PIP首先将运动状态作为参考进行回归，然后由物理模块对运动进行细化以满足物理约束。
突破- 与以前需要未来信息的工作（DIP、Transpose）相比，我们的方法只需要在任何给定时间已经可用的信息，这意味着没有引入额外的延迟。
- 具有物理感知的实时方法，只用6个imu估计人体运动、关节扭矩和地面反作用力，我们称之为PIP。
- 一种基于学习的RNN状态初始化方案，它有助于更好地消除人类运动回归与稀疏IMU测量的歧义
- 一种双PD控制器，实现局部和全局姿态的联合控制，以提高运动跟踪精度和物理合理性
我们的算法有两个阶段：1)基于学习的运动估计和2)基于物理的运动优化，它在运动捕获中同时利用了人类的运动学和动力学。
在估计阶段，我们使用递归神经网络(RNNs)从惯性输入中回归人体姿态、关节速度和脚踏接触概率。我们估计叶到全关节位置作为中间任务，以提高由TransPose[73]提出的跟踪精度。为了解决稀疏IMU放置引起的位姿模糊问题，我们进一步提出了一种基于学习的RNN状态初始化策略，该策略有助于网络更好地从输入惯性测量中学习体位姿的变化。这导致了一个显著的准确性提高，特别是对于模糊的动作，如坐着不动。
在优化阶段，我们利用扭矩控制的浮基模拟特征模型，从运动学估计中恢复物理上正确的运动、关节力矩和地面反作用力。与以往使用比例导数(PD)规则[21,54,55,80]独立控制角色各自由度旋转的工作不同，我们提出了一种新的双PD控制器，以纳入角色姿态的全局整体控制。这是通过在关节位置和旋转上都应用PD规则来实现的。该技术显著提高了平移精度和运动的物理合理性。
