FORCE: Dataset and Method for Intuitive Physics Guided Human-object Interaction

人与物体之间的交互不仅受物体的姿态和形状的影响，还受到物体质量和表面摩擦等物理属性的影响。它们引入了重要的运动细节，对于多样性和真实性至关重要。尽管最近基于运动学的方法取得了进展，但这方面却被忽视了。生成细致的人体运动面临两个挑战。首先，从物理和非物理属性的人体和物体信息中学习多模态信息并不容易。其次，缺乏捕捉不同物理属性物体的细致人体交互的数据集，这妨碍了模型的发展。本文通过引入FORCE模型来填补这一空白，该模型是一种运动学方法，通过建模物理属性来合成多样化、细致的人物-物体交互。我们的关键见解是，人体运动是由人体施加的力和所感知到的阻力之间的相互作用所决定的。在新颖的直观物理编码的指导下，该模型捕捉了人体力量和阻力之间的相互作用。实验证明，引入人体力量有助于学习多类运动。随着我们的模型，我们贡献了FORCE数据集。它通过与不同阻力交互来展示多样化的、不同风格的运动。

论文旨在解决生成真实、多样化的人-物互动动作的问题，包括考虑物体质量和表面摩擦等物理属性对人体动作的影响，以及如何从多模态的人体和物体信息中学习生成这种动作。

FORCE模型通过引入一个新的直观物理编码来捕捉人类力量和阻力之间的相互作用，从而生成多样化、真实的人-物互动动作。

论文提出了FORCE模型来生成多样化、真实的人-物互动动作，并且提供了FORCE数据集来支持模型训练和评估。实验结果表明，FORCE模型能够有效地学习多类动作，并且在生成动作的多样性和真实性方面优于其他模型。论文还探讨了FORCE模型的不同应用场景，并提供了开源代码。

在相关研究方面，最近的一些研究包括：Learning to Generate Multi-step Human-Object Interactions using Physics-aware Neural Networks；Neural Kinematic Networks for Unsupervised Motion Retargetting；Learning to Simulate Complex Physics with Graph Networks。