FatigueFusion：面向疲劳驱动运动合成的潜在空间融合

探究疲劳对人体生理功能和运动行为的影响对于开发生物力学和医学应用以减轻疲劳、降低伤害风险并创建精细的ergonomic设计，以及产生符合物理规律的3D动画序列至关重要。尽管前者在当今前沿文献中占据突出位置，但疲劳驱动的运动生成仍是一个被充分探索的领域。本研究提出FatigueFusion，一种用于在潜在表示空间中融合疲劳特征的深度学习架构，使我们能够创建新型疲劳运动的变体、中间疲劳状态以及逐步疲劳的运动。不同于专注于模仿疲劳累积在运动模式中的效果的现有方法，本框架融合算法和数据驱动模块，在非疲劳运动上施加特定于受试者的时间和空间疲劳特征，同时利用基于PINN的技术模拟疲劳强度。由于所有运动调制任务均在潜在空间中进行，FatigueFusion提供了一个直接作用于非疲劳关节角序列和控制参数的端到端架构，使其能够无缝集成到任何运动合成管道中，而无需依赖疲劳输入数据。总体而言，本框架可用于各种疲劳驱动的合成任务，如疲劳轮廓迁移和融合，同时为在动画和仿真管道中准确渲染人体疲劳状态提供了解决方案。