一种面向动作扩散模型的损失函数构建方法
本发明涉及人工智能,具体涉及了一种面向动作扩散模型的损失函数构建方法。
背景技术:
1、工业配合常需预判操作人员的肢体走向,动作扩散模型在拟合骨骼序列上确实展现出优势,但目前多数算法仍局限在文本到动作(text-to-motion)这种由粗语义驱动的框架里。
2、装配任务对末端手腕的到位精度要求极高,纯文字无法精确描述约束条件,扩散过程到终点时容易出现自由乱飘,落不到工具上等问题;加上人机协作环境中存在遮挡现象,被挡住的部分会导致采到的骨架数据有畸变,导致最终生成的动作数据质量达不到要求标准。
3、因此,如何提高动作扩散模型生成的动作数据质量是当前研究的主要热点。
技术实现思路
1、针对上述现有技术的不足,本发明给出一种面向动作扩散模型的损失函数构建方法,通过改进和优化动作扩散模型的损失函数,引导模型反向传播训练的过程,从而提高扩散模型在不同场景下生成的动作数据的质量。
2、构建动作扩散模型损失函数的过程主要包括以下步骤:
3、步骤s1:通过深度相机获取人类动作骨骼数据,将其作为动作扩散模型的原始输入数据;
4、步骤s2:在原损失函数的基础上构建一组新的目标损失函数;
5、步骤s3:基于所述目标损失函数计算反向传播梯度,并指导动作扩散模型进行迭代训练;
6、步骤s4:利用训练完成的动作扩散模型,根据输入的装配作业条件推理生成人体操作动作轨迹。
7、作为本发明的进一步优选方案,所述步骤s2中多目标联合损失函数 表达式为:
8、
9、式中, 为基础去噪损失, 为二进制拓扑掩码向量, 为位置损失, 为速度平滑损失, 为目标可达性几何损失, 分别为各任务损失权重。
10、作为本发明的进一步优选方案,所述基础去噪损失 与二进制拓扑掩码向量 的结合机制包括:
11、基础去噪损失表达式为 ,用于表征预测序列与真实种子序列的均方误差;
12、所述二进制拓扑掩码向量 中,将主动上肢及躯干关节点对应掩码值设为1,被动下肢关节点对应掩码值设为0,通过与基础去噪损失进行点乘拦截,在反向传播中清零下肢关节损失梯度。
13、作为本发明的进一步优选方案,所述位置损失 的计算公式为:
14、
15、式中, 为动作序列总帧数, 表示将关节旋转转换为关节位置的前向运动学函数, 为真实种子样本, 为模型预测样本。
16、作为本发明的进一步优选方案,所述速度平滑损失 的计算公式为:
17、
18、用于约束相邻动作帧间的时域速度连续性,消除高频抖动。
19、作为本发明的进一步优选方案,所述目标可达性几何损失 的计算公式为:
20、
21、
22、式中, 为目标物体三维空间坐标, 为狄拉克函数,仅在终止帧 时生效,强制末端手腕关节在终止时刻收敛至目标物体物理坐标。
23、作为本发明的进一步优选方案,所述步骤s1中动作扩散模型采用transformer编码器架构,在单次前向传播中利用全局注意力机制直接预测全时域无噪动作序列 。
24、本发明第二方面提供了一种电子设备,包括存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的方法。
25、本发明第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
26、与经典动作扩散模型相比,本发明具有以下优势:
27、(1)提高了人机协作任务中人类动作到达目标点的精度:通过构建目标可达性损失函数,利用阶跃函数在动作序列结束时刻施加强制位置约束,克服了传统模型在动作末期发散、无法精准触达目标物体的不足。
28、(2)保证了动作扩散生成的动作满足研究需求指标:引入全时域非自回归预测架构与速度差分损失,对动作序列的时域施加全局优化,有效解决了动作生成过程中的高频抖动与误差累积问题。
1.一种面向动作扩散模型的损失函数构建方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述步骤s2中多目标联合损失函数 表达式为:
3.根据权利要求2所述的方法,其特征在于,所述基础去噪损失 与二进制拓扑掩码向量 的结合机制包括:
4.根据权利要求2所述的方法,其特征在于,所述位置损失 的计算公式为:
5.根据权利要求2所述的方法,其特征在于,所述速度平滑损失 的计算公式为:
6.根据权利要求2所述的方法,其特征在于,所述目标可达性几何损失 的计算公式为:
7.根据权利要求1所述的方法,其特征在于,所述步骤s1中动作扩散模型采用transformer编码器架构,在单次前向传播中利用全局注意力机制直接预测全时域无噪动作序列 。
8.一种电子设备,包括存储器和处理器,其特征在于,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
9.一种计算机可读存储介质,用于存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com