Research Story：论文主线与中心思想¶

一句话主线¶

从单目视频重建出的 human–object trajectory 并不等于可执行的物理交互。本项目研究：

如何把 noisy monocular reconstruction 转化为 full-body human 对 passive articulated object 的鲁棒物理执行，同时不依赖隐藏物体驱动或 test-time oracle。

这里的核心困难不是“在 simulator 中播放轨迹”，而是人体必须通过接触真实推动物体内部关节；与此同时，reconstruction 的人体、接触和 articulation observation 都可能有误差。

论文为什么需要这项工作¶

现有工作覆盖了相邻问题，但没有直接给出当前任务的完整答案：

articulated reconstruction 方法主要输出 kinematic trajectory，不保证动力学可执行；
CoDA 作者提供的 PhysicalArtiObj 已能训练 SMPL-X articulated tracking，但其 native ARCTIC setting 与本项目 noisy reconstruction/D3D protocol 仍不同；
DeVI 已把 synthetic video 的 3D human + 2D rigid-object hybrid target 接入 full-body physics，但它不表示 articulation \(q\)，官方代码也尚未发布；
WristMimic 与 ContactMimic 分别说明 reference finger pose 与 keypoint tracking 不足以唯一确定物理接触；二者都未定义本项目所需的 SMPL-X passive articulated \(q\) tracking；
InterMimic、RePHO 等其他 full-body tracker 的原生物体主要是 rigid object；
HDMI 已证明 articulated reference tracking 可以进入 physics policy，但官方 embodiment 是 G1，不是本项目的 SMPL-X full-body setting；
直接把 noisy reconstruction 当成精确控制目标，容易在接触建立、物体关节运动和人体稳定性之间产生冲突。

因此论文关注的不是“首次 tracking q”或“首次使用 contact reward”，而是 自动 reconstruction/preprocess 输入下，noisy articulated HOI reference 的 matched full-body passive execution。

这里“自动”是可检查的 protocol：formal/private-test Ours 使用冻结 automatic contact-intent provider，不读人工确认 label。人工 contact 只作 visible calibration/evaluator 或 manual-assisted diagnostic。若这一 gate 不过，论文收缩为 video + provided contact intent，不称 automatic end-to-end。

中心 idea¶

整篇论文围绕三个层次展开：

冻结 initial state 与 dynamic reference case.json 的 initial joint values 定义 canonical frame-0 physical reset； result.pt 的 absolute q[t] 保留为 noisy tracking pseudo-supervision，二者不互相覆盖。
建立 passive articulated execution contract
所有方法使用相同 human、asset、selected-frame q、noisy reference、contact preprocess、训练预算和 evaluator；物体不能由隐藏 actuator 直接驱动。
让 policy 对不完美 reference 保持鲁棒
先严格复现 CoDA-PhysicalArtiObj，再分别用 ARCTIC captured/GT-like reference 做 Physics-only calibration、用冻结 automatic-contact Recon 与 D3D canonical input 测量 end-to-end reference noise；人工 reviewed annotations 只用于 visible calibration/evaluator 或显式 manual-assisted diagnostic。再以 DeVI-style 2D visual target、HDMI、InterMimic、RePHO 和 PHC-X controls 隔离「视觉 cue、articulation state 与 contact」各自的作用。ours 的 observation、reward 与训练方式由这些失败模式决定，不提前冻结。

第三层仍是待实验验证的技术假设，不提前写成论文结论。

论文论证顺序¶

叙事阶段	读者需要理解的内容	主要证据
1. Problem	kinematic reconstruction 不等于 passive physical execution	reconstruction 与 rollout failure cases
2. Task	q0、noisy q、contact 和 passive actuation 的严格定义	shared protocol 与 invariant tests
3. Baselines	哪些方法可直接比较，哪些只能作为 related-work control	CoDA author reproduction + WristMimic / ContactMimic / DeVI / HDMI / InterMimic / RePHO disclosure
4. Method	ours 如何针对 noisy reference 和接触失败改进 tracking	单因素 ablation 与 matched training
5. Evidence	是否真正建立接触、推动 joint 并保持人体稳定	success、q/link、contact、tracking、physical audit
6. Claim	哪些结论达到 benchmark evidence，哪些仍是限制	scheduled cases、CAD/object clusters、failure denominator

候选贡献¶

最终贡献需要由实验结果决定。目前可以安全组织为：

一个从 monocular articulated HOI reconstruction 到 passive physics execution 的明确任务与统一接口；
对 CoDA 作者 articulated tracker 的严格复现，以及从本项目 Recon 到该 tracker 的可审计输入/输出接口；
一个面向 noisy human/contact/articulation reference 的鲁棒 tracking 方法；
一套同时检查 tracking、contact、articulation progress 和 physics shortcut 的评测协议。

其中第 3 项只有在 ours 的正式实验显著优于 matched baselines 后才能成为主要 technical novelty。

明确不声称¶

不声称首次从视频恢复 articulated object；
不声称首次从 video 或 synthetic video 学习 full-body physics tracking；
不声称首次跟踪 q、使用 contact reward 或 residual action；
不把 HDMI-G1 当作 matched SMPL-X 实验；
不把 rigid-to-articulated adaptation 倒写成原论文能力；
不把三个 canonical cases 的 integration 结果写成大规模 generalization。