通过一种数据驱动的方法来建模人类的运动行为
（映维网nweon 2025年06月24日）随着技术的普及，自主虚拟化身在人类群体活动中的部署预计会增加。设计认知架构和控制策略来驱动代理需要真实的人类运动模型。然而，现有的模型只提供了对人类运动行为的简化描述。在一项研究中，意大利南部高等研究院团队提出了一种基于长短期记忆神经网络的完全数据驱动方法，以生成捕获特定个体独特特征的原始运动。
广泛的分析表明，模型有效地复制了它所训练的个体的速度分布和振幅包络，可以与其他个体保持不同，并且在与人类数据的相似性方面优于最先进的模型。
在不同的活动中，人们自然倾向于群体互动，从而形成复杂的人际网络。在进行体力劳动时，当人们的动作同步时，他们会形成更强的联系，感觉更投入，培养一种团结和信任的感觉。
在不久的将来，这种群体互动将成为网络物理，因为人工代理（如扩展现实中的虚拟化身）将参与制造、运动训练和物理治疗等领域的活动。相关代理由所谓的认知架构（cas）管理。这种高级控制策略可允许与人类或其他代理进行交互。当涉及到机器学习时，为了合成和训练有效的ca，获得准确和真实的人类运动动力学和行为模型至关重要。但这依然是一个特别具有挑战性的开放性问题，因为人们经常由于注意力转移、无聊、疲劳和其他因素而暂时改变他们的行为。
近年来，长短期记忆（lstm）网络因其学习和模拟非线性系统的动态和流动的能力而受到了研究界的广泛关注。在各种应用中，lstm已用于模拟不同动作期间的人体动力学，并捕获个体之间的相互作用。在这项研究中，意大利南部高等研究院团队提出了一个数据驱动的架构来模拟人类运动行为，并使用单个振荡任务对其进行验证。
首先，他们训练了一个基于lstm的架构，以捕获执行振荡运动的个体的独特特征。接下来们使用经过训练的架构来生成相同性质的新信号，方法是每次预测一个数据点，并以自回归的方式将其作为输入反馈给模型。最后，确定标准和指标来评估记录和生成的信号之间的相似性。结果表明，所提出结构可以合成准确再现目标人的个体速度和振幅特征的信号。
在图5中，可以观察到由kuramoto振子产生的速度剖面的协方差椭圆与参与者产生的协方差椭圆完全不同。这在图8中同样得到了证实。尽管参与者和生成模型的速度曲线在质量上是相似的，但kuramoto振子的速度曲线却有显著不同。
图6中描绘了振幅的相似平面，而我们可以看到kuramoto振子的椭圆具有零度量，导致重叠值较差。与kuramoto振子相比，生成模型的优越模仿性能由图7证实，其中图7详细说明了所有情况的相似性指标。图9则提供了一个更直接的比较，其中他们报告了生成模型和kuramoto振子在尝试复制参与者的速度剖面时获得的相似性指标。
相关论文：a personalized data-driven generative model of human motion
https://arxiv.org/pdf/2503.15225
总的来说，团队提出了一种数据驱动的方法来建模人类的运动行为。模型利用lstm网络来学习如何从位置时间序列开始预测未来速度样本的分布。在展示了运动幅度作为个体运动特征描述符的有效性之后，研究人员使用各种指标令人信服地表明，所提出的生成模型，经过适当训练后，可以捕获执行运动任务的个体的行为特征。另外，模型在再现人类运动行为方面明显优于最先进的固定频率振子。未来的研究包括扩展提出的生成模型，以增加对外部刺激的反应。
