增强人体运动预测的神经符号化方法
本文提出一种基于语义损失函数的神经符号 AI 的方法,用于上下文感知的人体活动识别中,避免了符号推理模块,同时在建立的训练模型中注入了特定知识要求,能够在一些方面超越现有方法,如数据驱动模型,达到或者超过现有的系统识别率。
Jun, 2023
本文介绍并对比三种多机器人交互预测算法,包括使用直观的定性表示,纳入静态和动态上下文,采用输入和时间注意力机制,基于状态 - of-the-art 深度神经网络,利用数据驱动的预测方法和 QTC 空间交互进行运动预测。实验结果表明,纯数据驱动的预测方法通常优于其他两种方法,并进一步评估其泛化能力。
Jun, 2023
提出了一种新的神经时间模型来预测和合成人类动作,并且在长期运动轨迹的建模方面达到了最先进水平,同时在短期预测方面具有竞争力并且需要更少的计算量,通过一种新颖的指标(NPSS)评估长期预测能力,配合用户研究,成功提高了模型的预测准确度。
Sep, 2018
我们提出了一个名为 HumanMotionQA 的任务来评估模型在长形式人体运动序列上的复杂多步推理能力,同时提出了一种名为 NSPose 的神经符号方法。该方法使用符号推理和模块化设计通过学习运动概念、属性神经算子和时间关系来地面运动。我们演示了 NSPose 在 HumanMotionQA 任务上的适用性,优于所有基线方法。
May, 2023
通过多智能体强化学习、行为克隆和生成对抗性模仿学习,以及认知级别层次框架,我们在团队运动的背景下,引入了一个新的基准、一种新的公式和一个受认知启发的框架,以预测战略人类社交互动。我们通过使用 Wusi,一个 3D 多人动作数据集来验证我们的方法和数据集的有效性。
Nov, 2023
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
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
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
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