SimpliHuMoN: Simplifying Human Motion Prediction¶
会议: NeurIPS 2026
arXiv: 2603.04399
代码: https://github.com/aadya-agrawal/SimpliHuMoN
领域: 人体理解
关键词: 人体运动预测, 3D姿态预测, 轨迹预测, 多模态预测, Transformer
一句话总结¶
本文提出极简的纯自注意力架构 SimpliHuMoN，将历史运动上下文与可学习的未来查询拼接后直接进行双向自注意力交互并单次前向回归多个未来运动假设，在无需任何任务专用结构改动的情况下，同时在 3D 姿态预测、轨迹预测和联合预测三大任务上超越专用 SOTA 且推理速度提升至 1.8 倍。
研究背景与动机¶
三维人体运动预测要求根据一段历史观测推断未来的身体动作变化，在自动驾驶、人机协作和虚拟现实等场景中至关重要。由于人体运动同时包含全局根节点的空间位移（轨迹）与局部躯干四肢的关节曲伸（姿态），且具有高度的非线性与未来不确定性，现有研究长期将这两个本应耦合的过程拆分为独立的子任务：姿态预测方法（如 BeLFusion、CoMusion、SLD）依赖离散余弦变换（DCT）、图卷积网络（GCN）或计算昂贵的多步扩散采样来建模骨骼运动学先验；而轨迹预测方法（如 TrajCLIP、NMRF、SingularTrajectory）则引入预训练视觉语言模型（VLM）的外部语义知识或连续神经场表征来应对复杂环境。
这种“分而治之”的专用化趋势虽然推高了单一榜单的指标，却割裂了局部关节摆动与全局重心移动之间内在的物理耦合关系。少数尝试同时建模轨迹与姿态的整体性方法（如 T2P 和 EMPMP），往往又引入了强硬的架构先验：T2P 采用“先预测全局轨迹、再以此为条件生成局部姿态”的两阶段串行策略，不仅假设了单向因果关系，还会导致严重的级联误差累积；EMPMP 则将局部姿态与全局轨迹放在平行的独立分支中处理，到后期才进行特征融合，阻碍了模型从底层直接学习两者的深层交织表征，且繁琐的组件拼接难以发挥现代硬件的并行计算优势，在单一子任务榜单上也难以与专用模型抗衡。
针对“专用模型无法泛化、多阶段联合模型在子任务上妥协且结构臃肿”的核心矛盾，本文反其道而行之，探究能否剥离所有领域特化的外挂模块（如 GCN、DCT、扩散采样和分阶段分支），仅靠最基础的注意力机制直接统一三大任务。核心 idea：将历史轨迹/姿态上下文 token 与可学习的未来时间步查询 token 在序列维度上拼接为单一序列，通过纯自注意力 Transformer 解码器进行端到端的全双工时空与模态交互，并配合赢家通吃损失在单次前向传播中并行解码出多个多样化的未来运动假设。
方法详解¶
整体框架¶
SimpliHuMoN 是一个端到端的纯自注意力 Transformer 架构，能够在不改变网络结构的前提下，灵活接收仅历史轨迹 \(T_{\text{past}} \in \mathbb{R}^{H \times 3}\)、仅相对身体姿态 \(P_{\text{past}} \in \mathbb{R}^{H \times M \times 3}\) 或两者兼有的联合输入 \(X_{\text{past}}\)（历史时间步长为 \(H\)，关节数为 \(M\)），并预测未来 \(F\) 个时间步的 \(K\) 组多模态运动假设 \(X_{\text{fut}} = (X_{\text{fut}}^1, \dots, X_{\text{fut}}^K)\)。整个流程分为三个阶段：首先将历史观测与可学习的未来引导参数分别编码并对齐为结构镜像的上下文张量与查询张量；接着将两者沿时间序列维度直接拼接，送入多层纯自注意力 Transformer 解码器进行跨时间步、跨模态的双向信息交互；最后通过对称的多模态预测头一次性回归出 \(K\) 个完整的未来运动假设。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["历史运动观测 X_past<br/>与可学习初始查询 Q_in"] --> B["双流历史编码与未来查询对齐<br/>归一化映射 + 时序位置编码 + 模态类型嵌入"]
B --> C["上下文与查询拼接双向自注意力<br/>拼接为单一序列 [C; Q] 经 L 层 RMSNorm 解码器交互"]
C --> D["多模态对称预测头<br/>线性扩展重塑为 K 路分支 + 专用头回归轨迹与姿态"]
D --> E["K 组未来运动假设 X_fut"]关键设计¶
