本研究提出了一种基于深度马尔科夫模型的变分自编码器生成姿势的框架，探讨姿势预测的新方法，并基于一个床具拼装视频数据集进行验证。

Jul, 2017

本文提出了一种用 probabilistic approach 来预测 characteristic poses 的方法，解决了原有 human motion prediction 只能按时间预测的问题，同时构建了一个手动注释的数据集来评估模型，结果表明此方法的平均表现优于现有方法 26%。

Nov, 2020

本文提出了一个针对人类姿态预测的开源库，其中包含多种模型、数据集和标准化的评估指标，旨在促进研究，并向统一和公平的评估发展。该研究通过提出建模其他模型的不确定性，并引入一个新的方法来量化任何模型的认知不确定性，证明其在准确性方面有高达 25% 的改进，并在不确定性估计方面表现更好。

Apr, 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

近年来，人与机器之间的有效和安全协作在第四工业革命场景中变得极为重要。而实现这种协作范式的一个关键前提就是准确理解机器人在其环境中的三维姿态。因此，在本文中，我们介绍了一种利用深度数据来准确确定机器人关节的三维位置的新型基于视觉的系统。具体而言，我们证明了所提出的系统通过共同学习预测未来姿态的能力，能够提高当前姿态估计的准确性。事实上，我们引入了姿态预测的概念，即系统利用对未来的学习知识来改善对当前姿态的估计能力。我们在两个不同的数据集上进行了实验评估，展示出最先进且实时的性能，并验证了所提出方法在机器人和人类场景下的有效性。

Aug, 2023

本文提出了一种新的不考虑活动标签的短期和长期人体姿势预测方法，使用一种新的循环神经网络模型 —— 三角棱镜循环神经网络，该模型通过编码不同时间尺度的时间依赖性来捕获潜在的分层结构，经在 Human 3.6M 和 Penn Action 数据集上进行了广泛的实验，证明了本方法在数量和质量上均优于基线和最先进的方法。

Oct, 2018

研究使用单个 RGB 图像预测人体动态，提出了 3D Pose Forecasting Network (3D-PFNet)，结合 2D 预测和 3D 空间，在多样化的数据源下进行了三步训练，展示了在 2D 姿势预测和 3D 姿势恢复上有竞争力的性能结果。

Apr, 2017

通过使用 Transformer 架构，从人体位置、头部朝向和三维关键点等输入特征来预测人类在人类中心环境中未来的轨迹，该模型捕捉了未来人类轨迹预测中的内在不确定性，并在常见预测基准和适用于预测任务的移动机器人跟踪数据集上取得了最先进的性能。在这种具有挑战性场景中，我们发现历史数据有限的新主体是错误的主要来源，并展示了三维骨骼姿势在减少预测误差方面的互补性。

Sep, 2023

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

本文主要研究多人互动姿势的预测任务，其采用了基于频率输入表示、时空可分离和全可学习交互邻接框架，并且对 2 个人进行预测时，可以显著提高性能。与此同时，该文还提出了针对编码器的新的空间交互参数初始化方法，从而提高了性能和稳定性。

Apr, 2023