Anticipazione del movimento umano attraverso previsione multi-futuro di traiettorie 3D vincolate

La modellazione e l'anticipazione del movimento umano costituiscono due attività fondamentali in diversi ambiti di ricerca, tra i quali la robotica collaborativa, la guida autonoma e i sistemi di sorveglianza intelligente. Per la risoluzione di questi task, si sono imposte negli ultimi anni diverse metodologie basate sulle reti neurali, anche grazie allo sviluppo relativamente recente di tecniche sempre più raffinate di machine learning (apprendimento automatico), e in particolare di deep learning (apprendimento profondo). Il lavoro presentato in questa tesi si inserisce in tale contesto. Viene in particolare proposto un metodo che permette di generare una o più predizioni relative ai movimenti futuri di una persona a partire da quelli passati. Per fare questo, il sistema inizialmente scompone la catena cinematica del corpo umano in ciascuno dei suoi giunti (ginocchio, spalla, polso, ...), trattando il movimento del soggetto come un insieme di traiettorie percorse da ognuno di questi punti. Per ogni traiettoria di giunto osservata, uno specifico modello di predizione (basato sulle reti neurali) si occupa di fornire una pluralità di traiettorie future plausibili. Queste ultime vengono in seguito combinate, allo scopo di ritornare ad una rappresentazione globale del corpo, ed infine vincolate per evitare di ottenere previsioni con pose umane future non possibili. Per la sperimentazione dell'algoritmo si è utilizzato il dataset AMASS, che include al suo interno una notevole quantità di dati relativi ai movimenti di soggetti umani in scene tridimensionali. I risultati che si ottengono sono in linea con i lavori già esistenti, fatto che permette di affermare che il sistema di predizione proposto risulta efficace nello svolgere il compito richiesto.