利用尺寸不变运动空间实现高质量人体运动预测

基于摘要分析。该研究针对 3D 人体运动预测中骨架尺寸变化引起的分布偏移，以及预测骨骼序列中的拉伸伪影，提出结合几何编码与神经网络的框架。其主要贡献是构建尺寸不变的运动空间，并将运动轨迹编码到平坦空间，以支持运动预测。 机制上，作者考虑骨长约束，利用黎曼流形理论构建运动空间，旨在不受骨架尺寸变化影响的同时完整表示人体运动；随后提出 trajectory transport square-root velocity function，将运动序列映射到平坦空间，以简化距离计算，并将原非平坦空间中的优化问题线性化。摘要未给出具体数学定义、神经网络结构、损失函数或训练与推理流程，这些实现条件尚未验证。 作者报告，在 Human 3.6M 和 CMU MoCap 数据集上，该方法取得了有竞争力的预测表现，未出现拉伸伪影，并对骨架尺寸变化具有鲁棒性。摘要未提供预测时长、数据划分、尺寸变化的构造方式、对照方法或定量指标，因此不能据此判断优势幅度；实验协议、消融及统计信息尚未验证。 该论文的直接研究对象是人体骨骼运动，而非 EEG 或 BCI。其几何表示依赖骨骼结构及骨长约束，不能直接等同于 EEG 中的黎曼几何方法；现有材料尚未建立与神经信号建模的具体机制对应关系，也未提供 BCI 有效性证据。