该研究提出了一个创新的计算机视觉框架，旨在通过与现有软件的无缝集成来分析工业环境中的人体运动，以增强生物力学分析。该框架利用先进的图像处理和建模技术，通过卷积神经网络（CNNs）、直接线性变换（DLT）和长短期记忆（LSTM）网络准确地检测关键身体节点，重建 3D 标记点，并生成详细的 3D 人体网格。广泛的评估验证了该框架的有效性，在各种动作下与传统基于标记点的模型展示出了可比较的结果，并在关节角度估计和体重、身高估计方面具有精确性。生物力学 - 57 关键骨骼模板的集成进一步增强了该框架的鲁棒性和可靠性。该框架显示出在工业环境中进行细致的生物力学分析的显著潜力，消除了笨重的标记物的需求，并将其用途扩展到包括研究特定外骨骼装置对促进受伤工人迅速返回工作任务的影响在内的各个研究领域。

Apr, 2024

提出了一种基于生物力学的新型网络，利用两个输入视图直接输出三维运动学，通过合成数据集 ODAH 进行训练，实验证明该方法在多个数据集上超过了现有先进方法，为提升基于视频的人体动作捕捉提供了有前景的方向。

Feb, 2024

通过使用机器人收集的数据来训练分类系统，这项研究探究了在训练智能系统时特定样本的稀缺性所带来的挑战。研究结果在确定使用机器人运动数据作为训练数据来准确识别佩戴智能手表的人类数字字符的潜力方面提供了有价值的见解，对于那些访问人类特定数据有限的领域具有广泛的影响。

May, 2024

发展用于人类动作生成的生成式人工智能迅速扩展，需要一个统一的评估框架。本文详细评述了八种用于人类动作生成的评估指标，突出其独特特点和不足之处。我们提出了一种标准化实践，通过一个统一的评估设置来促进一致的模型比较。此外，我们引入了一种新的度量标准，通过分析时间扭曲的多样性来评估时间数据的多样性，从而增强了时间数据的评估能力。我们还使用一个公开可用的数据集对三个生成模型进行了实验分析，提供了在特定案例场景中对每个度量标准的解释。我们的目标是为初学者提供一个清晰、用户友好的评估框架，并附带公开可访问的代码。

May, 2024

人体运动生成是生成自然人体姿势序列的目标，具有广泛的实际应用潜力。本文是人体运动生成领域的首篇综述文献，介绍了人体运动和生成模型的背景，并对三个主流子任务（文本条件、音频条件和场景条件的人体运动生成）的代表方法进行了审查。此外，还概述了常见数据集和评估指标，并讨论了开放问题和潜在的未来研究方向。希望该综述能够为社区提供对这个快速发展领域的全面了解，并激发解决尚未解决的挑战的新思路。

Jul, 2023

本文介绍了一组新的人体运动和视频数据集 MoVi，其中包括 60 名女性和 30 名男性表演 20 种预定义的日常动作和运动，以及一种自选运动。该数据集包含 9 小时的运动捕捉数据、17 小时的 4 个不同视角的视频数据和 6.6 小时的 IMU 数据，同时还描述了数据集的收集和后处理过程，并探讨了该数据集可促进的研究方向。

Mar, 2020

本文介绍了一种结合智能手机应用程序和可穿戴传感器的人体运动定量监测，旨在提高运动员安全性、预防受伤和优化训练效果的质性评估方法，基于时序序列数据进行个体特征提取，并通过监督分类技术的应用成功地评估了 27 名运动员的训练动作类型和质量。

Mar, 2017

本文介绍了一个新的数据集 MI-Motion，用来帮助研究多人运动预测，并提供基准测试来评估预测模型的性能，同时还介绍了一种新的基线方法 —— 图卷积神经网络和时间卷积神经网络。

Jun, 2023

本文探讨在制造应用中优化人机协作（HRC）框架以解决工作相关肌肉骨骼疾病（WMSDs）的高患病率，并提出两个假设：通过动作数据从重要的传感器中量化专业任务，将最危险的任务分配给协作机器人；通过包括手势识别和空间适应来提高 HRC 方案人体工效学并减少运营商肌肉骨骼搬运的身体努力。本文在电视制造过程中进行了 HRC 场景优化，并训练了一个基于深度学习的手势识别模块。

Mar, 2022

该研究调查了人类运动轨迹预测的现有方法，提出了一个基于运动建模方法和上下文信息水平的分类法，讨论了目前技术的局限性并提出了未来研究的方向。

May, 2019