Identifiable Decomposition of Submovements in Human Hand Trajectories
作者: Adrian Prados, James Hermus, Ramon Barber, Sylvain Calinon
分类: cs.RO
发布日期: 2026-09-30
💡 一句话要点
提出Sub-ID方法以解决人手轨迹分解问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 子运动分解 时空核相关性 自适应岭回归 运动控制 模仿学习 人机交互 机器人学习
📋 核心要点
- 现有方法在处理人手轨迹分解时表现不佳，缺乏有效的可识别性判断标准。
- 提出的Sub-ID方法通过时空核相关性标准，优化子运动的分解过程，增强可识别性。
- 在合成数据和真实三维运动中，Sub-ID显著提高了参数恢复的准确性，克服了重叠问题。
📝 摘要（中文）
自愿运动长期以来被假设为由称为子运动的离散原语组成，作为人类运动行为的描述模型。然而，现有方法在规模上表现不佳，且缺乏判断分解是否具有信息性的原则性方法。本文提出了一种基于原语对之间的时空核相关性作为可识别性标准的Submovement-Identifiable Decomposition (Sub-ID)方法。该方法在自适应岭回归中嵌入此标准，优化器倾向于低相关性解。当原语变得共线时，可识别性丧失，而当它们在空间上分离时则恢复。在合成数据上，Sub-ID成功恢复了真实参数分布，而现有方法未能做到；此外，当原语重叠过于严重以至于无法区分时，该方法明确检测到这种模糊性，而不是输出误导性结果。Sub-ID从真实的三维长时间运动中提取子运动，这是之前方法未能解决的领域。该方法有潜力识别生理基础的原语，用于运动控制研究和模仿学习。
🔬 方法详解
问题定义：本文旨在解决现有方法在自愿运动分解中的不足，特别是在处理子运动的可识别性和信息性方面的挑战。现有方法在规模扩展时表现不佳，且缺乏有效的标准来评估分解的有效性。
核心思路：论文提出了一种基于时空核相关性的可识别性标准，通过自适应岭回归将该标准嵌入优化过程，促使优化器倾向于寻找低相关性的解，从而提高子运动的可识别性。
技术框架：整体架构包括数据预处理、时空核相关性计算、优化过程和结果评估四个主要模块。首先对输入的运动轨迹进行预处理，然后计算原语对之间的时空相关性，接着通过自适应岭回归进行优化，最后评估分解结果的可识别性和准确性。
关键创新：最重要的技术创新在于引入了时空核相关性作为可识别性标准，这一方法在原语重叠严重时能够明确检测模糊性，而不是输出误导性结果，与现有方法形成了本质区别。
关键设计：在参数设置上，采用自适应岭回归的正则化策略，以降低原语之间的相关性。损失函数设计上，结合了可识别性标准和重构误差，确保优化过程的有效性。
🖼️ 关键图片
📊 实验亮点
在实验中，Sub-ID方法在合成数据上成功恢复了真实参数分布，显著优于现有方法。此外，当原语重叠严重时，该方法能够明确检测到模糊性，避免了误导性结果的产生，提升了分解的准确性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在运动控制研究和模仿学习领域。通过识别生理基础的子运动原语，能够为机器人学习和人机交互提供更为精准的运动模型，推动智能系统的自主学习和适应能力的提升。
📄 摘要（原文）
Voluntary movements have long been hypothesised to be comprised of discrete primitives called submovements, as a descriptive model of human motor behaviour. However, existing methods scale poorly, and no principled method exists to determine whether a decomposition is informative. We propose a spatiotemporal kernel correlation between primitive pairs as an identifiability criterion. Submovement-Identifiable Decomposition (Sub-ID) embeds this criterion in its adaptive-ridge regularisation, biasing the optimiser toward low-correlation solutions. Identifiability is lost when primitives become collinear and recovered when they diverge spatially. On synthetic data, Sub-ID recovers ground-truth parameter distributions where existing methods fail; furthermore, when primitives overlap too heavily to be distinguished, the method explicitly detects this ambiguity rather than outputting misleading results. Sub-ID extracts submovements from real three-dimensional, long-horizon movements, a regime no prior method addresses. This method has the potential to identify physiologically grounded primitives for motor control research and imitation learning.