CVPRApr, 2024

多智能体长期 3D 人体姿势预测的互动 - aware 轨迹条件化

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 动作无关的人体姿势预测

    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

  • 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

  • 多人姿势预测的轨迹感知身体交互变换器

    本文提出了一种称之为 TBIFormer 的新型多人姿态预测框架，利用社交身体相互作用自我关注机制和轨迹感知相对位置编码来高效地建模身体部位间的交互影响，实验结果表明，在短时和长时预测上，该方法在 CMU-Mocap、MuPoTS-3D 和合成数据集方面，都显著优于现有的其他方法。

    Mar, 2023

  • 从目标、路径点和路径到长期人类轨迹预测

    该研究提出了一种将样本不确定性分解为先验不确定性和随机不确定性的模型，其中使用了新颖的长期轨迹预测设置，提出了一种名为 Y-net 的场景符合轨迹预测网络。Y-net 在多个数据集上的表现明显优于之前的工作，并对长期预测表现出多样性轨迹预测。

    Dec, 2020

  • TRiPOD：野外人体行为轨迹和姿态动态预测

    本文提出了一种新的基于图注意力网络的轨迹和姿态动力学建模方法，通过消息传递界面融合了输入输出空间中人机和人物交互的不同层次，最终在两个具有挑战性的数据集上评估其性能，证明其优于先前的工作和针对轨迹和姿态预测任务的现有技术水平。

    Apr, 2021

  • 基于 Transformer 的多模式神经网络用于自动驾驶的运动预测

    本文介绍了一种基于 Transformer 结构的神经预测框架来模拟车辆之间的社交关系和预测可能的轨迹，其中采用了多模态注意机制来解决运动预测的多模态问题，并在 Argoverse 运动预测数据集上得到了最佳预测精度。

    Sep, 2021

  • 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

  • 二体姿态预测的最佳实践

    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

  • 基于深度马尔可夫模型的人体姿态预测

    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