本文利用语义图模型和图注意力层来建立上下文感知体系结构，旨在正确建模人类行为中的对象和人际互动以提高人类运动的预测准确性。通过在全身人类动作数据库上进行的彻底评估，论文显示出模式的优越性。

Apr, 2019

人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架，该框架在高斯过程回归模型中结合了人体关节约束和场景约束，以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动，并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明，当明确考虑这些约束条件时，高斯过程框架的性能得到了显著改善。

Oct, 2023

本文提出了一种基于前馈深度网络的预测人体运动的方法，通过在运动轨迹空间而非传统的姿态空间中编码时间信息，同时使用通用的图卷积网络自动学习人体姿势的空间依赖关系，从而实现了超越以往人体运动预测方法的性能。

Aug, 2019

本文通过提出新的三阶段框架来对人类运动进行长期预测，在考虑环境场景的情况下大大提高了预测准确性，并提供了具有清晰注释的多样化合成数据集来实现稳定的训练和严格的评估。

Jul, 2020

未来人体姿势预测是机器智能的基本应用，本研究引入了一种新的多模态感知驱动的运动预测方法，通过结合外部 3D 场景和内部人类凝视信息来实现高保真度的生成，同时考虑人的意图和场景的语义连贯性，该方法在 3D 人体姿势和轨迹预测上取得了最先进的性能。

May, 2024

通过使用 Transformer 架构，从人体位置、头部朝向和三维关键点等输入特征来预测人类在人类中心环境中未来的轨迹，该模型捕捉了未来人类轨迹预测中的内在不确定性，并在常见预测基准和适用于预测任务的移动机器人跟踪数据集上取得了最先进的性能。在这种具有挑战性场景中，我们发现历史数据有限的新主体是错误的主要来源，并展示了三维骨骼姿势在减少预测误差方面的互补性。

Sep, 2023

本文提出了一种运动背景下的人类运动预测方法，通过摘要历史人类运动来生成当前预测，同时引入修改过的高速公路单元并最小化克矩阵损失来增强运动动态，能够有效地预测未来的人类动作并提高模型性能，同时能够进行运动背景下的人类运动转化。

May, 2018

本研究提出了一种基于上下文感知的循环神经网络 LSTM 模型，用于人类在拥挤空间中运动和行为的预测。实验结果表明，该方法相对于之前的最新预测模型能够更好的预测人类的轨迹。

May, 2017

使用特殊的神经网络，将 Social Force Model 嵌入结构，提高人类运动的预测精度和安全性，解释可行，且具有广阔的应用前景和实验支撑。

Jun, 2020

我们重新界定了人体动作预测问题，并提出了一种与模型无关的个性化方法，该方法可以通过利用低参数的时间序列分析模型来有效在线实现运动预测个性化。

Dec, 2023