融合神经网络与数值计算的人体逆向运动学求解

人体逆向运动学问题是人体运动合成, 人体运动捕获和理解的基本问题. 由于人体关节链式系统的复杂性, 人体逆向运动学方程往往存在多解或无解的情形. 传统的方法通常采用解析或数值迭代方法求解逆向运动学问题, 在给定足够多约束的情形下能够得到比较好的解, 但无法处理少量约束下生成自然的人体姿态问题. 近年来, 从大规模数据集中学习统计模型参数的思想被广泛运用, 求解人体逆向运动学的机器学习方法中经典工作—混合 Gauss 逆向运动求解模型 (Gaussian mixture modelinverse kinematics, GMM-IK) 就提出利用混合 Gauss 模型建模人体姿态数据分布, 并采用期望最大化方法求解参数. 随着深度学习技术的发展, 本文提出一种自编码神经网络与数值迭代融合的方法, 在给定少量约束的情形下依然能够得到自然的人体姿态, 相较于 GMM-IK 方法, 本文所提出的方法通过神经网络自动学习姿态分布, 省去了模型的假设和特征的设计, 且量化实验显示本文方法的关节坐标和角度重建误差相较于 GMM-IK 模型平均减少了 25% 和 39%. 在应用方面, 本文方法可处理光学运动捕获数据, 也可用于图像视频的人体姿态估计等领域. Download paper here

Recommended citation: 胡磊, 张子豪, and 夏时洪. “融合神经网络与数值计算的人体逆向运动学求解.” 中国科学: 数学 51.1 (2021): 137-152.