論文の概要: Long-Term Prediction of Local and Global Human Motion with Occlusion Recovery

• arxiv url: http://arxiv.org/abs/2606.27900v1
• Date: Fri, 26 Jun 2026 09:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.44531
• Title: Long-Term Prediction of Local and Global Human Motion with Occlusion Recovery
• Title（参考訳）: 咬合回復を伴う局所的・大域的動作の長期予測
• Abstract要約: 空間的および時間的依存は、双方向の注意機構によってモデル化される。 本研究では、時間的注意に基づく非自己回帰変換器を提案し、局所的なポーズや予測だけでなく、宇宙空間におけるグローバルな予測運動に対してもトレーニングを行う。
• 参考スコア（独自算出の注目度）: 1.9857559596234147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human motion describes the three-dimensional full-body movement of a person. Anticipating such motion holds significant relevance across a wide range of application domains such as human-robot interaction, autonomous driving, animation, and healthcare. In recent research, spatial and temporal dependencies are modeled by bidirectional attention mechanisms. These typically anticipate human motion in an autoregressive manner which could cause an accumulation of errors over time. As a consequence, they solely focus on local pose forecasting. To address these limitations, we propose a non-autoregressive transformer based on spatio-temporal attention, and train it not only for local pose anticipation, but also for global motion prediction in space. Furthermore, to enhance its applicability in real-world scenarios, our model is also trained to recover missing joints due to occlusions, and is capable of processing varying lengths of history observations. Our code is publicly available at https://github.com/Q-Y-Yang/Prediction-of-Local-and-Global-Human-Motion.
• Abstract（参考訳）: 人間の動きは、人の3次元のフルボディの動きを記述する。 このような動きを期待することは、人間とロボットのインタラクション、自律運転、アニメーション、ヘルスケアなど、幅広いアプリケーション領域で大きな関連性を持っている。 近年の研究では、空間的および時間的依存は双方向の注意機構によってモデル化されている。 これらは通常、人間の動きを自己回帰的に予測し、時間の経過とともにエラーが蓄積される可能性がある。 結果として、彼らは地元のポーズ予測のみに焦点を当てた。 これらの制約に対処するため、時空間的注意に基づく非自己回帰変換器を提案し、局所的なポーズ予測だけでなく、宇宙空間におけるグローバルな動き予測のために訓練する。 さらに, 実世界のシナリオにおける適用性を高めるため, 咬合による欠損関節の回復を訓練し, 様々な履歴観察の処理が可能となる。 私たちのコードはhttps://github.com/Q-Y-Yang/Prediction-of-Local-and-Global-Human-Motionで公開されています。

関連論文リスト

• CLOT: Closed-Loop Global Motion Tracking for Whole-Body Humanoid Teleoperation [54.7399209456857]
  閉ループグローバルモーショントラッキングを実現する,リアルタイムな人型遠隔操作システムCLOTを提案する。 CLOTはオペレータとロボットのポーズをクローズドループで同期させ、長時間のタイムホライズン上でドリフトフリーな人間-人間-ヒューマノイドの模倣を可能にする。 本研究では,報奨評価から観測軌道を分離し,スムーズで安定した大域的補正を可能にするデータ駆動ランダム化手法を提案する。
  論文  参考訳（メタデータ） (2026-02-13T12:03:13Z)
• 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)
• Social-Transmotion: Promptable Human Trajectory Prediction [65.80068316170613]
  Social-Transmotionは、多種多様な視覚的手がかりを利用して人間の行動を予測する、汎用トランスフォーマーベースのモデルである。 提案手法は,JTA,JRDB,歩行者,道路交通のサイクリスト,ETH-UCYなど,複数のデータセットで検証されている。
  論文  参考訳（メタデータ） (2023-12-26T18:56:49Z)
• Scene-aware Human Motion Forecasting via Mutual Distance Prediction [13.067687949642641]
  本研究では,人体とシーン間の相互距離による人間とシーンの相互作用をモデル化する。 このような相互距離は局所的な動きと大域的な動きの両方を制約し、結果として全身的な動きは予測される。 2つのステップでパイプラインを構築し、まず将来の相互距離を予測し、次に将来の人間の動きを予測する。
  論文  参考訳（メタデータ） (2023-10-01T08:32:46Z)
• SPOTR: Spatio-temporal Pose Transformers for Human Motion Prediction [12.248428883804763]
  3次元人間の動き予測は、コンピュータビジョンにおける高い重要性と課題を計算した研究領域である。 伝統的に、自己回帰モデルは人間の動きを予測するために用いられてきた。 人間の動作予測のための非自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2023-03-11T01:44:29Z)
• DMMGAN: Diverse Multi Motion Prediction of 3D Human Joints using Attention-Based Generative Adverserial Network [9.247294820004143]
  本稿では,多種多様な人間の動きを予測するためのトランスフォーマーに基づく生成モデルを提案する。 本モデルでは、まず、股関節に対する身体の姿勢を予測し、次に、textitHip予測モジュールが、予測された各ポーズフレームに対する股関節運動の軌跡を予測する。 本研究では,ヒトの動作予測において,股関節運動を伴う多動将来の軌跡を予測しながら,最先端の動作予測に優れることを示す。
  論文  参考訳（メタデータ） (2022-09-13T23:22:33Z)
• GIMO: Gaze-Informed Human Motion Prediction in Context [75.52839760700833]
  本研究では、高品質なボディポーズシーケンス、シーンスキャン、目視によるエゴ中心のビューを提供する大規模な人体動作データセットを提案する。 私たちのデータ収集は特定のシーンに縛られません。 視線の全可能性を実現するために,視線と運動枝の双方向通信を可能にする新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-04-20T13:17:39Z)
• 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)
• 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)
• Perpetual Motion: Generating Unbounded Human Motion [61.40259979876424]
  我々は、長期的な予測、つまり、人間の動きの長いシーケンスを生成することに焦点を当てる。 本研究では,非決定論的,テキストに変化する,永続的な人間の動きを生成するモデルを提案する。 我々は、これをホワイトノイズガウス過程のKL分岐の重み付き関数を用いて訓練し、潜時シーケンスの時間依存性を許容する。
  論文  参考訳（メタデータ） (2020-07-27T21:50:36Z)

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。