[论文解读] Human Motion Prediction using Semi-adaptable Neural Networks

Yujiao Cheng, Weiye Zhao+2 more|arXiv (Cornell University)|Oct 1, 2018

Human Pose and Action Recognition参考文献 16被引用 4

一句话总结

本文提出一种半自适应神经网络用于人体运动预测，结合离线训练与在线递归最小二乘参数自适应（RLS-PAA），实现对时变人体行为的实时模型自适应及不确定性估计。该方法在基准数据集上的均方误差最高降低75%，相比最先进方法显著提升了预测精度与计算效率。

ABSTRACT

Human motion prediction is an important component to facilitate human robot interaction. Robots need to accurately predict human's future movement in order to safely plan its own motion trajectories and efficiently collaborate with humans. Many recent approaches predict human's movement using deep learning methods, such as recurrent neural networks. However, existing methods lack the ability to adapt to time-varying human behaviors, and many of them do not quantify uncertainties in the prediction. This paper proposes an approach that uses a semi-adaptable neural network for human motion prediction, and provides uncertainty bounds of the predictions in real time. In particular, a neural network is trained offline to represent the human motion transition model, and then recursive least square parameter adaptation algorithm (RLS-PAA) is adopted for online parameter adaptation of the neural network and for uncertainty estimation. Experiments on several human motion datasets verify that the proposed method significantly outperforms the state-of-the-art approach in terms of prediction accuracy and computation efficiency.

研究动机与目标

• 为解决现有深度学习方法在人体运动预测中的局限性，特别是其无法适应时变行为及量化预测不确定性的问题。
• 开发一种计算高效的算法，在多样化运动模式与个体差异下保持高精度。
• 实现实时在线神经网络参数自适应，提升动态人机交互场景下的预测保真度。
• 为安全的人机协作机器人运动规划提供可靠的不确定性边界。

提出的方法

• 使用历史关节轨迹数据离线训练前馈神经网络，以学习全局人体运动转移模型。
• 仅通过递归最小二乘参数自适应算法（RLS-PAA）对网络最后一层进行在线参数自适应。
• RLS-PAA基于实时预测误差，实现对最后一层权重的快速、递归更新，从而快速适应运动动态变化。
• 算法引入遗忘因子以控制历史数据的影响，实现对近期运动模式的动态调整。
• 通过RLS-PAA的协方差矩阵直接估计预测不确定性，提供实时置信区间。
• 相比完整在线微调，该方法计算效率更高，因仅需更新最后一层，避免对整个网络进行反向传播。

实验结果

研究问题

• RQ1 与固定离线模型相比，半自适应神经网络架构是否能提升人体运动预测的准确性？
• RQ2 仅通过RLS-PAA对最后一层进行在线自适应，是否能比全网络在线学习更快、更准确地响应人体运动的突发变化？
• RQ3 所提方法能否可靠估计人体运动预测的不确定性，以支持安全的机器人轨迹规划？
• RQ4 在多样化运动数据集与运动类型下，基于RLS-PAA的方法与基于标识符的算法相比性能如何？

主要发现

• 在CMU数据集上，所提方法的均方估计误差（MSEE）为5.5728 cm²，相比基于标识符的方法（21.9248 cm²）降低了74.6%。
• 在Kinect数据集上，MSEE由基于标识符方法的27.3493 cm²降低至12.0419 cm²，提升55.9%。
• 在时变（TV）与时不变（TI）人工数据集中，RLS-PAA方法的MSEE分别为2.2261 cm²与1.3180 cm²，优于基于标识符与非自适应基线方法。
• 该方法在多种运动类别与数据集上表现出稳健性能，准确率与稳定性持续提升。
• 与基于标识符的方法相比，该方法在在线自适应过程中避免了完整反向传播，计算效率显著更高。
• RLS-PAA提供的不确定性估计被证明可靠且能快速响应运动动态变化，支持安全的机器人轨迹规划。