生成性互动：用两级潜在动力编织多方人体运动

Arxiv：2609.37708v2宣布类型：替换摘要：人类的社会行为不是独立运动的集合，而是一个共同组织的过程，在这个过程中，群体动态和个人变化不断地塑造着彼此。然而，现有的社会运动模型往往优先考虑合理的运动轨迹，而保留隐含的互动状态，限制了它们在群体、任务和部分观察制度之间转移的能力。为了弥补这一差距，我们引入了一种用于生成性多人交互的分层序贯潜变量模型--智能体交互动力学的双层表示。Braid明确地将社会运动生成定义为元迁移学习问题：共享的交互先验通过数据集学习，并通过观察到的人和关节的任意上下文集进行调整。该模型通过群组级别的潜在状态和个人级别的潜在状态来表示每个场景，其中群组级别的潜在状态捕获共享的交互动态，而个人级别的潜在状态则捕获在不断演变的群组上下文的条件下的个体行为。这种建模选择允许在完全、稀疏或部分观测下进行相干生成，同时暴露可用作下游具体化代理系统接口的紧凑社会状态向量。我们在统一的基于SMPL的社会预测、跟踪和填充以及响应生成的表示下对Braid进行评估，使用的指标不仅评估重建精度，还评估真实性、多样性、时间一致性和人际协调。我们进一步分析了层次潜在空间，发现它捕捉到了可分离的群体和个体层次的结构。