元宇宙概念的火热，让越来越多的研究者探索如何便捷地实现人与虚拟世界的交互。使用单目相机进行三维人体姿态估计很大程度上迎合了这一需求，然而目前大多方法都采用先检测再逐人估计的多阶段框架，其复杂性提升了落地时的成本。

为了克服这一问题，哈尔滨工业大学机器人研究所在读博士孙宇等人提出ROMP，这是一个单阶段算法，可以在1070Ti上搭载单个摄像头，实时估计多人三维人体网格。

为了适应实际场景中普遍存在的多人遮挡问题，不同于多阶段方法的检测框级的模糊表征，ROMP端到端地学习像素级别的明确表征。并且为了让模型进一步适应严重遮挡的情况，在表征学习的过程中融入了多人中心碰撞检测机制，促使模型学习更具有区分性的表征。

为了进一步提升ROMP对多人深度关系的感知能力，在今年的CVPR 2022中，孙宇博士等人将ROMP的二维表征升级为基于鸟瞰图的三维表征，提出了多人深度位置估计模型BEV，BEV突破了现有的只支持单一年龄段的三维人体姿态估计方法的局限性，实现对包括婴儿、儿童、青少年、成人在内的全年龄段的支持。

11月23日晚7点，「AI新青年讲座」第175讲邀请到哈尔滨工业大学机器人研究所在读博士孙宇参与，主讲《单目实时多人三维人体姿态及深度位置估计》。