本文旨在解决 3D 人体姿态重建过程中的图像 - 模型不对齐问题以及深度学习算法容易预测出不真实的人体结构的问题，提出了一种名为 HybrIK 的混合逆运动解决方案，该方案通过牵转摆分解将 3D 关节点直接转化为 3D 人体网格的相对身体旋转角度，既保持了 3D 姿态的准确性，也保留了参数化人体模型的真实身体结构，有效地提高了 3D 人体姿态和形状的测量精度。

Nov, 2020

本研究提出了一个新型的 HybrIK 反向运动学解决方案，并使用扭转摆动分解将准确的三维关节点直接转换为身体部位旋转。通过混合 3D 关键点估计方法和人体网格恢复的方法，将 3D 关键点的精确性和人体模型的真实结构保留下来，为像素对齐的整体人体网格恢复提供了新思路。

Apr, 2023

介绍了 CycleIK，一种神经机器人学方法，它包含了两个新颖的神经启发式反运动学方法：生成对抗网络（GAN）和多层感知机架构。研究中展示了如何将这些方法嵌入混合神经遗传反运动学流水线中，通过顺序最小二乘规划或遗传算法进行进一步的优化。该成果表明神经模型能与最先进的反运动学方法竞争，并可直接部署到机器人硬件中，同时遗传算法的引入提高了精度并减少了运行时间。

Jul, 2023

本文提出了一种基于神经网络的舒适逆运动学方法，通过使用分层结构和超网络，在指定位置和前面的关节条件下顺序采样出合法的关节角度分布。

May, 2022

本研究提出了一种粗到细的流程来解决从单眼 RGB 图像中估计多人物 3D 姿态和形状网格的问题，并且通过 Transformer-based refinement 和克服因人与人之间的遮挡而引入的不确定性，优于现有技术，在 3DPW，MuPoTS 和 AGORA 数据集上进行广泛实验得出了实验证明。

Oct, 2022

本文介绍了使用深度神经网络从运动链的解空间中生成多样化解的方法，能够准确快速地生成解决方案。

Nov, 2021

本文提出了一种名为 NIKI 的深度学习模型，通过建模双向误差来提高 3D 人体姿态估计的鲁棒性和像素对齐精度，使用可逆神经网络从正向和反向过程中进行学习，并模拟解析逆运动学算法以提高可解释性，在标准和遮挡指标测试上均呈现出鲁棒性和对齐效果。

May, 2023

本文提出了基于距离几何的逆运动学求解器，并结合 Riemannian 优化算法，初值平滑技术等方法，实现了更高效的求解方法。

Aug, 2021

该研究论文介绍了一种新颖的零射击运动规划方法，允许用户快速设计机器人在笛卡尔空间中平滑运动。该方法基于贝塞尔曲线的笛卡尔平面将其转化为关节空间轨迹，采用我们的神经启发式逆运动学（IK）方法 CycleIK，通过将其扩展到任意机器人设计，实现了平台独立性。该运动规划器在两个人形机器人 NICO 和 NICOL 的人机协作抓取场景中进行了评估。我们在核心上采用一个大型语言模型（LLM）作为其实体化代理，并将我们最初为 NICOL 引入的实体化代理推广到 NICO，并允许用户以口头方式指导不同的机器人执行一组离散的物理动作。我们为其动作空间贡献了一个抓取原始动作，可以精确操纵家庭物品。新的 CycleIK 方法在仿真中与流行的数值逆运动学求解器和最先进的神经逆运动学方法进行了比较，并在算法运行时间非常短的情况下表现出与或超过所有评估方法。该抓取原始动作在 NICOL 和 NICO 机器人上进行了评估，并分别报告了每个机器人的抓取成功率为 72％至 82％。

Apr, 2024

通过对流行的 IK 技术应用于人腿的比较研究，本文确定了达到所需位置的最有效的方法，使其具有现实人类姿势，同时尊重每个关节的运动范围和关节舒适区，以此来解决现有 IK 方法中存在的高计算成本和生成不真实位置的问题。

Feb, 2023