打破被动学习陷阱：面向人类运动预测的主动感知策略
计算机视觉与模式识别
2025-11-19 v1
摘要
对 3D 人体运动进行预测是人工智能体理解与认知人类行为的重要表现。当前方法过度依赖隐式网络建模时空关系和运动特征，陷入被动学习陷阱，导致获取 3D 坐标信息冗余且单调，缺乏主动引导的显式学习机制。为克服这些问题，我们提出了用于人体运动预测的主动感知策略 (APS)，利用商空间表示显式编码运动属性，并引入辅助学习目标以强化时空建模。具体而言，我们首先设计了数据感知模块，将姿态投影到商空间，从而将运动几何与坐标冗余解耦。通过联合编码切向向量和 Grassmann 投影，该模块同时实现了几何维数压缩、语义解耦和动态约束 enforcement，以有效 characterize 运动姿态。进一步，我们引入网络感知模块，通过恢复学习主动学习时空依赖性。该模块故意遮蔽特定关节或注入噪声以构建辅助监督信号。设计了一个专门的辅助学习网络，用于主动适应和学习受扰动信息。值得注意的是，APS 与模型无关，可集成到不同的预测模型中以增强主动感知。实验结果表明，我们的方法在 H3.6M 上实现了 16.3% 的提升，在 CMU Mocap 上实现了 13.9% 的提升，在 3DPW 上实现了 10.1% 的提升，刷新了现有方法的 state-of-the-art 成绩。
引用
@article{arxiv.2511.14237,
title = {Breaking the Passive Learning Trap: An Active Perception Strategy for Human Motion Prediction},
author = {Juncheng Hu and Zijian Zhang and Zeyu Wang and Guoyu Wang and Yingji Li and Kedi Lyu},
journal= {arXiv preprint arXiv:2511.14237},
year = {2025}
}
备注
8 pages, 3 figures