基于物理的从人体动作生成场景布局

提出了一种结合对抗性模仿学习和强化学习的系统，用于训练物理模拟角色在复杂场景中的交互任务。

该系统无需手动注释数据，能够处理未见物体和场景。

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，实现长期交互任务的真实物理模拟。

提出了一种层次生成框架，通过优化多个几何约束合成逼真生成，实验结果优于之前的方法。

研究提出了一种新的数据驱动的随机运动综合方法 SAMP，能够模拟在杂乱场景中的不同风格行为。

通过将任务分解为目标对象的语言准确性和以目标对象为中心的运动生成，提出了一种新的方法生成3D室内场景中的人体动作，运动质量优于基线。

提出新的三阶段框架对人类运动进行长期预测，提高了预测准确性，并提供多样化合成数据集。

利用物理引擎改进姿态估计过程，获得与现有基于物理的方法相竞争的结果。

将物理学应用于人体动作捕捉，避免浮动、脚滑与地面穿透等问题，关节准确性和成功率优于之前的方法。

提出基于强化学习的方法处理3D室内场景中虚拟人类与环境的交互，实验结果显示运动自然性和多样性优于现有框架。