arXiv cs.AI· Joonwoo Kwon, Yufei Zhang, Xiaoming Liu, Zijun Cui·· 23 小时前AI 评分27
ForceBody:带扭矩不确定性的力配对参数化人体运动数据集
ForceBody: Force-Paired Parametric Body Motion with Torque Uncertainty
AI 导读
ForceBody 是首个将真实力监督引入参数化人体表示的数据集,并为每个样本提供扭矩不确定性标注。它把 SKEL 人体模型与地面反作用力、逆动力学关节扭矩配对,覆盖 140 名受试者的 10,386 次运动试验(9.7M 帧、26.9 小时),扭矩标签经蒙特卡洛采样附带逐帧逐关节不确定性。
正文 · AI 翻译
摘要:力和力矩驱动人体运动,是生物力学、机器人学和物理感知动画的核心,但在用于身体重建与生成的学习型运动流程中往往缺失。一些运动数据集提供力标注,但配对的运动序列与现代学习流程所用的参数化身体模型不兼容。此外,现有数据集通常通过逆动力学获得关节力矩,而逆动力学本质上对输入运动学的质量敏感;然而它们并未量化这些力矩估计的可靠性。我们以 ForceBody 填补这一空白,这是首个将真值力监督引入参数化身体表示的数据集,并附带逐样本的力矩不确定性。ForceBody 将 SKEL 身体模型与地面反作用力和逆动力学关节力矩配对,涵盖来自 140 名受试者的 10,386 次运动试验(970 万帧,26.9 小时)。每个力矩标签都配有一个逐帧、逐关节的不确定性标注,该标注通过逆动力学流程进行蒙特卡洛采样获得。我们基于 SKEL 运动,对六种架构(MLP、Conv1D、LSTM、GRU、Mamba2、Transformer)在地面反作用力和关节力矩预测上进行了基准测试。作为所发布不确定性的一种示例用法,使用逐样本不确定性加权对 Transformer 进行微调,可将关节力矩估计的 MAE 降低 5%。代码和数据见 此 https URL。
| 评论: | 已被 NeurIPS 2026 Evaluations & Datasets Track 接收 |
| 主题: | 计算机视觉与模式识别(cs.CV);人工智能(cs.AI) |
| 引用为: | arXiv:2611.22769 [cs.CV] |
| (或 arXiv:2611.22769v1 [cs.CV] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22769 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Joonwoo Kwon [查看电子邮件]
[v1]
2026年11月17日星期二 13:35:10 UTC(40,115 KB)
来源:arXiv cs.AI · arxiv.org