提出了一个两阶段的框架，仅利用头部和手部的追踪信号可以获取准确而平滑的全身动作，通过学习大规模动作数据解决实时身体追踪的问题，并通过关节级特征建模和损失函数设计提高精确度和平滑度。在 AMASS 运动数据集和真实捕获数据上的广泛实验验证了设计的有效性，并表明相比现有方法，我们的提出的方法可以实现更准确和平滑的运动。

Aug, 2023

通过预测用户整体运动的潜在表征并将其与跟踪传感器输入集成，提出了一种利用神经运动先验信息以提高用户运动重建准确性的方法，该方法通过有限的输入信号重建用户的全身姿势，尤其增强了从贫乏信号中重建下半身运动的强健性。

Aug, 2023

本文介绍了如何在物理治疗领域利用 Microsoft Kinect 等低成本设备，通过计算机视觉技术、离群点数据处理算法、以及基于 Unscented Kalman Filter 算法的卡曼滤波器模型，提取精确可靠的人体运动参数。

Dec, 2015

研究介绍了一种使用视频数据和神经网络进行运动康复质量评估的新方法。该方法使用跨模态数据增强技术对数据进行预处理培训，相比基准方法，其表现为更准确的评估结果。

Jun, 2023

使用强化学习相结合的物理模拟和环境观察，可以在高度约束的环境中生成逼真的全身姿势，从而避免接触的干扰。

Jun, 2023

本研究旨在基于自我收集的增强现实多交互手势数据集，提供一款增强现实 “Try to Move” 游戏和卷积神经网络（CNN）来识别和分类用户手势，以提高康复过程的乐趣体验和远程康复训练的效果和便利性。

Sep, 2023

本研究提出一种通过 Hololens 2 控制 Boston Dynamics 的 Spot 机器人的新方法，该方法主要面向残障人士，用户可以通过眼神追踪和头部动作追踪等技术来控制机器人的运动和机械臂的姿势，与传统的操纵杆控制方法相比具有更好的用户体验和时间效率。

Jun, 2023

本研究首次提出了一种基于虚拟现实和增强现实平台的运动比赛分析和实时可视化系统，通过多视角激光雷达和摄像机采集多模态比赛数据，并利用有限的监督数据进行多参与者跟踪和姿势估计，提取准确的球员位置和运动信息，进一步进行球员三维建模并在虚拟现实和增强现实环境中实现运动比赛的分析和实时可视化。经过大量定量实验证明了我们多参与者跟踪和姿势估计框架的准确性和鲁棒性，同时展示了我们的运动可视化系统在虚拟现实和增强现实设备上观赛领域具备的巨大潜力。

May, 2024

通过分析头部运动作为一种新的生理标记来检测 VR 引起的晕动症，该研究使用公开可获得的数据集对头部运动进行了广泛的特征提取，并借助机器学习算法预测晕动症的准确率达到 76% 和精确度达到 83%。

Feb, 2024

研究表明，虚拟现实可以帮助改善通过物理模拟训练的机器人，使其与真实世界的人类进行交互。利用 AVR Gym，可以帮助研究人员改进在四个机器人护理任务中进行的模拟控制，研究人员发现，基于实验结果修改的控制策略实际上表现得更好，而且生物力学模型的改进结果也更好地匹配了真实参与者。

Jul, 2020