Learning of structured trajectory models with high flexibility for computer animation

在计算机动画和计算机动画中使用了有效的通用算法。Animationen mit Motioncapturedaten bieten den Vorteil hoher Realitätsnähe, erfordern aberhäufig eine aufwendige Nachbearbeitung der aufgenommenen Trajektorien。动画系统，die auf dynamischen Gleichungen beruhen können as Verhalten von animierten Figuren in Echtzeit generieren。Jedoch mssen die erzeeugten Bewegungen of vereinfacht werden, weil sonsten die zugrunde liegenden Kontrollarchitekturen zu complex werden。本文提出了一种基于线性动力学的系统设计方法，该方法主要应用于柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型、柔性结构模型等。Wir haben gezeigt, dass dieser Ansatz sowohl f<e:1>, dass dieser Ansatz sowohl f<e:1>， dass nichtperiodische bewetigen和wendbar ist， dass mitwichtigen anderen Modulen der在线动画集成，wwegunen kann，导航，bewegunen smorphen und under同步与外部信号，zj . b .音乐节奏。模具集成方法，复杂系统体系结构中模具集成动力学原语的定义Stabilitätseigenschaften。Die geplanten zuk<s:1> ftigen werden versuchen, Die entwickelte method weiter zu vervollständigen and durch Die folgenden Aspekte zu erweiteren：1) as lerenräumlich lokaler primitive durch Sparsifizierung and die Entwicklung dynamischer Kontrollarchitekturen zuhrer Integration, spezielell zwischen mehrelen Avataren. 2) Entwicklung systematischen design theory f<s:1>动力学Kontrollarchitekturen mit garantierten Stabilitätseigenschaften， wobei zur Stabilitätsanalyse Methoden der neuentwickelten kontraktionstheory eingesetzt werden sollen。3) Übertragung der entwickelten method auf gesichtsbeweggen in co - operation [m] Max-Planck-Institut fr biologische Kybernetik. 4)心理物理学Validierung der method zur beweggsgenerierung durch Vergleich mit motion -捕捉-地面真相-数据。

Die effektive Generierung realistischer menschlicher Bewegungen in Echtzeit ist ein Kernproblem in der Computeranimation und für Computer-Spiele. Animationen mit Motioncapturedaten bieten den Vorteil hoher Realitätsnähe, erfordern aber häufig eine aufwendige Nachbearbeitung der aufgenommenen Trajektorien. Animationssysteme, die auf dynamischen Gleichungen beruhen können das Verhalten von animierten Figuren in Echtzeit generieren. Jedoch müssen die erzeugten Bewegungen oft vereinfacht werden, weil ansonsten die zugrunde liegenden Kontrollarchitekturen zu komplex werden. Wir haben einen biologisch inspirierten Ansatz entwickelt, der erlaubt, flexible strukturierte Modelle von Klassen von Trajektorien basierend auf einer neuen Methode zur blinden Quellenseparation zu lernen und der die gelernten Trajektorienmodelle in eine Systemarchitektur zu transformieren, die komplexe menschliche Bewegungen in Echtzeit mit Hilfe relative einfacher nichtlinearer dynamischer Systeme erzeugt. Wir haben gezeigt, dass dieser Ansatz sowohl für periodische als auch für nichtperiodische Bewegungen anwendbar ist und dass er mit wichtigen anderen Modulen der Online-Animation integriert werden kann, wie Navigation, Bewegungsmorphen und der Synchronisation mit externen Signalen, z.B. Musik-Rhythmen. Die entwickelte Methode erlaubt, die Integration dynamischer Primitive in komplexen Systemarchitekturen mit wohldefinierten Stabilitätseigenschaften. Die geplanten zukünftigen Arbeiten werden versuchen, die entwickelte Methode weiter zu vervollständigen und durch die folgenden Aspekte zu erweitern: 1) das Lernen räumlich lokaler primitive durch Sparsifizierung und die Entwicklung dynamischer Kontrollarchitekturen zu ihrer Integration, speziell zur Simulation von kinematischem Kontakt zwischen mehreren Avataren. 2) Entwicklung einer systematischen Designtheorie für dynamische Kontrollarchitekturen mit garantierten Stabilitätseigenschaften, wobei zur Stabilitätsanalyse Methoden der neuentwickelten Kontraktionstheorie eingesetzt werden sollen. 3) Übertragung der entwickelten Methode auf Gesichtsbewegungen in Kooperation mit dem Max-Planck-Institut für biologische Kybernetik. 4) Psychophysische Validierung der Methode zur Bewegungsgenerierung durch Vergleich mit Motioncapture-Ground-Truth-Daten.