随机多人三维运动预测
该论文提出了一种基于扩散的随机人体运动预测框架 DiffMotion，旨在预测未来的姿势序列，并通过使用多阶段图卷积网络和方差调度器，使预测结果准确、逼真、一致，同时在准确度和保真度方面明显优于先前的方法，并通过基准数据集展现了强大的鲁棒性。
May, 2023
本文提出了一种新的框架来处理机器人导航中预测人类动态的问题，该框架将人类运动（或轨迹）和骨骼姿态预测这两个任务统一起来，并考虑到了场景和社交上下文等多种因素，最终在两个社交数据集上表现优异。
Jul, 2020
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
本文介绍了一种关于场景感知的三维人体动作预测的方法，通过建模人与场景之间的相互作用，通过人与场景之间的相互距离来约束人体的局部和全局运动，提出的方法在合成和真实数据集上的表现优于现有方法。
Oct, 2023
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
我们提出了一种适用于多人 3D 运动轨迹预测的新型框架，使用包含局部范围编码器和全局范围编码器的 Multi-Range Transformers 模型，可以实现不同人之间的社交互动，且在长期运动预测方面优于现有方法，甚至可以自动将人分成不同的互动组以预测 15 人的运动轨迹。
Nov, 2021
提出了一种新方法，通过 hieraechical generation framework 来生成 3D 运动，以解决生成多样且长距离运动的挑战，并且在 NSM、COUCH 和 SAMP 数据集上的实验证明该方法在质量和多样性方面优于以前的方法。
Oct, 2023
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