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

HOIMotion 利用过去的人体姿势和视角 3D 物体边界框信息进行人体运动预测，通过编码器 - 残差图卷积网络和多层感知器从姿势和物体特征中提取特征，将姿势和物体特征融合成新颖的姿势 - 物体图，并使用残差解码器图卷积网络预测未来的人体运动。我们在 Aria 数字孪生（ADT）和 MoGaze 数据集上广泛评估了我们的方法，并显示 HOIMotion 在关节位置误差平均值方面相较于最先进的方法取得了高达 8.7％（ADT）和 7.2％（MoGaze）的显著改进。为了补充这些评估结果，我们报告了一项人类研究（N=20），表明我们的方法的改进使预测的姿势被认为比现有方法更精确和更逼真。综上所述，这些结果揭示了视角 3D 物体边界框对人体运动预测的重要信息内容以及我们的方法在利用该信息方面的有效性。

Jul, 2024

本文旨在预测两个互动人物的运动，通过收集一组专业舞蹈者的数据，提出了一种新的跨交互关注机制，在短期和长期预测中都表现出优于单人运动预测的现有方法。

May, 2021

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 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

本文提出了一种基于未来意图总揽机制的深度学习模型，该模型综合建模并预测了自我中心手部运动、交互热点和未来动作，旨在解决人 - 物互动预测的重要挑战。实验结果表明，所述模型在 EGTEA Gaze+ 和 EPIC-Kitchens 数据集上的行动预测结果优于现有方法。

Nov, 2019

我们重新界定了人体动作预测问题，并提出了一种与模型无关的个性化方法，该方法可以通过利用低参数的时间序列分析模型来有效在线实现运动预测个性化。

Dec, 2023

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

本文提出了一种基于学习深度先验的新型 3D 手部形态综合和估计方法，其中利用了身体运动和手势之间的相关性，采用网络进行 3D 手部姿态估计训练并得到了优良的效果。

Jul, 2020

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