Quanto sono credibili i movimenti degli esseri umani generati sinteticamente?

Abstract

Valutare la plausibilità fisica del movimento umano generato sinteticamente rimane una sfida critica, poiché le pipeline di valutazione standard si basano tipicamente su giudizi visivi e distanze tra feature di alto livello. Questa tesi indaga la credibilità dei movimenti di camminata sintetici proponendo un framework quantitativo basato sulla classica analisi del cammino. Utilizzando un modello text-to-motion all'avanguardia, sono state generate sequenze sintetiche e confrontate direttamente con autentiche registrazioni di motion capture umano. La metodologia estrae un set completo di marcatori fisici, tra cui la lunghezza del passo, la cadenza, l'accelerazione del centro di massa e la cinematica della caviglia. Un classificatore a Regressione Logistica addestrato esclusivamente su queste caratteristiche ha raggiunto un'accuratezza superiore al 98% nel distinguere la camminata reale da quella sintetica. Ciò dimostra che, nonostante il realismo visivo e l'allineamento semantico, i movimenti generati mantengono deviazioni statisticamente significative rispetto all'autentica locomozione umana. Inoltre, gli esperimenti rivelano che i modelli generativi rispondono in modo più efficace a prompt descrittivi qualitativi rispetto a rigidi vincoli numerici. In definitiva, questo lavoro fornisce una metodologia riproducibile per eseguire il benchmarking della vera credibilità fisica del movimento umano sintetico.

Evaluating physical plausibility in synthetically generated human motion remains a critical challenge, as standard evaluation pipelines typically rely on visual judgments and high-level feature distances. This thesis investigates the credibility of synthetic walking motions by proposing a quantitative framework grounded in classical gait analysis. Using a state-of-the-art text-to-motion model, synthetic sequences were generated and compared directly against authentic human motion capture recordings. The methodology extracts a comprehensive suite of physical markers, including step length, cadence, center-of-mass acceleration, and ankle kinematics. A Logistic Regression classifier trained solely on these features achieved over 98% accuracy in distinguishing real from synthetic walking. This demonstrates that despite visual realism and semantic alignment, generated motions retain statistically significant deviations from authentic human locomotion. Additionally, experiments reveal that generative models respond more effectively to qualitative descriptive prompts than strict numerical constraints. Ultimately, this work provides a reproducible methodology for benchmarking the true physical credibility of synthetic human motion.