Perception of Human Movement Based on Modular Movement Primitives

Menschen können menschliche Bewegungen anhand von spärlichen visuellen Informationen ohne Mühe erkennen und verstehen. Wenige Punkte, welche die Position der Gelenke markieren, reichen aus um eine lebhafte und stabile Wahrnehmung der dahinter liegenden Bewegung zu erzeugen. Aufgrund dieser Fähigkeit erfordert die realistische Animation von 3D-Figuren großes Geschick. Das Studium der Bestandteile einer natürlich wirkenden Bewegung würde nicht nur diesen Künstlern helfen, sondern auch ein besseres Verständnis der zugrunde liegenden Informationsverarbeitung im Gehirn ermöglichen. Analog zu den Herausforderungen bei der Animation spiegelt die Arbeit der Robotiker die die Komplexität der Bewegungserzeugung: Die Steuerung der vielen Freiheitsgrade eines Körpers erfordert zeitaufwändige Berechnungen. Modularität ist eine Strategie, um dieses Problem zu adressieren: Komplexe Bewegungen können in einfache Primitive zerlegt werden. Umgekehrt lassen sich aus wenigen Primitiven eine große Anzahl komplexer Bewegungen zusammensetzen. Viele Arten von Bewegungsprimitiven (MPs) sind auf verschiedenen Ebenen der Informationsverarbeitungshierarchie im dem Gehirn vorgeschlagen wurden. MPs wurden meist im Kontext der Bewegungsproduktion vorgeschlagen und verwendet. Eine auf Primitiven basierende Modularität könnte jedoch in ähnlicher Weise eine robuste Bewegungswahrnehmung ermöglichen. Für meine Dissertation habe ich Wahrnehmungsexperimente durchgeführt, die auf der Annahme einer gemeinsamen Repräsentation von Bewegungs-Wahrnehmung und -Produktion basierend auf MPs. Die drei verschiedenen Typen von MPs, die ich untersucht habe, sind temporale MPs (TMP), dynamische MPs (DMP), und gekoppelte Gaussian Process Dynamical Models (cGPDM). Die MP-Modelle wurden auf Basis von natürlichen Bewegungen trainiert um neue Bewegungen zu generieren. Diese künstlichen Bewegungen wurden dann perzeptuell validiert in psycho-physikalischen Experimenten. In allen Experimenten verwendete ich ein Forced-Choice-Paradigma mit zwei Alternativen, in dem menschlichen Beobachtern eine Bewegung basierend auf Motion-Capturing-Daten, und eine durch ein MP-Modell generierte Bewegung präsentiert wurde. Danach mussten sie die Bewegung wählen, die sie als natürlicher empfanden. Im ersten Experiment untersuchte ich die Wahrnehmung von Gehbewegungungen: In Übereinstimmung mit früheren Ergebnissen ist die getreue Darstellung der Bewegungsdynamik wichtiger ist als eine gute Rekonstruktion der Pose. Im zweiten Experiment untersuchte ich die Rolle der Vorhersage in der Wahrnehmung anhand von Objekthandhabungsbewegungen. Es stellte sich heraus, dass die wahrgenommene Natürlichkeit der Bewegungsvorhersagen ähnlich ist zu der wahrgenommenen Natürlichkeit der Bewegungen selbst, die im ersten Experiment festgestellt wurde. Ich habe herausgefunden, dass die MP-Modelle in der Lage sind, Bewegungen zu produzieren, die natürlich aussehen, wobei TMP-Modelle die höchsten Wahrnehmungswerte erzielen. Darüber hinaus ermöglichen sie die Vorhersagbarkeit der wahrgenommenen Natürlichkeit, was auf ihre Eignung für eine gemeinsame Darstellung von Bewegungs-Wahrnehmung und -Produktion hindeutet.