生成式 AI 驱动的高保真人体运动仿真
人工智能
2025-07-21 v1 计算机视觉与模式识别
摘要
人体运动仿真 (HMS) 支持对工业任务中工人行为、安全性和生产力进行具有成本效益的评估。然而，现有方法通常存在运动保真度低的问题。本研究引入了生成式 AI 赋能的 HMS (G-AI-HMS)，它集成了文本到文本和文本到运动模型，以提高物理任务的仿真质量。G-AI-HMS 解决了两个关键挑战：(1) 使用与 MotionGPT 训练词汇对齐的大型语言模型 (LLM) 将任务描述翻译为运动感知语言，以及 (2) 利用计算机视觉根据真实人体运动验证 AI 增强的运动。将姿态估计算法应用于实时视频以提取关节关键点，并使用运动相似性指标将其与 AI 增强序列进行比较。在一项涉及八项任务的案例研究中，AI 增强运动在大多数场景中显示出比人工创建描述更低的误差，在六项任务中基于空间准确度表现更好，在四项任务中基于姿态归一化后的对齐表现更好，在七项任务中基于整体时间相似性表现更好。统计分析表明，AI 增强提示显著 (p 0.0001) 降低了关节误差和时间不对齐，同时保持了可比的姿态准确度。
引用
@article{arxiv.2507.14097,
title = {Generative AI-Driven High-Fidelity Human Motion Simulation},
author = {Hari Iyer and Neel Macwan and Atharva Jitendra Hude and Heejin Jeong and Shenghan Guo},
journal= {arXiv preprint arXiv:2507.14097},
year = {2025}
}