自6月以来，团队在招募新成员的同时加快项目进度，完成了VR和机械臂的遥控操作，开发了全身遥操系统TWIST，结合动作捕捉与强化学习，使人形机器人能够模仿人类动作。该系统通过高质量数据集和鲁棒控制器，提升了机器人在复杂任务中的表现。

本文提出了一种身份感知的手部三维网格估计模型，能够在AR/VR领域中重构3D手模型。该模型通过个性化流程校准用户的形状参数，展示了在不同条件下的优越性能。同时，研究介绍了OHTA方法，利用单张图像创建高保真的手部虚拟形象，并结合MANO模型实现复杂动作捕捉，提升了3D手部形状重构的准确性。

本文介绍了一种新方法，通过少量惯性传感器结合深度学习和统计身体模型，实现高精度的三维姿态估计。研究表明，该方法在运动捕获的精度和实时性方面有显著提升，适用于不同用户的身体尺寸，具有广泛的应用潜力。

本文介绍了一种基于生物力学的新型网络，利用多视图图像直接输出三维运动学，从而提高视频中人体动作捕捉的精度。研究结合了机器学习与传统模型，展示了在脊柱生物力学分析中的应用潜力，特别是在工作场所和运动评估方面。

本文提出了一种新方法Exbody，通过模仿人类动作控制人形机器人。该方法利用大规模动作捕捉数据，鼓励机器人上半身模仿参考动作，同时放松腿部约束，实现稳定行走、握手和共舞等多样动作。研究验证了该方法在模拟和实际场景中的有效性，为人机交互和机器人自主行为提供了新思路。

通过两个智能手表和一个头戴相机，提出了一种轻量级且经济实惠的动作捕捉方法。该方法成本效益更高，便利性更好，能够在不同环境中实现3D全身动作捕捉。通过引入6D头部姿势，克服了传感器输入的稀疏性和模糊性。利用自我中心图像的视觉线索提高动作捕捉质量并减少模糊性。在具有挑战性的场景中展示了该方法的性能。