Sep, 2023

分阶段感知全局人体动作预测

PDF
TL;DR提出了一种新的三阶段机制（STAG）来预测三维环境中的全局人体运动，改进了姿态和轨迹的预测，并引入一个新的时间计数器来确定达到场景联系点和终点的时间。
scene-aware global human motion forecastingstaged contact-aware global human motion forecastingtrajectory predictionpose predictiontemporal counter
发现论文，激发创造
  • 基于场景感知的人体动作预测与互相距离预测

    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

  • 社交和情境感知的人体运动和姿势预测

    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

  • 随机多人三维运动预测

    该论文提出了一种新型的人类运动预测任务，针对多人运动、社交交互和关节运动的复杂性，提出了一种模型框架，通过引入可学习的潜在编码来表示未来动作的意图来实现不同层次的独立个体运动和社交交互建模，在多个数据集上得到了显著的多人预测结果，表现显著优于现有技术水平。

    Jun, 2023

  • 基于场景上下文的人类长期动作预测

    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

  • 随机场景感知运动预测

    该研究提出了一种新的数据驱动的、随机的运动综合方法 SAMP，该方法可以模拟在杂乱场景中表现不同风格的行为，通过训练 MoCap 数据可以实现优秀的表现。

    Aug, 2021

  • 多模态感知驱动的三维人体动作预测

    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

  • GazeMotion: 凝视引导的人体动作预测

    GazeMotion 是一种结合过去人体姿势和人眼注视信息进行人体动作预测的新方法，通过预测未来眼睛注视点并将其与过去的姿势融合成注视 - 姿势图，再利用残差图卷积网络预测身体运动。在多个基准数据集的评估中，我们的方法在关节位置误差的平均改进上超过了最先进的方法 7.4％。即使使用头部方向作为眼睛注视的替代，我们的方法的平均改进率也达到了 5.5％。我们还通过在线用户研究展示了我们方法在感知逼真度方面超过之前方法的结果。这些结果展示了眼睛注视在人体动作预测中的重要信息内容以及我们方法在利用这些信息方面的有效性。

    Mar, 2024

  • 多智能体长期 3D 人体姿势预测的互动 - aware 轨迹条件化

    提出了一个基于相互作用感知、轨迹条件化的长期多智能体人体姿势预测模型，通过粗粒度到细粒度的预测方法，首先预测出多模态全局轨迹，然后根据每种模态对应的局部姿势进行条件化预测，有效处理人体运动的多模态性以及长期多智能体之间的复杂相互作用，提高在复杂环境中的性能，并通过构建新的真实世界图像和 2D 注释数据集来解决缺乏长期多智能体数据集的问题，从而对所提出的模型进行全面评估。

    Apr, 2024

  • GlocalNet：基于类别感知的长期人体运动合成

    本文旨在解决人体运动合成方面存在的挑战，提出了一种两阶段活动生成方法，通过学习合成稀疏的运动轨迹和生成密集的运动轨迹来实现长期人体运动轨迹的合成，并通过多种量化评估指标证明该方法优于 SOTA 方法。

    Dec, 2020

  • 单人动作预测的简单基线

    本文提出了一种简单且有效的单人运动预测模型，在不使用视觉和社交信息的情况下，通过有用的训练技巧取得了很好的效果，该方法在 SoMoF 基准测试上表现非常优越，为未来研究提供了新的思路。

    Oct, 2021