关键词:
关节轨迹预测
神经常微分方程网络
谱约束
利普希茨条件
不规则采样
摘要:
针对不规则采样的人体关节轨迹预测问题,文章提出了一种基于改进神经常微分方程网络的人体关节轨迹预测方法.相比于高斯过程回归和循环神经网络等方法,神经常微分方程网络具有低复杂度,高精度和可迭代训练等优点,近年来成为轨迹预测的一种重要方法.首先,针对不规则采样的人体关节运动轨迹建立预测模型,文章以常微分方程的欧拉方法为基础,设计了神经常微分方程网络的前向传播过程;其次,将预测模型代入利普希茨条件计算得到谱范数约束定理,提出了具有谱范数约束的神经常微分方程网络.设计了具有谱范数惩罚项的损失函数,推导了带有谱范数正则项的反向传播过程,并给出了误差分析结果.最后,通过腕关节轨迹预测实验验证了所提出方法的有效性.实验结果表明,谱范数约束下的神经常微分方程网络能够实现准确的关节轨迹预测,且相较于经典神经常微分神经网络与循环神经网络,表现出了更快的收敛速度与更小的预测误差.