本文提出了一种使用对抗性模仿学习和强化学习来训练物理模拟角色表现场景交互任务的系统，无需手动注释大型非结构化运动数据，并且在训练过程中随机对象属性和其放置位置，从而能够推广到训练数据集中未呈现的物体和场景，并以自然的角色场景交互方式进行表现。
Feb, 2023
提出了一种基于强化学习的方法来处理 3D 室内场景中虚拟人类与环境以及物体的交互，包括生成运动模型、创新的碰撞回避奖励函数、基于标记体和半径场的交互感知奖励函数以及训练策略等多个方面，实验结果表明，该方法在运动的自然性和多样性方面都优于现有的人 - 场景交互综合框架。
May, 2023
本文提出一种层次生成框架，通过优化多个几何约束和建模场景互动和应用来合成涉及长期 3D 人体动作的逼真生成，并在实验中得出了比之前更好的实验结果。
Dec, 2020
本研究提出了基于物理原理的方法，同时优化场景布局生成器和物理模拟器中的人体移动，以实现可信和真实的交互动作，通过最小化运动追踪误差以自动恢复和生成场景布局，并使用强化学习进行双重优化，通过重新塑造追踪奖励和估计的伪接触标签获得的姿势先验指导来促进优化，使用 SAMP 和 PROX 的动作进行评估，并与基于运动学的先前方法进行比较，展示了物理上可信的场景布局重建。
May, 2024
我们介绍了一种利用稀疏关键点在三维场景中合成动画指导人类运动的方法，该方法通过将连续运动合成问题分解为沿路径行走和在关键点指定的动作之间的转换，生成长序列的动作，并在目标为原点的规范坐标系中生成运动以实现持续运动合成。
Apr, 2023
本研究介绍了一种名为 Skeleton2Humanoid 的系统，该系统通过物理学模拟器中的正则化合成骨架运动来执行基于物理的运动校正，在测试时间内提高合成人体骨架运动的物理可行性，并且在 LaFAN1 数据集上的实验证明，该系统在物理可行性和准确性方面显著优于先前的方法。
Oct, 2022
通过前向动力学引导的 4D 模仿方法，我们提出了一种生成物理可行的人类反应的方法，该学习策略能够在实时中生成物理可行和类人的反应，显著提高了反应的速度（33 倍）和质量，与现有方法相比。我们在 InterHuman 和 Chi3D 数据集上的实验及消融研究证明了我们方法的有效性。
Apr, 2024
利用物理模拟器来捕捉人类运动的动力学约束条件，通过基于 SDF 的交互约束来获得准确参考运动，然后使用采样分布进行运动控制，并训练所需的分布先验，从而可以捕捉到具有地形交互、人体形状变化和多样化行为的物理合理的人类运动。
Mar, 2022
我们提出了一种基于物理的方法来合成全身手物交互。通过通过一个层次化框架，并结合强化学习和物理仿真，我们首先在解耦环境中学习身体和手部运动的技能先验。然后，我们使用一个新颖的奖励函数训练一个高层策略，以在预训练的潜在空间中控制手物交互。我们的方法成功完成了从接近物体到抓取和后续操纵的完整交互任务，并展示出比基于运动学的基线方法更具物理合理性的动作。
Sep, 2023
通过深度强化学习等优化方法，可以高效地探索大型和复杂的生物力学模型空间，进而实现合成可行的高维生物力学系统运动。
Mar, 2018