論文の概要: PrediFlow: A Flow-Based Prediction-Refinement Framework for Real-Time Human Motion Prediction in Human-Robot Collaboration

• arxiv url: http://arxiv.org/abs/2512.13903v1
• Date: Mon, 15 Dec 2025 21:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.363789
• Title: PrediFlow: A Flow-Based Prediction-Refinement Framework for Real-Time Human Motion Prediction in Human-Robot Collaboration
• Title（参考訳）: PrediFlow:人間ロボットのリアルタイム動作予測のためのフローベース予測フレームワーク
• Authors: Sibo Tian, Minghui Zheng, Xiao Liang,
• Abstract要約: 本研究では,人間とロボットの両方の観察動作を統合して予測を洗練する予測補正フレームワークを提案する。 本手法は人間の動作の不確かさと多要素性を維持しながら予測精度を著しく向上させる。
• 参考スコア（独自算出の注目度）: 3.8495455130533998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic human motion prediction is critical for safe and effective human-robot collaboration (HRC) in industrial remanufacturing, as it captures human motion uncertainties and multi-modal behaviors that deterministic methods cannot handle. While earlier works emphasize highly diverse predictions, they often generate unrealistic human motions. More recent methods focus on accuracy and real-time performance, yet there remains potential to improve prediction quality further without exceeding time budgets. Additionally, current research on stochastic human motion prediction in HRC typically considers human motion in isolation, neglecting the influence of robot motion on human behavior. To address these research gaps and enable real-time, realistic, and interaction-aware human motion prediction, we propose a novel prediction-refinement framework that integrates both human and robot observed motion to refine the initial predictions produced by a pretrained state-of-the-art predictor. The refinement module employs a Flow Matching structure to account for uncertainty. Experimental studies on the HRC desktop disassembly dataset demonstrate that our method significantly improves prediction accuracy while preserving the uncertainties and multi-modalities of human motion. Moreover, the total inference time of the proposed framework remains within the time budget, highlighting the effectiveness and practicality of our approach.
• Abstract（参考訳）: 確率的人間の動き予測は、決定論的手法では扱えない人間の動きの不確実性やマルチモーダルな振る舞いを捉えるため、産業の再製造において安全で効果的な人間ロボット協調(HRC)にとって重要である。 初期の研究は極めて多様な予測を強調していたが、しばしば非現実的な人間の動きを生み出す。 近年の手法は精度とリアルタイムのパフォーマンスに重点を置いているが、時間予算を超えることなく予測品質をさらに向上する可能性がある。 さらに、HRCにおける確率的人間の動き予測に関する最近の研究は、通常、人間の動きが人間の行動に与える影響を無視して、孤立して人間の動きを考える。 本研究では,これらの研究ギャップに対処し,人間の動作予測をリアルタイム,現実的,対話的に認識する新しい予測フレームワークを提案する。 精製モジュールは不確実性を考慮したフローマッチング構造を採用している。 HRCデスクトップ分解データセットの実験研究により,人間の動作の不確実性やマルチモーダル性を保ちながら予測精度を著しく向上することが示された。 さらに,提案フレームワークの総推定時間は時間予算内に留まり,本手法の有効性と実用性を強調した。

関連論文リスト

• Physics-Informed Learning for Human Whole-Body Kinematics Prediction via Sparse IMUs [22.48066288507073]
  本稿では、知識をトレーニングと推論の両方に統合し、人間の動きを予測する物理インフォームドラーニングフレームワークを提案する。 人間の運動の空間的特徴を考慮に入れたネットワークを提案する。 実験結果から,本手法は動作間のスムーズな遷移を高精度に達成し,未知の対象に対して良好に一般化できることが示唆された。
  論文  参考訳（メタデータ） (2025-09-30T03:02:04Z)
• 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)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• 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)
• 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)
• Uncertainty-aware Human Motion Prediction [0.4568777157687961]
  人間の動作予測のための不確実性認識フレームワーク(UA-HMP)を提案する。 まず,ガウスモデルを用いて不確実性を考慮した予測器を設計し,予測動作の価値と不確実性を実現する。 そこで, 不確実性を定量化し, ノイズサンプルの負の効果を低減するために, 不確実性誘導学習方式を提案する。
  論文  参考訳（メタデータ） (2021-07-08T03:09:01Z)
• Long Term Motion Prediction Using Keyposes [122.22758311506588]
  長期的な予測を達成するには、瞬時に人間のポーズを予測する必要があると論じている。 このようなポーズを「キーポス」と呼び、後続のキーポスを線形に補間して近似する複素運動と呼ぶ。 このようなキープレースのシーケンスを学習することで,将来的には最大5秒まで,非常に長期にわたる動作を予測できることが示される。
  論文  参考訳（メタデータ） (2020-12-08T20:45:51Z)
• Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
  リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。 本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
  論文  参考訳（メタデータ） (2020-11-23T05:42:20Z)

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。