Multi-Scale Incremental Modeling for Enhanced Human Motion Prediction in Human-Robot Collaboration

要約

正確な人間の動きの予測は、人間とロボットの安全な共同作業に不可欠ですが、複雑で変化しやすい人間の動きのモデリングは複雑であるため、依然として困難です。
この論文では、複数の時空間スケールにわたる増分運動を明示的にモデル化し、微妙な関節の進化と全体的な軌道の変化を捉える新しいフレームワークである並列マルチスケール増分予測 (PMS) について説明します。
PMS は、並列シーケンス ブランチを使用してこれらのマルチスケール増分をエンコードし、予測の反復的改善を可能にします。
フルタイムライン損失を伴う多段階トレーニング手順により、時間的コンテキストが統合されます。
4 つのデータセットに対する広範な実験により、フレーム間の増分をモデル化することにより、連続性、生体力学的一貫性、および長期予測の安定性が大幅に向上することが実証されました。
PMS は最先端のパフォーマンスを実現し、以前の方法と比べて予測精度が 16.3% ～ 64.2% 向上しました。
提案されたマルチスケール増分アプローチは、人間とロボットのシームレスなインタラクションに不可欠な人間の動作予測機能を進化させるための強力な技術を提供します。

要約(オリジナル)

Accurate human motion prediction is crucial for safe human-robot collaboration but remains challenging due to the complexity of modeling intricate and variable human movements. This paper presents Parallel Multi-scale Incremental Prediction (PMS), a novel framework that explicitly models incremental motion across multiple spatio-temporal scales to capture subtle joint evolutions and global trajectory shifts. PMS encodes these multi-scale increments using parallel sequence branches, enabling iterative refinement of predictions. A multi-stage training procedure with a full-timeline loss integrates temporal context. Extensive experiments on four datasets demonstrate substantial improvements in continuity, biomechanical consistency, and long-term forecast stability by modeling inter-frame increments. PMS achieves state-of-the-art performance, increasing prediction accuracy by 16.3%-64.2% over previous methods. The proposed multi-scale incremental approach provides a powerful technique for advancing human motion prediction capabilities critical for seamless human-robot interaction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google