1. 双流历史编码与未来查询对齐：通过可学习类型嵌入与镜像序列构造实现无改动的任务自适应
为了用同一个骨干网络无缝处理单模态（仅轨迹或仅姿态）和双模态（轨迹+姿态）任务，模型在输入端将历史观测与未来待预测槽位构造为格式严格对称的特征序列。在历史上下文侧，对于根节点（髋关节）轨迹 \(T_{\text{past}}\)，先减去历史最后一帧的根节点坐标以消除全局绝对位置偏移，再经线性层映射为 \(d_{\text{model}}\) 维特征；对于局部身体姿态 \(P_{\text{past}}\)，将每帧所有其余关节坐标减去当前帧根节点坐标得到相对姿态，再经带 GELU 激活的两层 MLP 映射到相同的 \(d_{\text{model}}\) 维空间。随后，两条特征流各自加上编码时间步位置的科学正弦位置编码（Sinusoidal Positional Encoding），以及一个用于区分当前 token 属于“根节点轨迹”还是“局部身体姿态”的可学习模态类型嵌入 \(\mathcal{E}\)。若任务同时包含轨迹与姿态，两条长度为 \(H\) 的特征流沿序列维度拼接为 \(\mathcal{C} \in \mathbb{R}^{2H \times d_{\text{model}}}\)（单模态任务则为 \(\mathbb{R}^{H \times d_{\text{model}}}\)）。在未来查询侧，模型定义了一组与输入无关的可学习参数 \(\mathcal{Q}_{\text{in}} \in \mathbb{R}^{F \times 3}\) 作为未来 \(F\) 个时间步的初始槽位，先经线性投影升维至 \(d_{\text{model}}\)，并在双模态任务下显式拆分为未来轨迹查询 \(\mathcal{Q}_T \in \mathbb{R}^{F \times d_{\text{model}}}\) 和未来姿态查询 \(\mathcal{Q}_P \in \mathbb{R}^{F \times d_{\text{model}}}\)，同样注入时序位置编码与对应的模态类型嵌入后拼接为 \(\mathcal{Q} \in \mathbb{R}^{2F \times d_{\text{model}}}\)。这种镜像式的双流对齐与类型标记，使模型学会了查询类型与输出模态之间的强绑定关系，从而无需增删网络分支即可适应任意输入输出组合。
2. 上下文与查询拼接双向自注意力：摒弃交叉注意力隔阂以实现时空与模态的全双工耦合
传统基于 Transformer 的序列预测模型通常采用标准的 Encoder-Decoder 架构，即先对历史上下文做自注意力编码，再让未来查询通过交叉注意力（Cross-Attention）单向读取历史特征；或者如 EMPMP 那样将局部姿态和全局轨迹分流处理。本文指出，这种隔离设计限制了信息的自由流动。SimpliHuMoN 直接将编码后的历史上下文张量 \(\mathcal{C}\) 与未来查询张量 \(\mathcal{Q}\) 沿序列（时间）维度拼接为一个统一的连续序列 \([\mathcal{C}; \mathcal{Q}]\)（单模态时形状为 \(\mathbb{R}^{(H+F) \times d_{\text{model}}}\)，双模态联合时包含轨迹与姿态双流共 \(2(H+F)\) 个 token），输入到由 \(L\) 层组成的纯自注意力 Transformer 中进行无掩码的全双工注意力计算。在每一层中，任意时间步的历史轨迹、历史姿态、未来轨迹查询与未来姿态查询都可以彼此直接互注意力（包括查询对上下文、查询对查询、上下文对查询以及跨模态交互），从而在每一层同步捕获局部骨骼摆动与全局重心移动之间的双向物理约束。此外，解码器内部采用前置的均方根层归一化（Pre-RMSNorm）替代传统 LayerNorm 以提升训练稳定性与计算效率，配合标准 GELU 前馈网络（FFN）。经过 \(L\) 层堆叠交互后，从输出序列中切分出对应未来查询位置的张量 \(Z\)，即包含了充分融合全局时空上下文的未来运动表征。
3. 多模态对称预测头：单次前向确定性回归多个完整未来假设以兼顾多样性与高吞吐
