物理惯性姿势估计器(PIP):基于稀疏惯性传感器的物理感知实时人体动作跟踪
本文提出了一种利用少量惯性传感器进行人体动作捕捉的方法,通过应用逼真的统计身体模型和使用关节优化框架来实现六个传感器进行任意人类动作的三维姿态估计,并在户外场景下的运动中展示了其高准确性。
Mar, 2017
该研究介绍了一种使用稀疏惯性传感器的新型人体姿势估计方法,该方法通过利用来自不同骨骼格式的多样的真实惯性运动捕捉数据,改进了以往依赖合成数据方法的缺点,包括两个创新组件:基于伪速度回归模型的惯性传感器动态运动捕捉和将身体和传感器数据分为三个区域的基于部件的模型,每个区域都专注于其独特的特征。该方法在五个公共数据集上表现出优越的性能,特别是在 DIP-IMU 数据集上将姿势误差减少了 19%,从而实现了惯性传感器人体姿势估计的重要改进。我们将公开实现我们的模型供公众使用。
Dec, 2023
通过利用惯性传感器,记录人体动作的摄像机捕捉系统以稳定为标准,但基于稀疏可穿戴传感器的基于学习的追踪系统越来越受欢迎。文章提出了一种新颖的三维全身姿势估计方法,通过用于测距的超宽带无线电技术对传感器之间的距离进行约束,从而限制了惯性追踪中的漂移和抖动。我们的方法通过轻量级嵌入式追踪器,将这些传感器之间的距离与每个传感器估计的三维状态进行融合,并使用基于图的机器学习模型处理这些三维状态和距离,从而估计人体的三维全身姿势和平移。实验证明,我们的方法在位置误差和抖动方面具有领先的性能。
Apr, 2024
本文提出了一种基于深度神经网络的新方法 TransPose,旨在通过仅 6 个惯性测量单元(IMUs)的运动数据,实现全身动作的捕捉,包括全局平移和身体姿势,并展示了其在准确性和效率方面优于目前的学习和优化方法。
May, 2021
我们提出了一个新的框架(Real-time Optimization and Fusion,RTOF),通过将稀疏惯性方向信息与参数化的人体骨骼结构相结合,优化并融合视觉和惯性观测数据,从而实现对时态三维人体姿势的准确估计和干扰问题的解决,提供平滑及生物力学合理的人体动作估计结果,并通过全面实验与消融研究验证了其合理性和效率。
Apr, 2024
这篇论文介绍了一种名为 “Diffusion Inertial Poser”(DiffIP)的单一扩散生成模型,能够从任意 IMU 配置实时重构人体运动。该系统具有灵活性,适用于不同的应用,且与常用的六个 IMU 配置一样准确。
Aug, 2023
将物理学应用于人体动作捕捉以避免浮动、脚滑与地面穿透等问题,并利用物理学作为去噪引导来从建模的姿态概率分布中重构合理的人体动作,实验证明我们的方法在关节准确性和成功率上优于之前的基于物理的方法。
Aug, 2023
介绍了一种新的可训练系统,用于物理上合理的无标记 3D 人体运动捕捉,称之为 physionical,该系统在多种具有挑战性的场景下实现了最新技术的结果,其输入为 2D 关节关键点,能够在交互帧速率中生成平滑而物理明确的 3D 动作。
May, 2021
SparsePoser 是一种深度学习为基础的解决方案,用于从一组减少的六个跟踪设备中重建全身姿势。该方法在公开可用的动作捕捉数据集上进行了广泛评估,并通过实时演示显示了优于使用 IMU 传感器或 6 自由度跟踪设备的最先进技术,可适用于具有不同身体尺寸和比例的用户。
Nov, 2023
本研究利用物理引擎对姿态估计过程进行改进,从而使得我们可以利用现实世界的场景推导出物体的运动。我们的公式具有广泛的应用场景,并可处理自身接触和与场景几何之间的接触。我们的方法在 Human3.6M 和 AIST 基准测试中均获得了与现有基于物理的方法相竞争的结果,同时不需要重新训练。
May, 2022