LingoMotion: An Interpretable and Unambiguous Symbolic Representation for Human Motion

إليك ملخص تقني مفصل لورقة البحث بعنوان "LingoMotion: تمثيل رمزي قابل للتفسير وغير غامض لحركة الإنسان."

1. بيان المشكلة

تواجه طرق تمثيل حركة الإنسان الحالية قيودين حرجين:

• الافتقار إلى القابلية للتفسير: تعتمد النماذج المتطورة (مثل MotionGPT، وVideoGPT، وACTOR) على متجهات كامنة "صندوق أسود" مشتقة من مواضع المفاصل. هذه التشفيرات غامضة، مما يجعل من الصعب تشخيص أو التحكم في أو فهم ميزات حركة معينة.
• الغموض وفقدان الاستمرارية الزمنية: غالبًا ما تستخدم النهج الحالية نوافذ زمنية ثابتة، والتي يمكن أن تؤدي إلى تعطيل استمرارية الحركات الفرعية. علاوة على أن الأوصاف النصية القائمة على القواعد (مثل PoseScript) غالبًا ما تجمع بين وضعيات متميزة تحت تسميات متطابقة، مما يؤدي إلى الغموض، وتفشل في التقاط الطبيعة الديناميكية الزمنية للحركة.
• التبعية العالمية: تعتمد التمثيلات القائمة على مواضع المفاصل على الترجمة والتوجه العالمي، بينما تشير التحليلات الميكانيكية الحيوية إلى أن زوايا المفاصل توفر إطارًا جوهريًا أكثر قوة.

2. المنهجية: إطار عمل LingoMotion

يقترح المؤلفون LingoMotion، وهو "لغة حركة" هرمية مستوحاة من بنية اللغة الطبيعية (حروف $\leftarrow$ كلمات $\leftarrow$ عبارات $\leftarrow$ جمل). يقوم هذا الإطار بتفكيك إشارات زوايا المفاصل المستمرة إلى وحدات رمزية منفصلة وقابلة للتفسير.

أ. أبجدية الحركة (الحروف)

• الأساس: بدلاً من مواضع المفاصل ثلاثية الأبعاد، يستخدم النظام زوايا المفاصل المحسوبة بناءً على المعايير الميكانيكية الحيوية (باستخدام نموذج SMPL مع 22 مفصلًا).
• المبرر: تلتقط زوايا المفاصل الدورية وتكون غير متأثرة بشكل الجسم أو التوجه العالمي.
• مسار الاكتشاف:
  1. التقسيم (Segmentation): يتم تقسيم إشارات زوايا المفاصل المستمرة عند القيم القصوى المحلية (الانتقالات بين التغيرات الموجبة والسالبة).
  2. التجميع (Clustering): يتم تطبيع المقاطع وتجميعها (على سبيل المثال، باستخدام K-Means) لتحديد الأشكال المعيارية. يمثل كل مركز عنقود شكلًا فريدًا لـ "حرف حركة".
  3. ربط الخصائص: يرتبط كل حرف بخصائص مستمرة لضمان إعادة بناء عالية الدقة:
     • المقياس ($\sigma$): السعة.
     • الانحياز ($\mu$): القيمة الدنيا (لضمان الاستمرارية).
     • الطول ($l$): المدة.
  • النتيجة: تسلسل من الرموز المنفصلة $(s, \sigma, \mu, l)$ يمثل الحركة.

ب. كلمات الحركة، العبارات، والجمل

• كلمات الحركة: تتشكل من خلال تنسيق حروف الحركة ذات الصلة (مثل ثني الساق اليمنى واليسرى في وقت واحد) لوصف أفعال بسيطة مثل المشي.
• عبارات الحركة: تُنشأ عن طريق تعديل خصائص الكلمات (المقياس، الانحياز، الطول) لوصف الاختلافات في السرعة أو الحجم (مثل "يمشي سريعًا" مقابل "يمشي ببطء").
• جمل الحركة: تُبنى الأنشطة المعقدة (مثل "لعب كرة السلة") من خلال تسلسل الكلمات والعبارات. يتم نمذجة العلاقات الزمنية (التتابع أو التواجد المشترك الاحتمالي) باستخدام نماذج تسلسلية متقدمة مثل المحولات (Transformers).

