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

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

构建了一个框架，通过分解人 - 场景交互为相互作用和导航两个基本过程，实现了在复杂的三维场景中进行长期交互任务的真实物理模拟角色。

Aug, 2023

通过基于物理原理的方法，我们提出了 PhysDreamer，它能够使静态的 3D 对象能够以虚拟实境中真实的方式动态地响应交互刺激，实现了更加引人入胜和逼真的虚拟体验。

Apr, 2024

为了解决现有学习算法与人类表现之间的差距并强调增强代理人的交互式物理推理能力的重要性，我们介绍了 I-PHYRE 框架，该框架要求代理人同时展示直觉的物理推理、多步规划和原位干预，通过代表性场景的互动促进学习。

Dec, 2023

本研究提出了一种名为 COINS 的生成模型，可以在高级语义规格的控制下合成 3D 场景内与虚拟人之间的自然互动，该模型通过编码统一的潜在空间和位置编码来嵌入互动语义，并可以自然地合成多个对象之间的组合互动，实验结果表明该模型可以合成具有语义控制的真实人 - 场景交互。

Jul, 2022

该论文介绍了使用可微渲染和可微物理模拟相结合的方法来学习隐式表面表示，并通过改进的算法实现了隐式表示和显式表面点之间的有效转化，从而在物理要求高的领域中获得更加真实和准确的重建结果。

Apr, 2024

通过物理环境模拟与多智能体互动，构建 PHASE 数据集，以此设计社会认知任务和社会预测任务，并引入基准模型 —— 贝叶斯逆向规划方法，验证通过该方法可以更好的识别多智能体的复杂社会互动行为。

Mar, 2021

提出了一种名为 Physion++ 的数据集和评测基准，旨在严格评估视觉物理预测在人工系统中的表现，其中预测依赖于对场景中物体的潜在物理属性的准确估计，结果发现，所有现有的先进模型都没有像人类一样学习进行物理预测。

Jun, 2023

通过创建一个基准测试集 VideoPhy，我们评估了现有的文本到视频生成模型是否能符合真实世界活动的物理常识，结果显示这些模型缺乏生成符合文字提示和物理规律视频的能力，从而揭示了视频生成模型远未准确模拟物理世界的程度。

Jun, 2024