针对人体运动固有的多模态不确定性（例如行人在下一秒可能直行、停下或转弯），扩散模型需要通过数十步迭代去噪才能采样出多样化结果，导致推理延迟极高。SimpliHuMoN 在解码器顶部设计了轻量级的对称多模态预测头，在单次确定性前向传播中直接生成 \(K\) 个完整的未来运动假设。具体而言，模型先通过一个线性层将解码器输出的查询表征 \(Z\) 从特征维度 \(d_{\text{model}}\) 一次性扩展映射为 \(K \times C\) 维（其中 \(C\) 为输出通道维，轨迹为 \(3\)，姿态为 \(M \times 3\)），并将其重塑为 \(K\) 个并行假设分支。随后，每个分支由与输入编码模块结构严格对称的专用回归头处理——轨迹分支通过单层线性映射还原未来的三维根位移 \(T_{\text{fut}}^k \in \mathbb{R}^{F \times 3}\)，姿态分支通过两层 MLP 还原未来的相对关节坐标 \(P_{\text{fut}}^k \in \mathbb{R}^{F \times M \times 3}\)。这种输入编码与输出解码镜像对称的设计（线性层对应轨迹、两层 MLP 对应姿态）相当于对初始嵌入过程做逆变换，保证生成的每个假设 \(X_{\text{fut}}^k\) 都是一个内部时空自洽的完整运动序列。
损失函数 / 训练策略¶
为了在不引入生成式对抗训练或扩散过程的前提下，促使 \(K\) 个输出分支各自特化并覆盖不同的未来运动意图，模型采用端到端的“赢家通吃”（Winner-Takes-All, WTA）损失进行训练。对于给定的真实未来运动 \(X_{\text{fut}}^{\text{gt}}\)，仅计算并反向传播 \(K\) 个预测假设中与真实值欧氏距离最小的那个最优分支 \(k\) 的梯度：
这一机制避免了多个预测头平均化导致动作坍缩为静态均值姿态，实测在训练集与验证集上 6 个预测头的获胜频率均稳定在理想的均匀分布（约 \(16.7\%\)）附近。作者根据层数 \(L\) 与隐藏维 \(d_{\text{model}}\) 的权衡提供了两种主力配置：侧重局部姿态细节的“宽模型” Wide（\(L=6, d_{\text{model}}=192\)，参数量 4.0M）和侧重长程轨迹建模的“深模型” Deep（\(L=16, d_{\text{model}}=48\)，参数量仅 642K）。所有模型均使用 AdamW 优化器（\(\beta_1=0.95, \beta_2=0.999\)，权重衰减 \(10^{-4}\)），在单张 NVIDIA RTX A6000 GPU 上以 batch size 64 训练 300 个 epoch。
实验关键数据¶
主实验¶
实验全面覆盖三大类任务的 6 个主流公开基准：姿态预测使用 Human3.6M 和 AMASS（输入 0.5s 预测 2.0s，\(K=7\)，指标为全关节最小平均/最终位移误差 ADE/FDE）；轨迹预测使用 ETH-UCY 和 SDD（输入 3.2s 预测 4.8s，\(K=20\)，指标为根节点 ADE/FDE）；姿态+轨迹联合预测使用多人场景数据集 MOCAP-UMPM（输入 1.0s 预测 2.0s，\(K=6\)）和 3DPW（输入 0.8s 预测 1.6s，\(K=6\)），评估指标为根节点对齐后的局部平均每关节位置误差（APE，单位 mm）与世界坐标系下的全局关节精度误差（JPE，单位 mm）。
表 1：三大任务六大基准上的主实验结果对比（所有误差指标越低越好 \(\downarrow\)）
| 任务类别 | 方法 | Human3.6M (ADE/FDE) | AMASS (ADE/FDE) | ETH-UCY Avg (ADE/FDE) | SDD (ADE/FDE) | MOCAP-UMPM (APE/JPE) | 3DPW (APE/JPE) |
|---|---|---|---|---|---|---|---|
| 仅姿态专用 | BeLFusion | 0.44 / 0.60 | 0.35 / 0.48 | – | – | – | – |
| 仅姿态专用 | CoMusion | 0.43 / 0.61 | 0.31 / 0.46 | – | – | – | – |
| 仅姿态专用 | Motionmap | 0.47 / 0.60 | 0.32 / 0.45 | – | – | – | – |
| 仅姿态专用 | SLD* | 0.42 / 0.59 | 0.30 / 0.45 | – | – | – | – |
| 仅轨迹专用 | SingularTraj. | – | – | 0.22 / 0.34 | 7.26 / 12.58 | – | – |
| 仅轨迹专用 | TrajCLIP\(^\wedge\) | – | – | 0.18 / 0.33 | 6.29 / 11.79 | – | – |
