ARDY：結合混合表示法與自迴歸擴散模型，實現高品質且可即時控制的 3D 人體動作生成

本研究開發 ARDY 串流框架，透過混合表示法與自迴歸擴散技術，解決了即時動作生成中精確度與速度無法兼顧的問題，支援文字指令與運動學約束的動態互動。

Problem

現有的 3D 人體動作生成方法面臨兩難：離線模型雖控制精確但推論速度過慢，難以應用於即時互動環境；而現有的在線（Online）方法雖具備即時性，卻常因上下文視窗受限，難以處理複雜文本語義或長程運動目標，導致生成品質與控制力不穩定。

ARDY 採用創新的混合表示法，將顯式根節點特徵與隱含身體嵌入結合，平衡了軌跡控制的精確度與生成學習的效率。其核心技術為兩階段自迴歸 Transformer 去噪器，具備可變長度的歷史背景（Context），並能直接針對在線文字指令與彈性的運動學約束進行條件生成訓練，以支援長程目標的達成。

在 HumanML3D 與大規模、高保真的 Bones Rigplay 資料集的評估顯示，ARDY 在動作品質與約束遵循度上表現優異。實驗證明該模型能勝任動態文字控制、多樣化關鍵影格約束、路徑跟隨，以及透過滑鼠與鍵盤進行即時移動控制等實際應用，並具備高度的互動靈活性。

此研究成功橋接了高品質離線生成與高效即時生成之間的技術鴻溝。ARDY 的架構設計為動畫製作、虛擬模擬以及人型機器人的即時運動規劃提供了關鍵的解決方案，讓開發者能在互動應用中同時實現精確的語義控制與流暢的動作生成。