AvatarPoser 是第一个仅使用用户的头部和手部运动输入来预测世界坐标中全身姿势的基于学习的方法，具有较高的准确性和实时操作速度，并能够提供支持 Metaverse 应用的全面性化虚拟人物控制和表现的实用界面。

Jul, 2022

本文提出一种使用深度神经网络实时重建人体姿势的方法，通过 6 个惯性测量单元记录数据并使用双向 RNN 体系结构学习时间姿势先验知识，用于维持实时预测能力。

Oct, 2018

本文提出了一种利用少量惯性传感器进行人体动作捕捉的方法，通过应用逼真的统计身体模型和使用关节优化框架来实现六个传感器进行任意人类动作的三维姿态估计，并在户外场景下的运动中展示了其高准确性。

Mar, 2017

通过 DragPoser，我们引入了一种新颖基于深度学习的动作重建系统，能够精确表示难以预测和动态的即时约束，达到实时的高端效应器位置准确性，并展示出对即时约束修改的强大适应性和对各种输入配置和变更的异常适应能力。

Apr, 2024

通过利用惯性传感器，记录人体动作的摄像机捕捉系统以稳定为标准，但基于稀疏可穿戴传感器的基于学习的追踪系统越来越受欢迎。文章提出了一种新颖的三维全身姿势估计方法，通过用于测距的超宽带无线电技术对传感器之间的距离进行约束，从而限制了惯性追踪中的漂移和抖动。我们的方法通过轻量级嵌入式追踪器，将这些传感器之间的距离与每个传感器估计的三维状态进行融合，并使用基于图的机器学习模型处理这些三维状态和距离，从而估计人体的三维全身姿势和平移。实验证明，我们的方法在位置误差和抖动方面具有领先的性能。

Apr, 2024

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

本研究提出了一种利用强化学习、物理模拟器和稀疏传感器数据实时将人类运动重定向到具有不同骨架结构的角色的方法，并仅需要运用运动捕捉数据进行培训，同时探讨了该框架中的重要组件。

Jul, 2023

使用 HMD-Poser 方法实现了基于 VR 头戴式显示器的人体实时运动追踪，通过 HMD 和穿戴式 IMUs 之间的观察数据，提高了追踪精确度和易于佩戴性。通过实验表明，HMD-Poser 在精确度和实时性方面达到了最新的最佳效果，并通过实时的 Avatar-driving 应用程序证明了其性能。

Mar, 2024

从稀疏传感器数据中估计 3D 全身姿势是增强现实和虚拟现实中用于重建真实人体动作的关键技术之一。本文提出了一种基于 Body Pose Graph (BPG) 的新型全身动作重建框架，通过将人体表示为图形缺失节点预测问题来解决稀疏传感器信号到全身动作的转换挑战，在利用时间和空间信息处理了可识别关节点的特征后，通过图神经网络进一步改进 BPG 节点特征，实现了领先于其他基准方法的最先进性能。

Jan, 2024

这篇论文介绍了一种名为 “Diffusion Inertial Poser”（DiffIP）的单一扩散生成模型，能够从任意 IMU 配置实时重构人体运动。该系统具有灵活性，适用于不同的应用，且与常用的六个 IMU 配置一样准确。

Aug, 2023