| 仅轨迹专用 | NMRF | – | – | 0.19 / 0.32 | 7.20 / 11.29 | – | – |
| 联合预测 | T2P\(^\dagger\) | 0.80 / 1.03 | 0.63 / 0.94 | 0.19 / 0.39 | 8.11 / 8.59 | 151.7 / 262.7 | 150.0 / 236.2 |
| 联合预测 | EMPMP\(^\dagger\) | 0.45 / 0.72 | 0.42 / 0.65 | 0.63 / 0.72 | 10.2 / 10.5 | 146.5* / 250.4* | 150.6* / 235.4* |
| 本文通用 | SimpliHuMoN (wide) | 0.42 / 0.59 | 0.31 / 0.45 | 0.18 / 0.32 | 6.70 / 7.63 | 125.7 / 212.7 | 142.9 / 231.0 |
| 本文通用 | SimpliHuMoN (deep) | 0.44 / 0.57 | 0.35 / 0.47 | 0.19 / 0.32 | 6.26 / 7.61 | 131.4 / 211.8 | 148.9 / 231.5 |
注：* 为作者按统一设置重测结果，$\dagger$ 为针对单任务适配后的联合模型，$\wedge$ 表示使用了外部预训练数据（VLM）。此外，在极具挑战的高强度足球对抗数据集 WorldPose（\(K=10\)）上，SimpliHuMoN (wide) 的 APE/JPE 达到 156.8 / 746.3，相比 T2P（362.7 / 913.6）和 EMPMP（443.4 / 981.5）分别将 APE 大幅降低了 56.7% 和 64.6%。
消融实验¶
作者在 MOCAP-UMPM 联合预测任务上对模型深度/宽度权衡、注意力交互机制、多模态假设数量 \(K\)、模态结合收益以及推理吞吐量进行了系统消融。
表 2：MOCAP-UMPM 上的架构组件、注意力机制、多模态头与吞吐量综合消融
| 实验维度 | 模型 / 配置变体 | 参数量 | APE \(\downarrow\) | JPE \(\downarrow\) | 训练吞吐 (samples/s) \(\uparrow\) | 测试吞吐 (samples/s) \(\uparrow\) |
|---|---|---|---|---|---|---|
| 主力模型与基线效率 | T2P* (\(K=6\)) | – | 151.70 | 262.70 | 187 \(\pm\) 22 | 401 \(\pm\) 64 |
| 主力模型与效率 | EMPMP* (\(K=6\)) | – | 146.50 | 250.40 | 812 \(\pm\) 58 | 2041 \(\pm\) 129 |
| 主力模型与效率 | Ours (wide, \(L=6, d=192\)) | 4.0M | 125.70 | 212.72 | 862 \(\pm\) 43 | 2251 \(\pm\) 140 |
| 主力模型与效率 | Ours (deep, \(L=16, d=48\)) | 642K | 131.41 | 211.76 | 928 \(\pm\) 45 | 3673 \(\pm\) 161 |
| 注意力机制对比 | 标准 Encoder-Decoder: Self-Attn(\(\mathcal{C}\)) + Cross-Attn(\(\mathcal{Q}\)) (wide) | 4.0M | 134.61 | 229.05 | – | – |
| 注意力机制对比 | 标准 Encoder-Decoder: Self-Attn(\(\mathcal{C}\)) + Cross-Attn(\(\mathcal{Q}\)) (deep) | 642K | 140.32 | 227.89 | – | – |
| 单模态 vs 多模态 | 确定性单输出 \(K=1\) (wide) | 4.0M | 145.84 | 280.80 | – | – |
| 单模态 vs 多模态 | 确定性单输出 \(K=1\) (deep) | 642K | 149.35 | 286.96 | – | – |
| 微结构消融 (wide) | 去掉类型嵌入 Type Emb. (保留 RMSNorm) | 4.0M | 126.24 | 213.85 | – | – |
