Design and Analysis of Synthetic Datasets for Human Motion Prediction

Human Motion Prediction aims to forecast how a person will move in the near future having observed past motions. This research field has recently received increasing attention due to its many applications in diverse contexts where understanding human behavior is fundamental, such as in collaborative robotics. To address this goal and improve the quality of the predicted motions, several Deep Learning architectures have been proposed in recent years. However, effective training of these models requires large volume of motion data, especially given the growing complexity of the latest architectures. Although collecting new motion data is feasible, this solution involves high costs and time requirements, complex experimental setups, and privacy concerns. To overcome these limitations, the use of motion synthetic data represents a promising solution. While several human motion generation models have been proposed, the physical plausibility of the synthesized motions is rarely considered. Moreover, further validation of the quality of synthetic data in the context of Human Motion Prediction is still needed. This thesis presents a synthetic data generation and model training pipeline for Human Motion Prediction, along with an in-depth study of the quality of synthesized motions and their generalization capabilities. In particular, the study investigates the combination of different action categories within a single training dataset and evaluates their impact across diverse experimental settings. Finally, the study includes an analysis of the use of physical plausibility constraints during the optimization of the generated motions. The results show that increasing the diversity of synthetic motions leads to a reduction in prediction error,thereby improving accuracy and generalization capability., Furthermore, they provide valuable insights into the most effective strategies for generating synthetic datasets for Human Motion Prediction.

La predizione del movimento umano (Human Motion Prediction) consiste nel prevedere come una persona si muoverà nel prossimo futuro, a partire dall’osservazione dei movimenti passati. Questo ambito di ricerca ha ricevuto sempre più attenzione negli ultimi anni grazie alle numerose applicazioni in diversi contesti dove la comprensione del comportamento umano rappresenta un aspetto fondamentale, come la robotica collaborativa. Al fine di raggiungere questo obiettivo e migliorare la qualità dei movimenti predetti, negli ultimi anni sono stati proposti diversi approcci basati sul Deep Learning. Tuttavia, l’addestramento efficace di questi modelli richiede un elevato volume di dati di movimento umano, soprattutto considerando la crescente complessità delle architetture più recenti. Nonostante la raccolta di nuovi dati sia possibile, questa soluzione comporta costi e tempi elevati, configurazioni sperimentali complesse e problematiche legate alla privacy. Per superare tali limitazioni, l'uso dei dati sintetici rappresenta una possibile alternativa. Anche se numerosi modelli di generazione sono stati proposti, la plausibilità fisica dei movimenti è raramente presa in considerazione. Inoltre, è ancora necessaria un’ulteriore validazione della qualità dei dati sintetici nel contesto della previsione del movimento umano. Questa tesi presenta una pipeline per la generazione dei dati sintetici e per l’addestramento di modelli di previsione del movimento, insieme ad uno studio approfondito sulla qualità dei movimenti generati e sulle loro capacità di generalizzazione nell’addestramento dei modelli. In particolare, lo studio analizza la combinazione di diverse azioni in un unico dataset e ne valuta l’impatto in diversi contesti sperimentali. Infine, lo studio include la valutazione dell’uso di vincoli di plausibilità fisica durante il processo di ottimizzazione dei movimenti generati. I risultati hanno evidenziato che l’aumento della varietà nei movimenti sintetici porta a una riduzione degli errori di previsione migliorando così l’accuratezza e la capacità di generalizzazione. Inoltre,hanno fornito indicazioni preziose sulle strategie più efficaci per la generazione di dataset sintetici dedicati alla Human Motion Prediction.