利用由物理学建模的合成数据集，提出了一个使用压力传感垫推断人体姿势和形状的深度学习模型 Pressurepose，并展示了这个模型的良好性能。

Apr, 2020

提供了一种新方法 PressureTransferNet，用于使用地面压力信息进行人体活动识别（HAR）。该方法利用不同个体的现有压力数据生成特定活动的特定身体动态地面压力图。通过以源压力图和目标人体属性向量作为输入的编码器 - 解码器模型，生成反映目标属性的新压力图。实验证明了在不同场景下将人体属性精确转移到地面压力图上的有效性。

Aug, 2023

利用深度学习技术，使用文本描述生成大量的地面压力序列，通过离散潜在相关性获得由文本描述生成的高质量压力序列，并在实际压力传感器收集的压力动态上评估与仅使用真实数据训练的模型相当的 HAR 模型，将真实数据和合成的训练数据结合，使整体宏 F1 分数提高 5.9%。

Feb, 2024

本研究利用物理引擎对姿态估计过程进行改进，从而使得我们可以利用现实世界的场景推导出物体的运动。我们的公式具有广泛的应用场景，并可处理自身接触和与场景几何之间的接触。我们的方法在 Human3.6M 和 AIST 基准测试中均获得了与现有基于物理的方法相竞争的结果，同时不需要重新训练。

May, 2022

基于压电电阻材料 Velostat 的智能压力电子垫 (SPem) 系统，采用深度神经网络 (DNNs) 进行信号处理和识别，可以用于各种人体活动的监测，具有更灵活的应用和商业化前景。

May, 2023

通过单眼 RGB 视频直接训练具有物理可行性的人体运动的生成模型，该方法通过可微分的方式实现了物理约束和接触关系优化，并实现了与之前基于姿态识别的方法相比更高质量、更真实、更多样化的运动合成与估计。

Sep, 2021

本文介绍了一种基于物理模型的方法，用于从视频中推断 3D 人体运动，该方法利用初始的 2D 和 3D 姿态估计作为输入，并通过物理轨迹优化得出一个符合物理规律的运动。实验结果显示，相较于纯运动学方法，该方法能够显著地提高动作的真实性和准确性。

Jul, 2020

本文提出 gradSim 框架，通过可微分的多物理模拟和可微分的渲染来联合模拟场景动态和图像生成的演化，从而将像素级反向传播到生成它们的基础物理属性，以实现对物体质量、摩擦力和弹性等物理属性的直接估计。该框架克服了 3D 监督的依赖，并在具有挑战性的视觉运动控制任务中获得了具有竞争力甚至比依赖于精确的 3D 标签的技术更好的性能。

Apr, 2021

我们提出了一种新颖的本地 - 全局特征融合框架，用于基于地面动态压力图的体重训练识别。通过使用图像处理技术和 YOLO 目标检测来结合本地和全局特征，我们的方法在生成高级本地特征的同时考虑了不同身体部位的压力分布和物理约束，同时通过知识蒸馏来提高训练性能。实验证明，我们的方法在体重训练识别方面取得了显著的 11% 提升，并保持了特定标签特征的准确性。

Sep, 2023

准确预测躺在床上休息的人的 3D 人体姿势和身体施加的压力（可视化为身体网格（3D 姿势和形状）），尤其是在预防压疮方面对医疗应用具有重要意义。我们介绍了 BodyMAP，它同时预测整个人体的人体网格和 3D 施加的压力地图。我们的网络利用多种视觉模态，结合了躺在床上的人的深度图像和相应的来自感压床垫的 2D 压力图像。在真实世界的人体数据评估中，我们的方法在床上的人体网格和 3D 施加的压力地图预测任务上比现有的技术提高了 25%。

Apr, 2024