| 微结构消融 (wide) | 用 LayerNorm 替换 RMSNorm (保留 Type Emb.) | 4.0M | 127.37 | 213.06 | – | – |
| 深度与宽度扫描 | \(L=8, d_{\text{model}}=192\) | 5.2M | 126.05 | 212.84 | – | – |
| 深度与宽度扫描 | \(L=12, d_{\text{model}}=96\) | 1.9M | 128.47 | 212.08 | – | – |
| 深度与宽度扫描 | \(L=16, d_{\text{model}}=36\) | 367K | 134.52 | 215.36 | – | – |
表 3：轨迹与姿态联合建模 vs 单模态独立建模的互促收益验证（MOCAP-UMPM，ADE/FDE \(\downarrow\)）
| 模型配置 | 姿态预测：仅输入姿态 | 姿态预测：联合输入姿态+轨迹 | 姿态相对提升 | 轨迹预测：仅输入轨迹 | 轨迹预测：联合输入姿态+轨迹 | 轨迹相对提升 |
|---|---|---|---|---|---|---|
| T2P\(^\dagger\) | – | 0.61 / 0.95 | – | – | 0.20 / 0.29 | – |
| EMPMP\(^\dagger\) | – | 0.53 / 0.65 | – | – | 0.14 / 0.20 | – |
| Ours (wide) | 0.46 / 0.58 | 0.41 / 0.51 | -11.4% / -12.2% | 0.09 / 0.18 | 0.08 / 0.16 | -13.7% / -11.9% |
| Ours (deep) | 0.46 / 0.59 | 0.42 / 0.51 | -8.7% / -13.6% | 0.09 / 0.18 | 0.08 / 0.17 | -11.1% / -5.6% |
关键发现¶
- 拼接双向自注意力显著优于传统 Encoder-Decoder 交叉注意力：将 \([\mathcal{C}; \mathcal{Q}]\) 拼接做全自注意力相比标准的“先对 \(\mathcal{C}\) 自注意力、再对 \(\mathcal{Q}\) 做交叉注意力”设计，在 wide 模型上将 APE 从 134.61 降至 125.70（改善 6.6%），JPE 从 229.05 降至 212.72（改善 7.1%）。注意力热力图（图 5）证实，第一层中不仅存在强烈的“查询关注历史”权重，还涌现出明显的“查询与查询互注意力”以及“历史关注未来查询”的四象限双向交互模式。
- 网络“宽度”利于局部精细姿态，“深度”利于长程全局轨迹：在超参数扫描中，\(L=6, d_{\text{model}}=192\) 的宽模型取得了最优的局部姿态误差（APE 125.70），说明高维特征空间更擅长刻画多关节的细粒度空间几何；而 \(L=16, d_{\text{model}}=48\) 的深模型以仅 642K 参数取得了最优的全局世界坐标误差（JPE 211.76）和 SDD 轨迹误差（FDE 降低 32% 至 7.61），且测试吞吐量高达 3673 samples/s（是专门做轻量化设计的 EMPMP 的 1.8 倍、T2P 的 9.1 倍）。
- 局部姿态与全局轨迹存在显著的双向互促效应：如表 3 所示，在完全相同的网络下，引入全局轨迹信息可使姿态预测的 ADE/FDE 降低 11.4% / 12.2%；反之，引入身体局部姿态信息可使根节点轨迹预测的 ADE/FDE 降低 13.7% / 11.9%，直接证伪了将两者割裂建模的传统假设。
- 多模态输出对统一架构收益巨大：从确定性单输出（\(K=1\)）切换到多模态预测（\(K=6\)）时，SimpliHuMoN (wide) 的 APE 和 JPE 分别大幅下降 13.8% 和 24.2%，而基线 EMPMP 的 APE 仅从 147.2 微降至 146.5（不到 0.5%），说明传统分离式架构难以生成真正多样化的身体姿态分布。
亮点与洞察¶
- “大道至简”对繁复领域先验的降维打击：过去几年人体运动预测领域堆叠了大量归纳偏置（DCT 频域变换、骨骼 GCN、两阶段粗到精条件化、多步扩散采样、外部 VLM 提示），而本文证明一个没有任何骨骼图结构或频域变换的纯自注意力 Transformer，仅靠把历史和未来 token 拼在一起做双向自注意力，就能在全部三大任务上通吃并刷新 SOTA。这种极简主义设计极具启发性。
