동작 조정은 모든 관절의 동시적 협력을 나타내는 중요한 전역 관절 관계이며, 이를 모델링하면 더 현실적이고 정확한 동작 예측이 가능하다.
예상치 못한 물리적 교란에 대한 반응으로 발생하는 인간의 동작을 예측하는 것이 이 연구의 핵심 목적이다. 이를 위해 차별화된 물리 모델과 딥러닝 기술을 결합한 새로운 방법론을 제안한다.
인간 동작 예측은 과거 관찰된 동작 시퀀스로부터 미래 동작을 예측하는 것이다. 이는 동작의 복잡한 역학과 불확실성으로 인해 오랜 과제로 여겨져 왔다. 기존 방법은 동작 역학을 모델링하기 위해 복잡한 신경망을 구축하는 데 초점을 맞추었지만, 예측 결과가 훈련 샘플과 엄격히 유사하도록 요구되었다. 그러나 예측 작업에 필수적인 불확실성 특성에는 거의 주목하지 않았다. 우리는 훈련 데이터의 기록된 동작이 미래의 가능한 관찰이어야 하며, 미리 결정된 결과가 아니라고 주장한다. 또한 기존 연구는 각 미래 프레임에 대해 동일한 가중치로 예측 오류를 계산하지만, 최근 연구에 따르면 프레임마다 다른 역할을 할 수 있다. 이 연구에서는 불확실성을 고려하는 계산 효율적인 인코더-디코더 모델을 제안하며, 동적 함수를 통해 미래 프레임에 대한 적절한 특성을 학습할 수 있다. 벤치마크 데이터셋에 대한 실험 결과는 제안된 불확실성 고려 접근법이 수량과 품질 면에서 모두 명확한 장점을 가짐을 입증한다.
인간 동작 예측은 과거 관찰된 동작 시퀀스로부터 미래 동작을 예측하는 것이다. 이는 동작의 복잡한 역학과 불확실성으로 인해 오랫동안 해결해야 할 과제였다. 기존 방법은 동작 역학을 모델링하기 위해 복잡한 신경망을 구축하는 데 초점을 맞추었지만, 동작의 불확실성 특성에는 주목하지 않았다. 본 연구에서는 동작 예측 작업에서 불확실성 특성의 중요성을 강조하고, 이를 고려한 새로운 모델을 제안한다.
인간 동작 예측은 과거 관찰된 동작 시퀀스로부터 미래 동작을 예측하는 것이다. 이는 동작의 복잡한 역학과 불확실성으로 인해 오랫동안 해결해야 할 과제였다. 기존 방법은 동작 역학을 모델링하기 위해 복잡한 신경망을 구축하는 데 초점을 맞추었지만, 동작의 불확실성 특성에는 주목하지 않았다. 본 연구에서는 동작 예측 작업에서 불확실성 특성의 중요성을 강조하고, 이를 고려한 새로운 모델을 제안한다. 제안 모델은 동적 함수를 통해 미래 프레임에 대한 가중치를 학습하여 불확실성을 효과적으로 모델링한다.
본 연구는 인간 동작 예측 작업에서 불확실성 특성을 명시적으로 모델링하여 높은 정확도와 강건성 있는 예측 성능을 달성하고자 한다. 제안된 모델은 초기 프레임의 정확한 예측에 더 많은 주의를 기울이며, 이를 통해 장기 예측 성능 향상을 도모한다.