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

手势运动捕捉的关键挑战在于质量和价格，该研究发现单个低成本RGB-D相机与生成模型，碰撞检测和重要点的结合可以捕捉运动中的两个交互手。

Apr, 2017

本研究利用增强刚体模拟方法追踪手部骨骼姿态，在利用深度传感器样本生成限制运动方式的约束的基础上，使用投影高斯—赛德尔求解器解决先前的运动，碰撞/接触限制，以及关节力学问题，实现了实时、鲁棒且准确的3D骨骼追踪。

May, 2017

本文提出了一种基于实时计算机视觉的手势识别应用程序的自然用户界面工具，该工具使用用户手上的虚拟手套标记作为输入，并采用深度学习模型进行实时手势识别。研究表明，该系统可以在社交互动和康复等实时应用中发挥有效作用。

Jul, 2022

本文提出了一种使用事件相机数据进行人手跟踪的新方法，通过使用轻量级算法分析捕获的帧以报告3D手部位置数据，并使用ROI找到特征用于深度感知。

Apr, 2023

本文介绍了一种手势识别技术，使用嵌入式电容传感器生成实时信号并利用机器学习技术分析时间序列信号以识别五个手指的三个特征，其性能可与监督式可变自编码器等更高级的方法相媲美，并能通过自适应的误差校正机制进一步提高其分类性能，从而证明了运用此技术实现敏捷手势识别系统的可行性。

May, 2023

提出了一种便携低成本的手部跟踪手套，采用多个微机电系统超声波传感器测量手指之间的距离矩阵，再利用轻量级深度网络从距离矩阵中重建出手部姿态，该方法精度高、尺寸不变且对外部干扰具有鲁棒性。

Jun, 2023

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

本研究旨在提出一个强大的触觉手势识别系统，通过对各种手势识别方法进行综合评估，包括传统的特征工程方法和能够实时解释各种手势的当代深度学习技术，以适应手的大小、运动速度、施加压力水平和交互点的变化，我们对各种方法的深入分析为人机交互领域的基于触觉的手势识别做出了重要贡献。

May, 2024

提出一种基于动态机器人辅助手物交互的方法，通过手部姿态估计、自适应机器人控制和运动原语的综合运用，在实现精确任务执行和适应实时动作方面提高了人机物理交互的效果。

May, 2024