63、基于异构传感器的少样本人体运动预测新方法

基于异构传感器的少样本人体运动预测新方法

1. 研究背景与现有方法

在人体运动预测领域，大多数方法依赖于标准的深度学习方法，如变分自编码器、长短期记忆网络（LSTMs）和循环卷积网络等。这些方法针对不同的运动应用场景设计，传感器类型和预测长度各有不同。例如，Peek和Jalal等人的工作仅需要手臂的运动数据，而Gui等人则使用整个人体主要关节的旋转来预测未来时间步。然而，这些方法都无法处理运动传感器集合变化的任务。

近期有两种少样本人体运动预测方法被提出，可作为基准方法：
- paml ：基于流行的元学习方法maml，运行在经典的运动预测模型residual - sup之上。它采用简单的前瞻方法，基于在更大数据集上的预训练权重来调整解码器权重，以适应新任务。
- MoPredNet ：一种基于记忆的方法，利用注意力机制和预训练解码器权重的外部记忆来计算新任务的权重。但这两种方法都要求每个任务使用相同的传感器集合。

2. 问题定义

少样本运动预测被表述为一个多元时间图问题。在标准的人体运动预测中，给定一个图$G = (V, A)$作为预测数据，其中顶点集$V$由$C$个运动传感器${1, …, C}$组成，$A \in R^{C×C}$是一个对称邻接矩阵，表示传感器之间的连接关系。同时，还给定一组节点特征$X = {x_{ict}} \in R^{I×T×C}$，表示$C$个运动传感器在$T$个时间步上的$I$个实例的多元时间序列。目标是根据观察到的$T$个时间步预测接下来的$H$个时间步，目标表示为$Y \in R^{I×H×C}$。

在少样