3. المساهمات الرئيسية

1. لغة حركة مبتكرة: تقديم LingoMotion، وهو إطار تمثيل رمزي يحاكي بنية اللغة الطبيعية لتوفير أوصاف حركة قابلة للتفسير وغير غامضة.
2. مسار (التقسيم-التجميع-إعادة البناء): منهجية مقترحة لاكتشاف "أبجدية حركة" من البيانات الخام، وتحويل الإشارات المستمرة إلى وحدات ذات معنى ميكانيكي حيوي.
3. إعادة بناء عالية الدقة: إثبات أن الحركات المعقدة يمكن تفكيكها إلى تسلسلات فريدة من الوحدات الرمزية وإعادة بنائها بدقة عالية، مما يسد الفجوة بين التجريد الرمزي والبيانات الخام.

4. النتائج التجريبية

قيم المؤلفون إطار العمل باستخدام مجموعة بيانات Motion-X (81.1 ألف تسلسل حركة).

• دقة التحويل: تم اختبار التحويل من مواضع المفاصل إلى زوايا المفاصل (والعكس).
  • النتيجة: تم استرداد مواضع المفاصل بمعامل تحديد $R^2$ قدره 0.978 وجذر متوسط مربع الخطأ (RMSE) قدره 0.009، مما يؤكد الدقة العالية للتمثيل القائم على الزوايا.
• إعادة البناء الرمزي: قام النظام بتشفير بيانات الاختبار إلى حروف حركة منفصلة وأعاد بناء إشارات زوايا المفاصل.
  • النتيجة: حققت إعادة البناء معامل تحديد $R^2$ قدره 0.716 وجذر متوسط مربع الخطأ (RMSE) قدره 0.921 (مقنن). ورغم أنه أقل من التحويل المباشر من الموضع إلى الزاوية، إلا أن هذا يثبت أن التمثيل الرمزي المنفصل يحتفظ بتفاصيل كبيرة وقادر على إعادة بناء ديناميكيات الحركة الأصلية.
• حجم الأبجدية: في التجربة الأولية، تكونت الأبجدية من 28 كتاب رموز منفصل (واحد لكل قناة زاوية مفصل)، حيث يحتوي كل كتاب رموز على ما بين 12 و20 "حرفًا" فريدًا.

5. الأهمية والعمل المستقبلي

• الأهمية: ينقل LingoMotion النموذج من الفضاءات الكامنة الغامضة إلى تمثيلات قابلة للتفسير، تركيبية، وغير غامضة. يتيح ذلك تحليل الحركة وتحريرها ومقارنتها بدقة بناءً على مكونات ذات معنى ميكانيكي حيوي. كما يعالج مشكلة "الصندوق الأسود" في نماذج توليد الحركة.
• الاتجاهات المستقبلية:
  • تحسين مراكز العناقيد لضمان تمثيلها لأكثر عناصر الحركة الأولية أهمية.
  • استقصاء تقارب حجم الأبجدية مع توسع مجموعات البيانات.
  • تطوير نماذج للتعامل مع تسلسلات متغيرة الطول من كلمات الحركة.
  • مواءمة "لغة الحركة" مع اللغة الطبيعية للكشف عن الأنماط النحوية بين الحركة والنص (مثل وصف الحركة نصيًا).

في الختام، يقدم LingoMotion إطارًا تأسيسيًا لمعاملة حركة الإنسان كلغة، مما يتيح مستوى من التحكم والقابلية للتفسير لم يكن ممكناً من قبل باستخدام النهج القائمة على المتجهات الكامنة.