Mar, 2024

意外扰动下的人体运动预测

PDF
TL;DR我们调查了人体运动预测中的一个新任务，即预测可能涉及多人的意外物理扰动下的运动。与现有研究相比，这个任务涉及预测非受控的、非预谋的和纯反应式的运动，以应对外部冲击以及这样的运动如何在人之间传播。我们提出了一种新方法，利用微分物理和深度神经网络，提出了一个显式的潜在微分物理（LDP）模型。通过实验证明，LDP 具有高数据效率、出色的预测准确性、强大的泛化能力和良好的可解释性。由于没有类似的研究，我们从几个相关领域进行了全面的比较，包括 11 个已适应的基线模型，结果显示 LDP 在定量和定性上都优于现有研究，其预测准确度提高了 70%，并且显示出显著更强的泛化能力。
human motion predictionphysical perturbationreactive motionsdifferential physicsdeep neural networks
发现论文，激发创造
  • 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

  • 多条件潜在扩散网络用于场景感知神经人体运动预测

    通过使用多条件潜在扩散网络，该研究提出了一种重塑人体运动预测任务的方法，该任务基于给定的历史三维身体运动和当前三维场景上下文，以实现人体运动的预测。实验结果表明，该方法在真实和多样化的预测中显著优于现有技术。

    May, 2024

  • 多人极端动作预测

    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

  • 随机运动预测的人体关节运动扩散细化

    该研究提出了一种名为 MotionDiff 的扩散概率模型，将人体运动的运动学视为受热的粒子，其自原始状态扩散到噪声分布。该方法通过一种自然的方式获取了 “白化” 的潜在变量，而无需任何可训练参数，证明 MotionDiff 模型在两种数据集上具有竞争力的准确性和多样性表现。

    Oct, 2022

  • 生成模型增强的人体动作预测

    提出了一种基于生成模型的新的 out-of-distribution (OoD) 基准，用于预测人类运动，并且这种方法能够有效地提高模型的鲁棒性和可解释性。

    Oct, 2020

  • 通过潜在走廊进行自适应人类轨迹预测

    使用可学习的图像提示将预训练的人体轨迹预测器的输入增强，从而使预测器能够从极少量的新数据中推断出部署场景的趋势，从而解决特定场景下的人体轨迹预测问题。

    Dec, 2023

  • 人体动态的弱监督学习

    本文提出了一种基于弱监督学习的动态估计框架，通过搭建神经网络层，实现在小规模的动力数据集和弱监督领域转移上进行的纯人类运动数据的循环损失最小化，获得了最先进的基于地面反作用力、地面反作用力矩和关节扭矩回归的结果。

    Jul, 2020

  • 物体中心视觉预测的物理动态学习

    本研究提出了一种无监督的物体中心预测模型，通过学习物体之间的视觉动态来进行未来预测，实验结果表明该模型在生成视觉质量和物理可靠性方面优于现有技术。

    Mar, 2024

  • 卷积式人体运动预测的对抗鲁棒性评估

    本文提出一种新的适用于人体运动序列的可调节的针对性对抗攻击方法，通过引入两个物理约束条件，提高对抗样本的无感知性，定量和定性结果表明，串联对抗样本可以很好地欺骗目标预测模型，提高人体运动预测器的对抗鲁棒性，但相较于帧至帧比较，该攻击样本比较容易被检测到。

    Jun, 2023

  • 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