[1J4-GS-10k] AI application

4:10 PM - 4:25 PM JST(7:10 AM - 7:25 AM UTC)

[1J4-GS-10k-03] Motion Generation Model with Spatiotemporal Structure for a Dyadic Conversation based on Convolutional Network and Diffusion Model

〇Tetsuya Abe¹, Takahiro Shibasaki¹, Yuya Okadome^1,2 (1. Tokyo University of Science, 2. RIKEN R-IH)

Keywords:

Denoising Diffusion Probabilistic Models,Deep Learning,Motion Generation

人と自然に対話するコミュニケーションロボットの実現には、発話に加えて手振りや頷きなどの非言語的動作を適切に生成することが重要である。近年、二者間対話における相互作用を考慮した対話動作生成手法として、拡散確率モデルに基づくモデルが提案されている。多くのモデルがTransformerに基づいていることから、身体の空間構造と時間的遷移からなる動作の文脈を十分に捉えられていない可能性がある。そこで本研究では、二者間対話データが有する時空間特徴を畳み込みにより明示的に考慮可能な対話動作生成モデルを提案する。提案手法では、U-Netを基盤としたアーキテクチャを用い、さらに、二者の特徴量が潜在空間上で相互参照されることを目的として、特徴量間にゼロパディングを導入した。実験結果より、提案手法では生成動作と訓練データ分布との類似度が従来手法と比較して向上することが示唆された。