政策即数据：从模拟物理中学习可推广的 HOI 扩散模型

合成真实的人机交互 (HOI) 对于创建具体化身和功能虚拟环境至关重要。然而，当前的数据驱动方法主要依赖于运动捕捉数据集，其扩展成本昂贵且功能多样性有限。使用这些数据集训练的模型无法推广到看不见的物体，也无法长期保持物理一致性。在本文中，我们提出了一种新颖的框架，利用物理模拟器来克服 HOI 生成中的数据稀缺瓶颈。具体来说，我们提出了一个名为 \ours 的可扩展管道，它利用物理模拟器中强化学习训练的策略来生成面向任务的数据，并在增强数据集上训练生成模型以生成可泛化的 HOI。为了无缝地利用合成数据，我们引入了从粗到细的重定向过程，该过程弥补了物理模拟器中使用的简化模型与生成训练所需的标准参数化身体模型之间的表示差距。通过全面的实验验证，我们的方法展示了对不可见物体的增强泛化和长视界生成的能力，同时表现出更大的动态多样性和物理合理性。