- 将序列预测重构为“上下文+未来槽位”的掩码填充式全注意力交互：把 DETR 式的可学习时间步查询 \(\mathcal{Q}\) 与历史上下文 \(\mathcal{C}\) 直接拼成一条序列做双向自注意力，不仅消除了自回归解码的逐步累积误差和扩散模型的多步迭代开销，还让未来不同时间步的查询之间、未来轨迹与未来姿态查询之间在每一层都能实时对齐，以单次前向传播实现了高吞吐与长时序一致性。
- 可迁移的跨数据集通用运动基础模型（Motion Foundation Model）原型：在附录 C 中，作者通过定义 22 关节标准骨骼（Canonical Skeleton，将 2D 轨迹补零映射至骨盆节点）与动态张量切片（Dynamic Slicing），用同一套权重在全部 6 个异构数据集上进行了联合训练。这一探索为构建跨任务、跨骨骼拓扑的通用人体运动大模型提供了清晰的工程范式。
局限与展望¶
- 缺乏显式的多智能体社交交互建模：模型目前将场景中的每个行人视为完全独立的个体分别进行前向推理（无跨个体的交互模块）。虽然凭借强大的单人运动表征在常规拥挤场景（如 ETH-UCY）和足球对抗（WorldPose）中表现优异，但在附录图 7 展示的失败案例中，当两人手拉手原地转圈等存在强物理耦合与协同动作时，模型无法捕捉这种强交互动力学，未来需引入轻量级的跨个体注意力机制。
- 对剧烈突发加减速的响应滞后：在面对毫无征兆的突然剧烈加速跑动时（附录 F.2），由于赢家通吃损失仍基于欧氏距离回归，模型倾向于预测更加平滑、向均值回归的保守轨迹，导致在突变帧后续累积较大位移误差。
- 跨数据集联合训练存在长尾与容量折衷：当使用单一模型在全部 6 个数据集上联合训练时（附录 C），由于采用数据集均衡采样（Dataset-Balanced Batching）以防小数据集过拟合，模型在规模最大（比最小数据集大 140 倍以上）的 AMASS 上欠拟合，性能相比单数据集训练明显回落（wide 模型在 AMASS 上 ADE 从 0.31 升至 0.51），未来需要引入课程学习或按数据复杂度自适应的采样策略。
相关工作与启发¶
- vs T2P (CVPR 2024) & EMPMP (ICCV 2025)：这两者是此前联合预测姿态与轨迹的代表作，T2P 采用“先轨迹后姿态”的两阶段串行架构，易受早期轨迹误差传导影响且在高不确定性下姿态会坍缩为静态均值；EMPMP 采用局部与全局分离的平行双分支再融合。SimpliHuMoN 则从输入层就将轨迹与姿态 token 拼接进同一个自注意力空间，无分阶段级联误差，在 MOCAP-UMPM 上将 JPE 降低 15% 的同时，推理速度比 EMPMP 快 1.8 倍。
- vs CoMusion (ECCV 2024) & SLD (ECCV 2024)：这两者代表了姿态预测中依赖生成式扩散采样、DCT 频域变换及混合 GCN-Transformer 的专用复杂路线。SimpliHuMoN 完全抛弃了骨骼图卷积与多步去噪迭代，仅凭确定性的单次前向 \(K\) 分支预测与 WTA 损失，就达到了与扩散模型相当的多模态多样性指标（MMADE/MMFDE）及更优的长期预测精度（FDE）。
- vs TrajCLIP (NeurIPS 2024) & NMRF (ICLR 2025)：TrajCLIP 借助庞大预训练 VLM 的文本编码器注入语义先验并包含专门的社交与环境交互模块；SimpliHuMoN 完全自包含、不依赖任何外部预训练模型或场景图像，仅从纯运动坐标序列中学习动力学，在视觉语义线索较弱的 ETH 场景上反而显著超越 TrajCLIP，并在 ETH-UCY 取得并列第一的平均性能（0.18/0.32）。
评分¶
- 新颖性: ⭐⭐⭐⭐ 摒弃繁琐领域归纳偏置，用极简的“上下文+可学习查询拼接双向自注意力”统一三大人体运动预测任务，展现了极强的架构洞察力。
- 实验充分度: ⭐⭐⭐⭐⭐ 横跨姿态、轨迹、联合预测三大任务共 7 个数据集（含附录 WorldPose），涵盖精度、吞吐量、深度/宽度权衡、注意力机制、跨数据集通用联合训练与失败案例分析，实验极其扎实。
- 写作质量: ⭐⭐⭐⭐⭐ 痛点切入精准，方法叙述清晰凝练，图表与消融实验层层递进地支撑了“简单统一架构优于复杂专用设计”的核心论点。
- 价值: ⭐⭐⭐⭐⭐ 为人体运动预测提供了一个兼具 SOTA 精度与极高推理吞吐量的通用强基线，其标准骨骼映射与多任务统一设计对构建通用运动基础模型具有重要参考价值。