机器学习模型与算法建立
身姿部分
团队成员建立机器学习模型，并与学术界开源模型比对，通过现有的大型动作捕捉数据库进行基础训练。 机器学习模型与动态创作共分三步：静态动作连接、动态片段连接，节奏空间调整。团队正致力于前两步。 此外，团队也试图通过分析已有动作捕捉数据，拼合建立新的舞姿与反重力的运动规律，以拟合唐代人们关于飞天仙女的瑰丽精神想象。 同时，团队成员对模型加入运动学限制条件，针对舞蹈动作风格内容进行改良优化。 在敦煌舞数据库的逐步建立过程中，团队也将新数据用于模型训练和测试，对模型进行优化。
手姿部分
团队运用开源机器学习模型（Facebook frankmocap）单独训练，再与身姿训练成果依照骨骼向量进行节点拼合，提高机器学习效率并降低误差。
数据格式
在机器学习模型建立之余，团队重点投入数据格式转化对齐的工作，使得机器学习模型可以运用来自于不同数据库中的数据格式。一方面，来自不同数据库的大量数据，为模型的基础训练打下良好基础。另一方面，此项工作也为后期数据库的数据格式建立做好准备。同时，多种数据格式的流畅转换，满足了数据库——机器学习——动画创作工作流中不同工具与软件的多样化要求。
拉班舞谱
拉班舞谱数字化模型
团队运用微软公司开源的拉班舞谱数字化模型（Microsoft Labanotation Suite），研究了拉班舞谱的数字化过程，将动作捕捉数据输入模型，通过代码直接生成符号化舞谱。 时，团队与专业舞者和舞谱学者沟通，对模型进行修改，解决了一系列之前模型中的问题（肢体关节捕捉，动作细分结构等）。
唐代酒令乐舞：文字谱、拉班舞谱、舞蹈复建过程
基于唐代乐舞的文字舞谱与文献记录，20世纪80年代中国舞蹈学界复原构建了一系列舞容舞段，并以拉班舞谱记录。此后数十年，此项工作逐渐湮没。团队通过对艺术史、乐舞史、拉班舞谱文献进行分析，重新表达了这一系列乐舞内容，复原当年学者的创作。同时，团队计划通过动作捕捉，将此系列数据输入拉班舞谱的机器学习模型，反向生成舞蹈的拉班舞谱，以便对舞谱数字化过程进行校验，发掘更多可能。
