TA-GNN：用于手指运动预测的物理启发时间无关图神经网络
人机交互
2025-03-18 v1
摘要
利用历史关节位置/旋转量连续预测手指关节运动在众多应用中至关重要，尤其是与虚拟现实、计算机图形学、机器人和康复相关的应用。然而，手指运动具有高度关节化且包含多个自由度，使其建模和预测难度显著增加。为应对这一挑战，我们提出了一种物理启发的时间无关图神经网络（TA-GNN），以准确预测人类手指运动。所提出的编码器包含一个用于生成滤波速度和加速度的运动学特征提取器，以及一个遵循线性运动学的物理编码器。该模型被设计为预测时间无关的，从而能够无缝提供连续预测。用于学习手指关节间拓扑运动的基于图的解码器，旨在解决手指的高阶关节化问题。我们展示了我们的模型在虚拟现实环境中的优越性能。这种新颖的方法无需额外传感器即可增强手指追踪，实现诸如触觉重定向等预测性交互，并提升预测渲染质量。
引用
@article{arxiv.2503.13034,
title = {TA-GNN: Physics Inspired Time-Agnostic Graph Neural Network for Finger Motion Prediction},
author = {Tinghui Li and Pamuditha Somarathne and Zhanna Sarsenbayeva and Anusha Withana},
journal= {arXiv preprint arXiv:2503.13034},
year = {2025}
}