用于复杂任务-运动依赖下的任务条件轨迹生成的运动流 manifold 基本单元

有效的运动基本单元应能够编码并生成丰富的轨迹集合——通常来自人类演示——并根据任务定义参数（如视觉或语言输入）进行条件化。虽然基于运动流 manifold 假设的最新方法（该假设认为一组轨迹位于低维非线性子空间上）解决了数据集大小有限和轨迹数据高维等挑战，但常常难以捕获复杂的任务-运动依赖关系，即运动分布随任务变化而发生剧烈变化。为此，我们引入了运动流 manifold 基本单元（MMFP），一种将运动 manifold 的训练与任务条件分布解耦的框架。具体而言，我们采用流匹配模型——最新进展的条件深度生成模型——在学习到的运动 manifold 的潜在坐标空间中学习任务条件分布。实验在语言引导的轨迹生成任务上进行，许多对等文本-运动对应关系引入复杂的任务-运动依赖，凸显了 MMFP 相对于现有方法的优势。