分阶段接触感知的全局人类运动预测

场景感知的全局人体运动预测在虚拟现实、机器人技术以及体育分析等多个领域具有重要意义。该任务需在给定场景上下文的条件下，联合预测人体的轨迹与姿态，构成了一个极具挑战性的研究课题。迄今为止，仅有Mao等人在NeurIPS 2022的工作提出了面向场景感知的全局运动预测方法，其采用级联策略，先预测未来可能的场景接触点，再基于此进行全局运动估计。该方法将后续运动预测建模为端到端的轨迹与姿态生成过程。然而，正如本文通过实证所揭示的，这种端到端范式与任务本身“由粗到精”的本质特性相悖，导致性能受限。为此，本文提出一种新型三阶段框架——STAG（STaged contact-aware global human motion forecasting），用于在三维环境中预测全局人体运动。该框架首先将场景及其与人体的交互关系建模为接触点；其次，在场景约束下预测人体整体的粗粒度运动轨迹；最后，通过匹配合理的细粒度关节运动，对已预测的轨迹进行补全，从而实现更精确的运动生成。在场景感知的GTA-IM数据集上，与当前最优方法相比，STAG在姿态预测和轨迹预测方面分别实现了1.8%和16.2%的总体性能提升。全面的消融实验验证了分阶段建模相较于端到端方法的优越性。此外，本文提出了一种新的时间感知机制——“剩余时间”（time-to-go），用于表征到达场景接触点或目标点所需的时间，显著增强了模型对时序动态的理解能力。值得注意的是，STAG在无需依赖社交线索的情况下，成功推广至无场景信息的数据集CMU-Mocap，并取得了新的最先进性能。相关代码已开源，地址为：https://github.com/L-Scofano/STAG