MMCM：基于聚类的多模态度量用于概率性人类运动预测
计算机视觉与模式识别
2025-11-20 v1
摘要
本文提出了一种用于人类运动预测（HMP）的新型度量方法。由于单一的历史序列可能导致多个可能的未来，因此概率性HMP方法会预测这些多种运动。虽然确定性方法预测的单一运动仅通过与其真实运动的差异进行评估，但多个预测运动应基于其分布进行评估。为此，本文关注以下两个评估标准：\textbf{(a) 覆盖性}：运动应分布在多个运动模式中，以覆盖多样化的可能性。\textbf{(b) 有效性}：运动应作为给定历史运动可观测的未来运动而具有动力学有效性。然而，现有的度量方法仅赞赏在单一模式中且动力学无效的广泛分布运动。为解决这些缺点，本文提出了基于聚类的多模态度量（MMCM）。对于覆盖性，MMCM将运动空间划分为多个簇，每个簇被视为一个模式。这些模式用于显式评估预测运动是否分布在多个模式中。对于有效性，MMCM通过收集运动数据集中可能的未来运动来识别有效模式。我们的实验验证了聚类产生合理的模式定义以及MMCM对多模态预测的准确评分。代码：https://github.com/placerkyo/MMCM
引用
@article{arxiv.2511.15179,
title = {MMCM: Multimodality-aware Metric using Clustering-based Modes for Probabilistic Human Motion Prediction},
author = {Kyotaro Tokoro and Hiromu Taketsugu and Norimichi Ukita},
journal= {arXiv preprint arXiv:2511.15179},
year = {2025}
}
备注
Accepted to WACV2026