下肢人体反向运动学技术比较研究
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
本文研究了冗余系统的逆运动学问题，探讨了 13 种优化技术，并提出了一种新的方法，比传统的粒子群优化技术快 200 多倍，可能成为结合机器学习的探索能力和数值方法的开发能力的新的研究领域。
Jun, 2024
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
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
提出了一个框架来生成运动学约束的类人双手机器人运动，以确保人与机器之间物体的顺畅和自然的交接。通过使用隐藏半马尔可夫模型（HSMM）根据观察到的人的动作生成适当的响应轨迹，通过任务空间约束调整轨迹以确保准确的递交。通过一项试点研究的结果表明，与基线逆运动学方法相比，我们的方法被认为更类似于人类。
Feb, 2024
该论文提出了一种逆向运动学优化层（IKOL），该层采用优化与回归方法结合的端到端框架来进行 3D 人体姿态和形状估计，并使用了一种 Gauss-Newton 微分过程来加速计算，获得了比现有方法更准确的结果。
Feb, 2023