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

本文比较了基于惯性测量单元 (IMU) 和基于视频的方法在军事按压和划船运动的人体运动分类中的表现，发现单个摄像头能比单个 IMU 提高 10 个百分点的分类准确率，而至少需要 3 个 IMU 才能超越单个摄像头。同时，使用基于多变量时间序列分类器进行原始数据处理的方法优于基于手工特征或自动提取特征的传统方法。最后，将单个摄像头和单个 IMU 的数据组合起来能超越任一数据模态，为使用智能手机摄像头和单一传感器进行有效的人体运动分类开辟了新的、更现实的途径。

Jul, 2023

通过建立定制的廉价解决方案，实现对多个身体部位方向的同时跟踪，并提供硬件、工具和数学操作的详细自下而上描述以实时估计和表示 3D 运动；引入包含频道跳转策略的定制 2.4 GHz 通信协议，以解决入门级商业解决方案的通信限制问题；该系统可用于无线实时人体部位方向的跟踪，最多可使用 10 个自定义传感器，并以至少 50 Hz 的速度进行；此外，它在蓝牙和 Wi-Fi 频道拥挤的环境中提供了更可靠的运动数据采集，而入门级商业解决方案可能是不可行的；该系统可以为开发不需要精确运动分析的经济实惠的人体运动分析解决方案提供基础。

Feb, 2024

通过计算机视觉和惯性测量单元 (IMU) 等广泛应用的技术以及最近在临床和研究环境中日益流行，来评估人体的身体活动。然而，为了增加患者在实验室外的跟踪可行性，有必要减少运动采集设备。在这方面，IMU 设备和单一摄像头系统是有希望的解决方案。此外，还需要开发能够在野外环境中识别和处理临床相关数据的机器学习系统，因此确定这些系统的理想输入至关重要。

Feb, 2024

采用几个附着在人体肢体上的 IMUs 和多视图图像估计人类的 3D 姿态并提出了一种基于几何学的方法，用于增强每对关节的视觉特征并使用它们将多视图 2D 姿势提升到 3D 空间中，这种方法称为方向正则化网络（ORN）。

Mar, 2020

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

本文提出一种使用深度神经网络实时重建人体姿势的方法，通过 6 个惯性测量单元记录数据并使用双向 RNN 体系结构学习时间姿势先验知识，用于维持实时预测能力。

Oct, 2018

人体姿态估计 (HPE) 是评估体育、康复或工作安全中的人体运动所需的具有良好隐私保护的准确感知，因此在此类系统中需要进行局部处理，可以通过惯性测量单元 (IMU) 来解决能源有限的问题。我们通过模拟设计空间勘探 (DSE) 探讨了准确性和硬件资源有效利用之间的核心平衡问题，通过不同传感器配置生成 IMU 数据并用该数据训练深度学习模型，并提出了一个综合指标来评估准确性和资源之间的平衡问题。我们通过 DSE 工具来评估传感器配置，并为特定用例确定有益的配置。作为例子，对于准确性和资源同等重要的系统，我们确定了一个有利的传感器配置，使用 4 个传感器可以将网格误差减小 6.03 cm，准确性提高 32.7%，并减少两个传感器的硬件开销，相比现有技术水平。我们的工作可用于设计具有适当传感器位置、数据隐私保护和资源感知能力的健康应用。

Jul, 2023

本论文提出了一种基于数据驱动的二阶段流程，首先估计设备的朝向，然后估计设备的位置。该流程使用普通智能手机，并依赖于循环神经网络和扩展卡尔曼滤波器来获得朝向实现定位。研究表明，我们提出的方法在定位和朝向误差方面优于现有方法。

Feb, 2021

本文提出了一种名为 EgoPoser 的方法，通过重新思考基于头戴式设备的自我姿态估计的输入表示以及引入一种新的运动分解方法，在不依赖全局位置的情况下预测全身姿态，仅通过头戴式设备的视野内的间歇性手部位置和方向跟踪鲁棒地建模身体姿势，并且针对不同用户的各种身体尺寸进行了泛化。实验证明，EgoPoser 在质量和数量上都胜过了现有的方法，并且推断速度高达每秒超过 600 帧。EgoPoser 为未来的工作奠定了坚实的基础，不再需要依赖外部捕捉并能在大场景环境中扩展全身姿势估计。

Aug, 2023