摘要
预测和理解人体运动动力学在许多领域具有广泛的应用，例如运动合成、增强现实、安全和自动驾驶车辆。由于生成对抗网络（GAN）近期取得的成功，利用深度神经网络架构和学习算法进行概率估计和合成数据生成引起了极大的兴趣。我们提出了一种新颖的序列到序列模型，用于概率性的人体运动预测。该模型使用改进的Wasserstein生成对抗网络（WGAN-GP）的一个修改版本进行训练，其中我们设计了一个专门针对人体运动预测的自定义损失函数。我们将该模型称为HP-GAN，它能够学习基于先前姿态的未来人体姿态的概率密度函数。该模型可以预测多个可能的未来人体姿态序列，每个序列都来自相同的输入序列，但使用从随机分布中抽取的不同向量z。此外，为了量化非确定性预测的质量，我们同时训练了一个运动质量评估模型，该模型学习给定骨骼序列是真实人体运动的概率。我们在两个最大的骨骼数据集——NTU RGB-D和Human3.6M上测试了我们的算法。我们对单个动作类型和多个动作类型进行了模型训练。通过仅使用10帧输入生成超过30帧的多个合理未来场景，展示了其在长期运动估计方面的预测能力。我们证明了从相同输入生成的大多数序列被判断为真实人体序列的概率超过50%。我们将发布本文中使用的全部代码至GitHub。