本研究由Junxiong Zhang（福州大学厦门工艺美术学院）、Jin Peng（广东海洋大学体育与休闲学院，通讯作者）和Kaiyun Wang（厦门大学信息学院）合作完成，发表于2025年的《Image and Vision Computing》期刊第162卷，论文标题为《Athlete Posture Estimation and Analysis Based on Embodied Artificial Intelligence》。

学术背景
该研究属于计算机视觉与人工智能交叉领域，聚焦于运动员姿态估计这一体育科学与医学的关键技术。传统姿态估计方法在复杂动态场景和多样化背景下存在精度不足、鲁棒性差等问题。随着深度学习的发展，基于卷积神经网络（CNN）的二维姿态估计取得进展，但三维姿态估计仍面临深度信息获取、多视角融合等挑战。研究团队创新性地提出融合动态图卷积网络（Dynamic Graph Convolutional Network, DGCN）、时空交错注意力机制（Spatio-Temporal Interleaved Attention, STIA）和可变长度Transformer编码器（Variable-Length Transformer Encoder, VLTE）的解决方案，旨在平衡计算效率与高精度需求，为实时姿态估计任务提供支持。

研究流程与方法
1. 动态图卷积网络（DGCN）模块
- 图结构建模：将人体关节表示为图节点，关节连接为边，通过图卷积公式（公式1）提取空间依赖关系。动态更新机制（公式2）通过自适应权重矩阵调整邻接矩阵，适应运动中的姿态变化。
- 环境感知集成：引入环境特征映射函数（公式3），使模型能根据光照、视角等外部条件动态调整图结构，提升复杂场景下的鲁棒性。

1. 时空交错注意力机制（STIA）模块

   • 空间特征聚合：基于关节关系矩阵（公式4）聚合空间信息，权重通过自适应学习生成。
     
   • 时间特征融合：采用动态卷积核（公式5）融合时序特征，窗口大小可调以捕捉不同时间尺度的运动模式。
     
   • 环境自适应：通过环境特征动态调整时空权重（公式7-8），增强模型对动态场景的适应性。
     

2. 可变长度Transformer编码器（VLTE）模块

   • 序列长度自适应：根据输入序列长度动态调整模型层数（公式9），处理不同时间尺度的姿态变化。
     
   • 多尺度注意力机制：结合时间掩码矩阵（公式10-11）捕捉多尺度时序依赖。
     
   • 动态位置编码：通过非线性函数（公式12）生成适应序列长度的位置编码，提升长序列建模能力。
     

实验验证
研究在Human3.6M和MPI-INF-3DHP两个数据集上验证了模型性能：
- Human3.6M：在检测2D姿态（CPN）和真实2D姿态（GT）条件下，平均MPJPE（关节位置误差）分别为36.9 mm和18.9 mm，显著优于Pavllo等对比方法（46.8 mm和37.8 mm）。例如，”walking”动作误差降低9.8 mm（24.2 mm vs. 33.9 mm）。
- MPI-INF-3DHP：PCK（关键点正确率）达98.0%，AUC（曲线下面积）为75.9，MPJPE仅29.1 mm，较Zhang等方法的54.9 mm提升45%。
- 消融实验：移除DGCN、STIA或VLTE任一模块均导致性能下降（如PCK从98.0%降至95.2%），验证了各模块的必要性。

结论与价值
该研究提出了一种基于具身人工智能的高精度姿态估计框架，其核心贡献包括：
1. 方法论创新：DGCN-STIA-VLTE三元架构首次实现了空间依赖、时序动态与多尺度处理的协同优化，为复杂运动场景下的姿态估计提供了新范式。
2. 技术突破：动态图结构更新、环境自适应注意力机制等设计显著提升了模型在遮挡、光照变化等挑战下的稳定性。
3. 应用价值：实验证明模型在保持28.5 FPS实时性能的同时，精度优于现有方法，可广泛应用于运动员训练分析、康复医疗等领域。

研究亮点
- 跨学科融合：将具身人工智能的感知-交互能力引入传统姿态估计任务，突破了静态模型的局限性。
- 算法效率：通过可变长度Transformer和动态图卷积的联合优化，计算量较PoseFormerV2降低9倍（0.35 GFLOPs vs. 3.12 GFLOPs）。
- 数据泛化性：在实验室（Human3.6M）和复杂真实场景（MPI-INF-3DHP）中均表现优异，验证了方法的普适性。

其他价值
研究团队开源了代码框架，并提出了未来方向：探索轻量化网络架构以进一步提升实时性，以及整合多模态数据增强复杂环境下的适应性。这些工作为体育智能分析系统的开发奠定了理论基础和技术支撑。