論文の概要: Improving Human Motion Prediction Through Continual Learning
- arxiv url: http://arxiv.org/abs/2107.00544v1
- Date: Thu, 1 Jul 2021 15:34:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 13:35:07.675414
- Title: Improving Human Motion Prediction Through Continual Learning
- Title（参考訳）: 連続学習による人間の運動予測の改善
- Authors: Mohammad Samin Yasar and Tariq Iqbal
- Abstract要約: 人間の動作予測は、より緊密な人間とロボットのコラボレーションを可能にするために不可欠な要素である。
人間の運動の変動は、人間のサイズの違いによる骨格レベルと、個々の動きの慣用性による運動レベルの両方で複合される。
本稿では、エンドツーエンドのトレーニングを可能にすると同時に、微調整の柔軟性も備えたモジュール型シーケンス学習手法を提案する。
- 参考スコア（独自算出の注目度）: 2.720960618356385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human motion prediction is an essential component for enabling closer
human-robot collaboration. The task of accurately predicting human motion is
non-trivial. It is compounded by the variability of human motion, both at a
skeletal level due to the varying size of humans and at a motion level due to
individual movement's idiosyncrasies. These variables make it challenging for
learning algorithms to obtain a general representation that is robust to the
diverse spatio-temporal patterns of human motion. In this work, we propose a
modular sequence learning approach that allows end-to-end training while also
having the flexibility of being fine-tuned. Our approach relies on the
diversity of training samples to first learn a robust representation, which can
then be fine-tuned in a continual learning setup to predict the motion of new
subjects. We evaluated the proposed approach by comparing its performance
against state-of-the-art baselines. The results suggest that our approach
outperforms other methods over all the evaluated temporal horizons, using a
small amount of data for fine-tuning. The improved performance of our approach
opens up the possibility of using continual learning for personalized and
reliable motion prediction.
- Abstract（参考訳）: 人間の動作予測は、人間とロボットのより緊密なコラボレーションを可能にするために不可欠な要素である。
人間の動きを正確に予測する仕事は自明ではない。
人間の運動の変動性によって複合され、ヒトの大きさによる骨格レベルでも、個々の運動の特異性による運動レベルでも複合される。
これらの変数は、人間の運動の様々な時空間パターンにロバストな一般的な表現を学習アルゴリズムが得ることを困難にしている。
そこで本研究では,エンドツーエンドの学習を可能にするモジュール型シーケンス学習手法を提案する。
我々のアプローチは、まず頑健な表現を学ぶためのトレーニングサンプルの多様性に依存しており、新しい被験者の動きを予測するために連続的な学習設定で微調整することができる。
提案手法を最先端のベースラインとの比較により評価した。
提案手法は, 微調整に少量のデータを用いて, 評価された時間的地平線上での他の手法よりも優れていることを示す。
提案手法の性能向上は,個人化・信頼性の高い動作予測に連続学習を利用する可能性を開く。
関連論文リスト
- MotionRL: Align Text-to-Motion Generation to Human Preferences with Multi-Reward Reinforcement Learning [99.09906827676748]
我々は、テキスト・ツー・モーション生成タスクを最適化するために、Multi-Reward Reinforcement Learning(RL)を利用する最初のアプローチであるMotionRLを紹介する。
我々の新しいアプローチは、人間の知覚モデルに関する知識以前の人間の嗜好に基づいて、強化学習を用いて運動生成体を微調整する。
さらに、MotionRLは、テキストのアテンデンス、モーションクオリティ、人間の好みの最適性を近似する、新しい多目的最適化戦略を導入している。
