一个好的统计模型对于许多领域非常有用,如计算机视觉,3D建模,视觉跟踪,计算机图形和动画。从过去几十年开始使用统计建模,但由于数据的高维性,设计具有更高精度的复杂模型对于研究人员来说仍然是一项具有挑战性的任务。在我们的工作中,我们使用高斯过程动力学模型来预测蝙蝠耳朵的非线性运动。在实验期间用于记录视频帧序列的高速摄像机,两个摄像机被设置为捕获帧速率为400HZ的图像的视频序列,并且记录的摄像机分辨率为1280 × 1024像素。相机设计用于校准蝙蝠耳廓表面上绘制的3D地标点,相机位于耳廓的左侧和右侧,以避免遮挡.Matlab工具箱用于校准蝙蝠耳廓的三维地标点耳廓运动的细网状结构。根据在给定运动期间捕获地标点的程度,手动选择要包括在立体声重建中的高速摄像机。帧的每个坐标用于重建在地面上绘制的地标点的三维结构。使用立体三角测量的耳廓。为了在这些条件下设计一个好的模型,我们应用高斯过程动力学建模来学习几乎在运动循环的地方的低维流形。蝙蝠产生两种不同类型的刚性和非刚性运动,也称为开放和闭合运动,在我们提出的技术中,我们使用了非刚性运动数据,这种数据在结构上具有高度的尺寸和非线性。我们在蝙蝠的耳朵上绘制白色标记,将点绘制在蝙蝠耳廓上。每次蝙蝠产生不同的运动顺序。几乎不可能诱导蝙蝠再次执行相同类型的运动,这使得预测具有相同结构的更多穗部运动序列变得更加复杂。由于耳廓运动的非线性和高维度,选择了高斯过程动态模型(GPDM)。GPDM是潜变量模型,它包含具有关联动态的低维表示。GPDM将观测空间映射到潜在空间,将潜在空间映射回观测空间。我们的研究采取了几个步骤,下面列出了收集和分析整个工作中使用的数据的方法1-从实验角度来看,高速摄像机正在录制蝙蝠耳廓运动的视频序列。2-Matlab工具箱用于校准给定运动的界标点,并重建在耳廓外表面上标记的每个点的三维坐标。3主成分分析(PCA),我们收集的数据是高维的。PCA方法用于减少数据的维数。采用4-Hybrid MonteCarlos(HMC)进行采样,以测量潜在空间的不确定性。5-Balanced GPDM,我们初始化固定的超参数。6-Two Stage MAP估计,使用 Balance-GPDM和hyperparamters的手动调整7-特征空间预测,预测数据从潜在空间回到特征空间,以展示模拟运动。