摘 要数字人体模型(DHMs)领域内的研究，对于在工作中防止可能的危险,优化工作内容等是至关重要的，同时，在计算机视觉与图形学交叉领域的研究中, 人体运动建模也是一个经典问题，其应用领域包括人机交互、运动同步、虚拟和增强再现的运动预测等。虽然在该领域内，有很多的技术正在不断成熟，但是发展空间还是非常大的，尤其是近些年来发展很快的运动预测问题。近年来，计算机视觉领域研究中将深度学习算法引入，越来越多的研究开始来使用循环神经网络(RNNs)来模拟人的运动，其目标是学习具有时间依赖性的表征，执行短期运动预测和长期人体运动合成等任务。本文通过查阅相关资料、论文，了解了目前最先进的算法中所使用的架构、损失函数和训练过程，研究了并分析了最新的 RNN 算法在运动预测方面的应用。本文采用了一种经优化的 RNN 算法，该算法对通常用于人体运动的标准 RNN 模型进行三处修改，从而得到一个简单的、可伸缩的 RNN 架构，该架构可以获得极其优秀的人体运动预测性能。总的来说，本文研究的内容是循环神经网络(RNN)在数字人运动预测的计算方面的应用。具体来说，本文采用的是 RNN 循环神经网络的优化算法，LSTM 长短期记忆网络，并且是基于 MXNet 深度学习框架搭建的，通过使用公用人体运动捕捉数据集来训练算法模型。同时采用诺亦腾（Noitom）公司的 Perception Neuron 动作捕捉设备采集自己的人体运动数据，输入预测算法模型，得到预测数据，从而验证算法的准确性。并且通过使用 Unity 软件，将运动数据可视化，即使用运动数据在 Unity 中驱动数字人运动。关键词：数字人，深度学习，循环神经网络，长短期记忆网络，动作捕捉- I -Research on human motion prediction algorithmAbstractDigital Human Models(DHMs) are critical to improving design, preventing injury, and better understanding of human behavior. Human motion modeling is a classic problem at the intersection of graphics and computer vision, and its applications include human-computer interaction, motion synchronization, and virtual and augmented motion prediction.While many capabilities in this field are maturing, there are still opportunities for improvement, particularly in the area of motion prediction.With the succes...
