本文探讨了在复杂三维场景中实现人-场景交互的物理模拟，提出了多种方法和系统，如在线全身动作反应合成、Skeleton2Humanoid和Exbody，旨在提升机器人在真实环境中的动作表现和交互能力。研究通过强化学习和物理模拟，实现了更真实的动作合成与估计。

本文介绍了HUMANISE数据集，旨在生成语义一致的人体动作。研究提出了一种基于强化学习的3D室内场景交互方法，并构建了新数据集RICH，以提升人体与场景的接触预测能力。此外，提出了4D场景捕捉技术，关注人与环境的真实交互，推动动作合成的自然度与多样性。

综述总结了扩散模型可控生成的多项进展，包括通过内部表示控制图像属性的self-guidance、零样本条件生成的Steered Diffusion、基于深度和光流生成视频的MoVideo、利用关键点精确控制图像的KDM、生成低阻力车辆的阻力引导方法、基于点的图像编辑DragDiffusion、用于人体动作合成的MotionMix和GMD，以及提升视频生成质量的隐式条件建模。