1.文献综述
1.1.深度学习模型
Daniel Holden等人[1]提出了一个基于深度学习框架的动作合成和编辑模型，该模型可以使用大量人体运动数据自动学习在非线性流形中嵌入运动数据，无需手动数据预处理或人工介入。Daniel Holden等人在大型运动数据库上训练卷积自动编码器，使得它可以再现作为输入给出的运动数据，以及通过插值合成新颖的运动。这种无监督的非线性流形学习过程不需要任何运动分割或对齐，这使得该过程比先前的方法，显着更容易。在这个自动编码器的顶部，Daniel Holden等人堆叠另一个前馈神经网络，将高级参数映射到低级人体运动，通过这种方式，用户可以通过直观输入轻松地生成逼真的人体运动序列，例如角色应该遵循的某些地形的曲线，或者用于打孔和踢腿的末端执行器的轨迹。由于前馈控制网络和运动歧管是独立训练的，因此用户可以根据所需的界面轻松地交换和重新训练前馈网络。Daniel Holden等人还提出了在运动流形空间中编辑运动数据的技术。卷积自动编码器的隐藏单元以稀疏和连续的方式表示运动，使得调整该空间中的数据来保持运动的自然性和平滑性，同时仍允许再现身体的复杂运动。
1.2.模块化的运动合成模型
夏贵羽[2]提出一种模板化的运动合成模型，简化了运动合成方法的控制方式，提高了运动合成过程的可理解性。利用稀疏主成分分析(Sparse principal component analysis,SPCA)、Group lasso和Exclusive group lasso对人体运动进行建模，学习得到一组低维参数，分别控制着人体运动的一个内在自由度，并具有直观语义；同时，每个关节被尽量少的低维参数所控制，以减少低维参数对彼此所控制的自由度的交叉影响。通过直观地修改低维参数，就能够实时地控制每个参数对应的摆臂幅度、踢腿高度、跳跃距离等运动属性。这种“模板学习、模板定制”的两步方法，有效地降低了运动合成控制的复杂度和运动合成技术的应用门槛。
1.3.二级倒立摆的运动合成方法
赵建军等人[3]提出了一种基于二阶倒立摆的人体运动合成方法。方法分３步实现：首先将人体运动状态映射为一个二阶倒立摆的运动状态，大腿与小腿分别对应于二阶倒立摆的两个摆杆，膝关节对应于自由关节。然后，根据人体运动中的环境约束与步态控制参数，对二阶倒立摆进行运动规划，生成二阶倒立摆的运动。最后根据人体运动特征与用户高层控制参数，将二阶倒立摆运动映射回人体，得到人体全身的运动。我们使用该方法，通过设置不同的步态参数，得到了不同步态参数的人体运动。
1.4.基于运动图的运动合成模型
Kovar等人[4]在SigGraph 2002 Annual Conference上提出运动图概念。基于运动图的运动合成是指在已有运动数据库基础上构建有向图，以已有数据库中提取出来的运动基元作为有向图的节点，以各个运动基元之间的运动过渡作为有向图的边，最后通过在已经构建的有向图上搜索一条合理的路径即可合成新的运动数据。Kovar等人把已有运动捕获数据自动分割为独立的运动片断，并在各个片断之间建立有向的过渡关系构建有向图。此后，一些研究人员[8-9]在运动图基础上加入了一些对运动合成的控制，使得合成出的运动内容更为丰富。此类方法的优势在于对建图的运动数据的要求比较宽泛，并且能产生长度不同、过渡自然的运动，但合成运动的表达能力依赖于原运动数据，且容易造成根节点的位置计算不准确，导致脚步的滑动和朝向抖动。Hilton[5]提出基于隐马尔可夫模型的运动图，以运动片段的类型为观察量，各个运动片段作为隐状态，片段间的转移概率决定于片段在原始数据中是否连续，然后，根据用户指定的首尾姿态，通过动态规划找出转移概率最大的运动序列。
