通過一種數據驅動的方法來建模人類的運動行為
（映維網nweon 2025年06月24日）隨着技術的普及，自主虛擬化身在人類群體活動中的部署預計會增加。設計認知架構和控制策略來驅動代理需要真實的人類運動模型。然而，現有的模型只提供了對人類運動行為的簡化描述。在一項研究中，意大利南部高等研究院團隊提出了一種基於長短期記憶神經網絡的完全數據驅動方法，以生成捕獲特定個體獨特特徵的原始運動。
廣泛的分析表明，模型有效地複製了它所訓練的個體的速度分佈和振幅包絡，可以與其他個體保持不同，並且在與人類數據的相似性方面優於最先進的模型。
在不同的活動中，人們自然傾向於群體互動，從而形成複雜的人際網絡。在進行體力勞動時，當人們的動作同步時，他們會形成更強的聯繫，感覺更投入，培養一種團結和信任的感覺。
在不久的將來，這種群體互動將成為網絡物理，因為人工代理（如擴展現實中的虛擬化身）將參與制造、運動訓練和物理治療等領域的活動。相關代理由所謂的認知架構（cas）管理。這種高級控制策略可允許與人類或其他代理進行交互。當涉及到機器學習時，為了合成和訓練有效的ca，獲得準確和真實的人類運動動力學和行為模型至關重要。但這依然是一個特別具有挑戰性的開放性問題，因為人們經常由於注意力轉移、無聊、疲勞和其他因素而暫時改變他們的行為。
近年來，長短期記憶（lstm）網絡因其學習和模擬非線性系統的動態和流動的能力而受到了研究界的廣泛關注。在各種應用中，lstm已用於模擬不同動作期間的人體動力學，並捕獲個體之間的相互作用。在這項研究中，意大利南部高等研究院團隊提出了一個數據驅動的架構來模擬人類運動行為，並使用單個振蕩任務對其進行驗證。
首先，他們訓練了一個基於lstm的架構，以捕獲執行振蕩運動的個體的獨特特徵。接下來們使用經過訓練的架構來生成相同性質的新信號，方法是每次預測一個數據點，並以自回歸的方式將其作為輸入反饋給模型。最後，確定標準和指標來評估記錄和生成的信號之間的相似性。結果表明，所提出結構可以合成準確再現目標人的個體速度和振幅特徵的信號。
在圖5中，可以觀察到由kuramoto振子產生的速度剖面的協方差橢圓與參與者產生的協方差橢圓完全不同。這在圖8中同樣得到了證實。儘管參與者和生成模型的速度曲線在質量上是相似的，但kuramoto振子的速度曲線卻有顯著不同。
圖6中描繪了振幅的相似平面，而我們可以看到kuramoto振子的橢圓具有零度量，導致重疊值較差。與kuramoto振子相比，生成模型的優越模仿性能由圖7證實，其中圖7詳細說明了所有情況的相似性指標。圖9則提供了一個更直接的比較，其中他們報告了生成模型和kuramoto振子在嘗試複製參與者的速度剖面時獲得的相似性指標。
相關論文：a personalized data-driven generative model of human motion
https://arxiv.org/pdf/2503.15225
總的來說，團隊提出了一種數據驅動的方法來建模人類的運動行為。模型利用lstm網絡來學習如何從位置時間序列開始預測未來速度樣本的分佈。在展示了運動幅度作為個體運動特徵描述符的有效性之後，研究人員使用各種指標令人信服地表明，所提出的生成模型，經過適當訓練後，可以捕獲執行運動任務的個體的行為特徵。另外，模型在再現人類運動行為方面明顯優於最先進的固定頻率振子。未來的研究包括擴展提出的生成模型，以增加對外部刺激的反應。
