Dec, 2023

确定性人体运动预测的最新进展：综述

PDF
TL;DR本研究论文介绍了人体动作预测技术在人机交互、自动驾驶、运动分析和人员跟踪等各个领域的重要性，并深入讨论了该领域的常见模型架构的优势和劣势，总结了最近的研究创新，并提供了现有方法、常用数据集和评估指标的综合概述。此外，还讨论了该领域当前的一些限制，并提出了未来研究方向以克服这些挑战，推动人体动作预测的进一步发展。
human motion predictiondeep learningmodel architecturesresearch innovationsfuture research directions
发现论文，激发创造
  • 人体运动轨迹预测：综述

    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

  • 基于循环神经网络的人体动作预测

    本文旨在研究人体运动建模领域的前沿研究，特别关注基于深度递归神经网络的研究成果，对当前问题的评价方法进行了调查，在研究现有的体系结构、代价函数和训练程序时，提出了三点标准改进措施，取得了最新技术的突破性进展。

    May, 2017

  • 物理学和神经网络的有益结合：可靠高效的人体运动预测生成

    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

  • 利用约束概率人体运动预测增强人机协作

    人体运动预测是高效和安全的人机协作的重要步骤。我们提出了一种新颖的人体运动预测框架，该框架在高斯过程回归模型中结合了人体关节约束和场景约束，以在一定时间范围内预测人体运动。该框架还结合了在线上下文感知约束模型来利用任务相关的运动，并在人机协作设置中使用 UR5 机器人手臂实现了实时性能。模拟和实验结果表明，当明确考虑这些约束条件时，高斯过程框架的性能得到了显著改善。

    Oct, 2023

  • 人类动作识别与预测：调查

    该论文综述了计算机视觉和机器学习在视频分析任务中的应用，重点介绍了动作识别和预测两个领域的现有技术、算法、数据集、评价标准及未来发展方向。

    Jun, 2018

  • 历史重演：基于动作注意力的人体动作预测

    通过引入基于注意力机制的前馈神经网络模型，提取了历史运动细节的相似性，建模了运动模式，并在人类行为数据集上实现了最先进的人体运动预测效果。

    Jul, 2020

  • 上下文感知的人体动作预测

    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

  • 揭示人类动作模式：基于模式记忆的扩散模型的轨迹预测

    基于记忆的 Motion Pattern Priors Memory Network 方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库，并引入地址机制来检索匹配的模式和每个预测的潜在目标分布，从而使得在真实世界场景中的不确定性下，准确地预测人类行为轨迹成为可能。

    Jan, 2024

  • 深度学习人类移动性调查

    通过对人类活动的深入研究，结合大量的数字移动数据和人工智能的预测能力，运用深度学习模型，以以往的机械学习模型为基础，归纳整理的分类学，对多个任务（如下一位置预测、人流预测、轨迹和流预测）进行研究，是对人类移动的前沿研究。同时解决基础概念和现有挑战，方便深度学习科学家和实践者的理解。

    Dec, 2020

  • HumanMAC: 用于人体动作预测的遮挡运动补全技术

    本文提出了一种基于去噪扩散的新框架，通过训练一个运动扩散模型来生成运动，然后通过去噪过程实现在观察到的运动条件下进行运动预测，并在现实任务中有效地实现了不同类别运动的切换，取得了良好的算法性能和结果。

    Feb, 2023