近年，ロボットの性能が向上し，ロボットが人の動作を模倣して動くことで，離れた場所からロボットを用いて介護や医療など様々な作業が可能となることが期待されている．しかし，ロボットが人の動作から直接模倣しても，情報処理や伝達に時間を費やしてしまうため，ロボットに正確な動作を行わせることは難しい．そこで，本研究ではロボットがカメラ画像から人の関節情報を推定しながら，将来の動作を予測することで，人の動作にリアルタイムに追従して模倣するシステムを提案する．関節情報の推定には単一カメラによる3次元の関節位置予測が可能なVIBEを用いた．将来の動作予測は，VQ-VAEによる動作情報の離散化とGPT-2による離散化した動作情報の予測により行う。情報の処理や伝達，動作予測に消費する時間を動作予測で補償することで，人の動作のリアルタイムな模倣運動を実現した．実験では，何種類かの人の動作の動画データのみで学習を行い，模倣動作を行った．結果として，学習後に人がロボットの前で動作をすると，その動作を予測しながらリアルタイムに追従して模倣することができた．
