数据驱动虚拟人运动重用新技术研究

Motion reuse is important to motion synthesis of virtual human, and it is one of research focuses and difficult problems. In response to new problems and new difficulty that motion reuse faces recently, we introduce Bayesian filtering and dynamic modeling into motion reuse for the first time to research new technology and new method. Firstly, propose fast adaptive scaled Gaussian process latent variable models, which can implement intelligent motion editing better with higher convergence velocity, better posture generation quality and adaptive motion editing range. Secondly, propose the conception of motion extension and research motion extension technique based on Bayesian filtering, which provides uniform solution for motion forecast, motion repair and group motion. Finally, propose dynamic modeling of motion and research motion automatic join based on it, which solves reality of transition posture, automatic computation of transition motion and so on..This project attempts to provide a new promising approach to solve the new problem and new difficulty that motion reuse is facing, in which we have improved on existing research result, proposed new technique, new method and new conception. The research result is hopeful to be applied to virtual human motion synthesis to make it more automatic and intelligent, consequently promotes virtual human industry development.

运动重用对虚拟人运动合成具有很重要的意义，是该领域的热点研究问题和亟待解决的难点问题。针对运动重用目前面临的新问题和新困难，本项目首次将贝叶斯滤波和动态性建模引入运动重用领域，研究新技术和新方法：提出快速自适应比例高斯过程隐变量模型，该模型具有收敛速度更快、姿势生成质量更好、可自适应编辑幅度等优点，能更好地实现运动智能编辑；提出运动扩展的概念，并研究基于贝叶斯滤波的运动扩展技术，为运动预测、运动修复、群体运动等重要问题提供统一解决方案；提出运动的动态性建模方法，并研究基于动态性建模的运动自动连接方法，有效解决过渡姿势逼真合理、过渡运动长度自动计算等问题。.本项目的研究既有对现有成果的改进，还有新技术、新方法的提出，更有新概念的提出，尝试为更好地解决运动重用目前面临的新问题和新困难开辟新途径，研究成果有望直接应用于虚拟人运动合成，提升其自动化和智能化程度，推动虚拟人相关产业的发展。

近年来，在虚拟环境中生成人体运动已经成为计算机图形学的研究热点之一。国内外研究者已从运动学、动力学和运动捕获等不同角度对虚拟人运动进行了不同程度的研究。运动捕获方法是指通过传感设备采样、记录人体运动过程中各关节在三维空间中的位置，并将其转化为抽象的运动数据，然后由这些运动数据驱动虚拟人运动的方法。相对于运动学和动力学的运动生成方法，运动捕获运动方法具有实现简单、生成的运动逼真度高等优点。.由于人体结构的复杂性和运动的多样性，有限的运动捕获数据不能完全满足实际应用的需求。如果针对实际应用中的每一个运动需求，都采取由演员预先表演，捕获其运动数据，势必造成大量人力物力的浪费；某些难度过高的运动，对进行运动捕获的演员来说是一个非常大的挑战，很容易造成演员受伤事故；对于某些特定应用，例如人体动画制作、动作类游戏制作等数字娱乐方面的应用，经常会需要一些夸张效果的运动，这些运动演员是无法真实表演的。因此，通过对现有运动捕获数据进行编辑，生成新的运动数据，实现对现有运动捕获数据的有效重用，是基于运动捕获方法生成人体运动需要解决的一个关键问题。.本项目对数据驱动虚拟人运动重用技术进行了比较系统深入的研究，取得了若干研究成果，主要包括以下算法和技术：（1）改进比例高斯过程隐变量模型，提出收敛速度更快、运动编辑效果更优、可自适应运动编辑幅度的快速自适应比例高斯过程隐变量模型，并提出基于该模型的运动智能编辑方法。（2）提出运动扩展的概念，包括运动纵向扩展和横向扩展，首次将贝叶斯滤波应用于运动扩展，为运动预测、运动修复、群体运动等重要问题提供统一解决方案。（3）提出运动的动态性建模方法，首次将动态性建模应用于运动连接，并提出过渡运动长度自动估算方法和过渡运动姿势生成算法，有效解决过渡姿势逼真合理、过渡运动长度自动计算等问题。（4）设计并实现一个数据驱动虚拟人运动重用原型系统，对研究成果进行验证。