AdvMT：长期人体运动预测的对抗运动变换器
内容提要
该文汇总多项人体运动预测与生成研究：MT-VAE利用动作转换关系生成多样逼真运动；MTR框架将预测视为全局意向定位与局部细化，在Waymo榜单居首；另有研究引入物理约束提升对抗攻击隐蔽性，结合序列预测与GAN提升准确性、多样性与避碰能力，以及用Transformer建模车辆社交关系预测轨迹。
延伸解读
从单篇论文到领域拼图：AdvMT 的定位
文章标题指向“对抗运动变换器”，但正文实际汇总了 MT-VAE、MTR、对抗攻击、GAN 结合序列预测、Recurrent Transformers 等多条研究线。读者需注意：这些条目并非同一模型的组成部分，而是人体运动预测与生成领域的相关进展。AdvMT 的具体方法细节在文中并未展开，因此不宜将汇总内容直接等同于 AdvMT 的技术方案。
运动预测的两条技术路线：生成多样性与物理约束
汇总中，MT-VAE 侧重利用动作转换关系生成多样且逼真的运动；MTR 将预测拆为全局意向定位与局部细化，并在 Waymo 榜单居首。另一项研究则引入物理约束提升对抗攻击的隐蔽性。这显示该领域同时关注“预测得准且多样”和“攻击/防御的物理合理性”，但两类目标存在张力：提升多样性可能增加检测难度，物理约束则可能限制攻击样本的隐蔽性。
对抗鲁棒性的现实限制：攻击样本并非不可察觉
文章提到，引入两个物理约束可提高对抗样本的无感知性，串联对抗样本能欺骗目标预测模型，但相较于帧至帧比较，该攻击样本较容易被检测到。这说明对抗攻击在提升人体运动预测器鲁棒性研究中有价值，但其隐蔽性仍有限。读者应将其视为评估模型脆弱性的实验手段，而非可直接部署的隐蔽攻击方案。
Q&A
MT-VAE 是如何生成多样且逼真的人体运动序列的？
MT-VAE 利用动作序列之间的转换关系，学习运动方式的特征嵌入和运动方式之间的特征变换，从而生成多样性且逼真的面部和全身运动。
Motion TRansformer (MTR) 框架在运动预测中有什么创新？
MTR 将运动预测视为全局意向定位和局部运动细化的联合优化问题，通过可学习的少量运动查询对引入空间意向先验，实现更好的多模态预测。
MTR 在 Waymo 数据集上的表现如何？
MTR 在多个运动预测挑战上达到最先进水平，并在 Waymo 开放式运动数据集的排行榜上排名第一。
有哪些方法被用来提升人体运动预测的对抗鲁棒性？
一种可调节的针对性对抗攻击方法被提出，通过引入两个物理约束条件提高对抗样本的无感知性，从而提升人体运动预测器的对抗鲁棒性。
如何结合序列预测和 GAN 来改进自动移动平台的人体运动预测？
通过将序列预测和生成对抗网络（GAN）相结合，解决了自动移动平台中的人体运动行为预测问题，并在准确性、多样性、碰撞避免和计算复杂性方面胜过了以往的工作。
基于 Transformer 的车辆轨迹预测框架是如何建模车辆间社交关系的？
该框架采用 Transformer 结构模拟车辆之间的社交关系，并利用多模态注意机制解决运动预测的多模态问题，在 Argoverse 数据集上取得了最佳预测精度。
