通过 reconstructing human poses in 3D 并使用 AddBiomechanics Dataset，本研究提出了一种估计人体动力学的基准方法。

May, 2024

本文利用物理模拟器进行监督，解决了从人物和物体的视频中推断接触点和物理力量的问题，并展示了学习到的模型可通过小样本实现对新物体的泛化。

Mar, 2020

本文提出了一种端到端可微模型，通过学习目标网格形状中每个顶点处的受力情况来修正手和物体的姿态，从而实现更准确的接触估计和姿态估计。

May, 2021

通过学习隐式方程并使用神经网络和梯度优化技术，该论文介绍了一种新技术，可以在物理仿真中准确模拟人类关节的极限运动范围，以便实现更真实的人机交互和优化问题的求解。

Sep, 2017

本文提出用于人类与场景中物体进行交互的逼真三维运动生成方法，提出了一种基于神经交互场的技术，该技术可以指导对象条件化的人类运动扩散模型的抽样，以鼓励合理接触和可发掘意义，在支持使用少有数据的情况下，用自动合成数据流水线进行这项研究，最终提出了一种名为 NIFTY（神经交互场用于轨迹综合）的框架。

Jul, 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

本文提出了基于 3D-PhysNet 框架的物理建模方法，可以对三维物体在外力作用下的变形进行快速预测，并具有材料属性的泛化性，并且通过深度变分自编码器结合敌对训练的方式进行了材料属性的编码，以及通过级联结构对部分视图下的物体变形进行预测。

Apr, 2018

这项研究针对动态人机交互进行了物理模拟，通过模仿人机动态交互示范来教授仿人机器人动态交互技能，采用了无需任务特定奖励设计的基于物理的全身交互示范方法，通过引入接触图来明确建模身体部位与物体之间的接触关系，并设计了接触图奖励，能够简单而有效地模仿各种人机交互任务。

Dec, 2023

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

将物理学应用于人体动作捕捉以避免浮动、脚滑与地面穿透等问题，并利用物理学作为去噪引导来从建模的姿态概率分布中重构合理的人体动作，实验证明我们的方法在关节准确性和成功率上优于之前的基于物理的方法。

Aug, 2023