A Personalized Data-Driven Generative Model of Human Motion

要約

リハビリテーション療法、スポーツ、製造などの人間のグループ活動における自律的な仮想アバター（拡張現実）とロボットの展開は、これらの技術がより広範になるにつれて増加すると予想されます。
これらのエージェントを駆動するための認知アーキテクチャと制御戦略の設計には、人間の動きの現実的なモデルが必要です。
ただし、既存のモデルは、人間の運動挙動の単純化された説明のみを提供します。
この作業では、特定の個人のユニークな特性をキャプチャする元の動きを生成するために、長期の短期メモリネットワークに基づいた完全なデータ駆動型アプローチを提案します。
スカラー振動運動の実際のデータを使用して、アーキテクチャを検証します。
広範な分析では、私たちのモデルが、訓練された個人の速度分布と振幅の封筒を効果的に複製し、他の個人とは異なり、人間のデータと類似性の観点から最先端のモデルを上回ることを示しています。

要約(オリジナル)

The deployment of autonomous virtual avatars (in extended reality) and robots in human group activities – such as rehabilitation therapy, sports, and manufacturing – is expected to increase as these technologies become more pervasive. Designing cognitive architectures and control strategies to drive these agents requires realistic models of human motion. However, existing models only provide simplified descriptions of human motor behavior. In this work, we propose a fully data-driven approach, based on Long Short-Term Memory neural networks, to generate original motion that captures the unique characteristics of specific individuals. We validate the architecture using real data of scalar oscillatory motion. Extensive analyses show that our model effectively replicates the velocity distribution and amplitude envelopes of the individual it was trained on, remaining different from other individuals, and outperforming state-of-the-art models in terms of similarity to human data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google