨迹，突破了传统方法对密集数据的依赖
- 通过神经网络隐式捕获闭环几何结构(closed-loop geometric structure)，避免了复杂的显式约束求解
- 将几何感知(geometry-aware)学习与过约束机构特性相结合，实现了从稀疏点到完整运动学的直接映射
论文对该领域的整体贡献包括：
- 证明了端到端学习能够有效捕获闭环几何约束，为运动学逆设计提供了新范式
- 为空间过约束机构在极端稀疏观测下的逆设计提供了实用解决方案
- 在Bennett 4R数据集上取得显著性能提升（相比最强序列基线LSTM-Seq2Seq分别提升65.1%和88.2%）
- 开辟了深度学习与经典机构学结合的新研究方向，具有理论和应用双重价值