論文 参考訳（メタデータ） (2024-10-09T03:27:14Z) - Aligning Human Motion Generation with Human Perceptions [51.831338643012444]
本研究では,大規模人間の知覚評価データセットであるMotionPerceptと,人間の動作批判モデルであるMotionCriticを導入することにより,ギャップを埋めるデータ駆動型アプローチを提案する。
我々の批評家モデルは、運動品質を評価するためのより正確な指標を提供しており、容易に運動生成パイプラインに統合することができる。
論文 参考訳（メタデータ） (2024-07-02T14:01:59Z) - Continual Imitation Learning for Prosthetic Limbs [0.7922558880545526]
モーター付きバイオニック手足は約束を提供するが、その実用性は様々な環境での人間の運動の進化する相乗効果を模倣することに依存する。
本稿では, カメラを用いたモーションキャプチャとウェアラブルセンサデータを活用したバイオニック補綴用アプリケーションの新しいモデルを提案する。
本稿では,マルチタスク,継続的な適応,動きの予測,移動の洗練が可能なモデルを提案する。
論文 参考訳（メタデータ） (2024-05-02T09:22:54Z) - AdvMT: Adversarial Motion Transformer for Long-term Human Motion
Prediction [2.837740438355204]
本稿では,AdvMT(Adversarial Motion Transformer)について述べる。
逆行訓練では,予測の不要な成果物を効果的に削減し,より現実的で流動的な人間の動作の学習を確実にする。
論文 参考訳（メタデータ） (2024-01-10T09:15:50Z) - TransFusion: A Practical and Effective Transformer-based Diffusion Model
for 3D Human Motion Prediction [1.8923948104852863]
本研究では,3次元動作予測のための革新的で実用的な拡散モデルであるTransFusionを提案する。
我々のモデルは、浅い層と深い層の間の長いスキップ接続を持つバックボーンとしてTransformerを活用している。
クロスアテンションや適応層正規化のような余分なモジュールを利用する従来の拡散モデルとは対照的に、条件を含む全ての入力をトークンとして扱い、より軽量なモデルを作成する。
論文 参考訳（メタデータ） (2023-07-30T01:52:07Z) - Investigating Pose Representations and Motion Contexts Modeling for 3D
Motion Prediction [63.62263239934777]
歴史的ポーズシーケンスから人間の動きを予測することは、機械が人間と知的な相互作用を成功させるために不可欠である。
本研究では,様々なポーズ表現に関する詳細な研究を行い,その動作予測課題に対する効果に着目した。
AHMR(Attentive Hierarchical Motion Recurrent Network)と呼ばれる新しいRNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-12-30T10:45:22Z) - Learning Human Motion Prediction via Stochastic Differential Equations [19.30774202476477]
本稿では,微分方程式と経路積分に基づく動き予測問題をモデル化する新しい手法を提案する。
平均して12.48%の精度向上を実現している。
論文 参考訳（メタデータ） (2021-12-21T11:55:13Z) - Dyadic Human Motion Prediction [119.3376964777803]
本稿では,2つの被験者の相互作用を明示的に推論する動き予測フレームワークを提案する。
具体的には,2つの被験者の運動履歴の相互依存をモデル化する一対の注意機構を導入する。
これにより、より現実的な方法で長期の運動力学を保ち、異常かつ高速な運動を予測することができる。
論文 参考訳（メタデータ） (2021-12-01T10:30:40Z) - Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。
標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
論文 参考訳（メタデータ） (2021-08-19T00:58:00Z) - Probabilistic Human Motion Prediction via A Bayesian Neural Network [71.16277790708529]
本稿では,人間の動作予測のための確率モデルを提案する。
我々のモデルは、観測された動きシーケンスが与えられたときに、いくつかの将来の動きを生成することができる。
我々は、大規模ベンチマークデータセットHuman3.6mに対して、我々のアプローチを広範囲に検証した。
論文 参考訳（メタデータ） (2021-07-14T09:05:33Z) - 3D Human motion anticipation and classification [8.069283749930594]
人間の動き予測と特徴学習のための新しいシーケンス・トゥ・シークエンスモデルを提案する。
我々のモデルは、同じ入力シーケンスから複数の人間のポーズの将来のシーケンスを予測することを学習する。
識別器から学習した特徴を用いて,行動認識ネットワークを訓練するには,エポック数の半分以下しかかからないことを示す。
論文 参考訳（メタデータ） (2020-12-31T00:19:39Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。