运动学动力学耦合Transformer

高保真人体运动预测

首次在人体运动预测中引入动力学力特征，与运动学信息耦合，预测结果更符合物理规律。

Dai, Ju · Hao, Li · Zeng, Rui · Bai, Junxuan · 周峰 · 潘俊君

Pattern Recognition 2023

技术优势

首次引入动力学力

现有方法仅用运动学描述运动，忽略了关节间的力，KD-Former通过降阶动力学模型计算关节力，显式编码骨架拓扑。

并行解码未来序列

采用非自回归编码器-解码器框架，未来查询序列在解码器中并行解码，避免了自回归方法的误差累积和缓慢生成。

显式编码骨架拓扑

通过动力学模型显式编码人体骨架拓扑，使模型能够学习物理上合理的运动模式。

应用场景

• 机器人动作规划：为机器人提供物理上合理的未来轨迹，提升动作规划安全性。
• 具身智能：让具身智能体理解动态力约束，生成符合物理规律的交互动作。
• 人体运动分析：从动力学角度分析人体运动，揭示关节力与运动模式的关系。