面向随机人体运动预测的空间Mamba模型
计算机视觉与模式识别
2025-12-02 v1
摘要
随着智能房间侧感知和服务机器人广泛部署，人体运动预测 (HMP) 对确保安全、主动的协助至关重要。然而，许多现有HMP方法要么产生单一、确定性的预测而忽略不确定性，要么依赖概率模型而牺牲运动学可行性。扩散模型改进了准确性-多样性权衡，但常依赖于成本高昂的多阶段管道以适应边缘部署。本工作聚焦于如何在单阶段扩散模型中确保时空一致性。我们引入SMamDiff，一种基于空间Mamba的扩散模型，包含两个新颖设计：(i)残差DCT运动编码通过减去时间DCT前的最后观察姿态，减少第一个直流分量 () 的主导作用，突出更具信息性的高频线索，使模型学习关节如何运动而非关节所在位置；(ii)基于Mamba的空间- stickman 绘图模块按关节顺序处理关节，使后续关节依赖于先前关节，以诱导长程、跨关节依赖。 在Human3.6M 和 HumanEva 上，这些一致性机制在单阶段概率HMP方法中实现了最先进的结果，同时使用更少的延迟和内存。
引用
@article{arxiv.2512.00355,
title = {SMamDiff: Spatial Mamba for Stochastic Human Motion Prediction},
author = {Junqiao Fan and Pengfei Liu and Haocong Rao},
journal= {arXiv preprint arXiv:2512.00355},
year = {2025}
}