本文旨在预测两个互动人物的运动，通过收集一组专业舞蹈者的数据，提出了一种新的跨交互关注机制，在短期和长期预测中都表现出优于单人运动预测的现有方法。

May, 2021

介绍了一种基于多级设计的人体运动预测方法，结合了空间和时间两个因素，通过两个网络，以预测一个好的猜测值为基础，有效提高了预测的精度。该方法在多项实验数据中胜出并实现了超过前人方法 6-16% 的提升。

Mar, 2022

本文在三个主要方面提出了改进：（1）使用生成对抗网络（GAN）预测 3D 人体动作，（2）设计架构来学习身体姿势和全局动作的联合分布，（3）提出了基于频率分布的两种替代指标来反映长期人类运动的实际分布，结果表明本文方法显著改善了现有技术，同时能够处理受到遮挡、噪声和丢失帧等影响的情况。

Dec, 2018

通过引入基于注意力机制的前馈神经网络模型，提取了历史运动细节的相似性，建模了运动模式，并在人类行为数据集上实现了最先进的人体运动预测效果。

Jul, 2020

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

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

本文中提出了一种统一的深度生成网络，用于多样化和可控的人体运动预测，该网络基于正则化流姿势先验和关节角损失函数，能够有效地提高模型的准确性和样本多样性。

Aug, 2021

现有的图卷积网络在实现人体动作预测时，大多采用一步方案，直接从历史输入中输出预测结果，未能充分利用人体运动模式。我们观察到人体运动具有过渡模式，并且可以分解为代表每个过渡的片段。我们提出了一种片段到运动的多阶段框架，将运动预测分解为更容易完成的子任务。每个子任务集成了三个模块：过渡姿势预测、片段重建和片段到运动的预测。具体而言，我们首先预测只有过渡姿势，然后使用它们重建相应的片段，得到接近真实运动序列的近似结果。最后，我们对其进行细化，生成最终的预测输出。为了实现网络，我们提出了一种新颖的统一图建模方法，相比于现有方法依赖于分离的时空建模，可以直接有效地传播特征。对 Human 3.6M、CMU Mocap 和 3DPW 数据集进行了大量实验证明了我们的方法的有效性，其达到了最先进的性能。

Jul, 2023

该研究提出使用 Transformer 建模实现非自回归人体运动预测，采用串行解码替代基于先前预测的循环神经网络，实现了在序列中并行解码。该方法在短期预测方面具有较高的竞争力。

Sep, 2021

提出了一种新的基于增强学习的姿势预测模型，结合行为克隆和生成对抗学习，通过这种模型对未来的人体姿势进行预测，实验结果表明该模型在短期和长期预测方面优于现有方法。

Sep, 2019