我们提出了一种基于数据驱动的粗糙动作细化方法，通过手为中心的表示和建模手与物体的动态时空关系，捕捉手物互动的动态线索，并在实验证明我们的方法在性能上优于之前的方法。

Jan, 2024

生成逼真的手部动作序列与物体的交互在数字人方面越来越受到关注，之前的工作已经证明了利用基于占据或基于距离的虚拟传感器来提取手物体交互特征的有效性，但是这些方法在物体类别、形状和大小方面的泛化能力有限。为了解决这个挑战，我们引入了一种新颖的以关节为中心的传感器，用于推理潜在交互区域附近的局部物体几何。该传感器查询每个手关节附近的物体表面点。我们通过将点从全局坐标系转换为手部模板坐标系，并使用共享模块处理每个独立关节的传感器特征来减少学习复杂性。然后，我们使用时空转换网络捕捉不同维度中关节之间的相关性。此外，我们设计了简单的启发式规则，以扩充有限的训练序列，增加丰富的静态手抓取样本。这样在训练过程中观察到更广泛的抓取类型，从而增强了我们模型的泛化能力。我们在两个公开数据集 GRAB 和 InterCap 上进行评估，结果表明我们的方法在定量和感知上都优于基线模型。

Apr, 2024

研究了利用强化学习和物理模拟方法实现动态抓取合成任务，将该任务分解为底层抓取和高层运动合成，并生成逼真的人类手部运动序列

Dec, 2021

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

这篇文章提出了一种手势捕捉框架，其结合了生成模型和歧视性训练显著点，以实现对物体和其他手势之间互动场景的精确捕捉，并使用碰撞检测和物理模拟实现了在遮挡和缺失数据情况下的准确估计，能适用于单目 RGB-D 序列和同步多 RGB 摄像头的设置。

Jun, 2015

本文介绍了一种生成数字人物的方法，使其可以同时进行全身运动和手部抓握以及头部朝向，并且在物理约束和合理性方面都具有逼真和可行性。

Dec, 2021

本文提出基于对象接触点和手接触点的一致性设计新目标模型以及自我监督任务来生成人类手的抓取姿态，实验证明该模型在人类手抓取方面比其他最先进方法有了显著的提升，特别是在测试过程中对未见过和超出领域的物体表现出更大的增益。

Apr, 2021

本篇研究通过介绍一种新的中间变量来提高三维抓取合成的效率，以解决现有方法想要直接从物体映射到抓取姿势的非光滑和低效问题，并提出了一种基于接触区域的因子图形式来描述抓取姿态生成过程，并通过实验验证了优化方法的有效性。

Oct, 2022

本文利用人工智能技术预测手动机器人控制中握力变异性。通过佩戴式无线传感器技术记录了来自个体支配和非支配手的握力，使用神经网络模型能够可靠地捕捉软件设计和硬件变化对握力的影响，该成果可在新型手术中作出贡献。

Mar, 2023

该研究介绍了一种支持多个机器手抓取对象的神经隐式表示方法， 允许在不同机器手之间传递抓取技能，并可用于 6D 对象姿态估计以及机器人在真实世界中的抓取。

Jul, 2022