腾讯发布的混元3D世界模型1.0是首个支持物理仿真的开源3D生成系统，用户可通过文本或图像一键生成高质量可交互的3D场景，兼容主流3D建模软件，适用于虚拟现实和游戏开发等领域。

本研究提出PARC框架，结合机器学习与物理仿真，解决了复杂环境中角色灵活运动的数据稀缺问题，提升了角色控制器的性能。

本研究提出了一种通过观察野生动物视频训练四足机器人运动技能的方法，称为“从野生动物视频中进行强化学习”。该方法结合视频分类器和物理仿真环境，使机器人在无需参考轨迹或特定奖励的情况下学习走路和跳跃等技能，展示了其处理复杂运动任务的潜力。

本研究开发了一种基于物理信息仿真的步态代理，提升了虚拟人类步态模型的适应性和仿真准确性。通过合成数据生成器和对抗模仿学习，该代理在不同速度下的步态运动准确性显著提高，根均方误差为5.24度。这项研究推动了数字双胞胎的开发，并促进了生物力学、外骨骼设计和康复领域的应用。

本文提出了一种新颖的概率框架，结合因果模型和物理仿真，帮助机器人感知和评估积木堆叠任务。通过物理模拟生成任务，并在愤怒的小鸟游戏中评估其有效性。此外，研究介绍了PhyPlan框架，结合物理信息神经网络和改进的蒙特卡洛树搜索，提升机器人在动态环境中的任务执行能力。

该研究提出了一种基于物理的方法来合成全身手物交互。通过层次化框架、强化学习和物理仿真，学习身体和手部运动的技能先验，并使用新颖的奖励函数训练高层策略，控制手物交互。该方法成功完成了从接近物体到抓取和后续操纵的完整交互任务，并展示出比基于运动学的基线方法更具物理合理性的动作。

本文介绍了一种名为“Hindsight Experience Replay”的新技术，可以有效地学习来自稀疏二元奖励的知识，并可以与任意离线RL算法相结合。通过实验，演示了该方法在操作机器人手臂上的实际应用，并展示了在物理仿真中训练的策略可以部署在物理机器人上，并成功地完成任务。

该研究提出了一种基于物理的方法来合成全身手物交互，通过层次化框架、强化学习和物理仿真，成功完成了从接近物体到抓取和后续操纵的完整交互任务，并比基于运动学的基线方法更具物理合理性的动作。