本文提出了一种从单个RGB视频自动重建与对象的人交互的3D运动的方法，估计人和物体的3D姿势，接触位置，被人类肢体激活的力和扭矩。方法通过联合估计运动和动作力，运用大规模的轨迹优化问题，并从输入视频自动识别出人与物体或地面之间的接触位置和时间。方法在真实数据集上验证，并展示了在新的互联网视频数据集中的性能。