Real-time Physics-based Motion Capture with Sparse Sensors

Real-time Physics-based Motion Capture with Sparse Sensors

Abst.
 少数の光学マーカとIMUから全身を復元する。小数のセンサでは全身を復元できない。関節のトルクと、接地パワーなどから動きの尤もらしいものを推定する。事前のモデルは内側の関節の推定改善にも役立つ。

1. Introduction
 光学式は大変だし、IMUはドリフトで大変。
 マーカー式とマーカレス式を組み合わせて頑張ります。
 体の尤もらしい動きを推定する。不明な部分はblack-boxな動きの事前分布を利用して補間する。

1.1.Related Work
Body Tracking by Inertial Sensors
 Kruger et al. [19]はkd-treeを使ってる。Liu et al. [22]はベイズを使ってる。今回は、IKとPCAの再構成[11]を発展させている。

1.2 System OUtline
 imuとマーカトラッキングキャリブレーションして、IKと同時に、ブラックボックスの動きの事前分布で動きを推定する。

2. Phisucs-Based Body Tracking
 IKの説明を色々します。

3. Motion Priors
 いくつかの異なる動きの事前分が実験では使われた。
Reference Pose
 これは最もシンプルだ。T-Poseオンリーでいく。
Pertubed ground truth
 高密度の光学マーカーとカメラのセットから再構築された骨格ポーズの前の「ゴールドスタンダード」モーションを検討します。 私たちのシステムは、そのようなシステムだけで構築された事前モーションを使用して評価されます。 ただし、各関節角度に適用されるガウスノイズ関数を使用してデータを摂動します。 これは、センサーデータからスケルトンの姿勢へのマッピングを学習しましたが、高周波ノイズまたはランダムエラーが発生しやすい事前モーションのクラスを表します。 特に明記しない限り、ラジアン単位の単位で、平均µ = 0および標準偏差σ= 0.12のガウスパラメーターがすべての実験で使用されます。
Clusterd mocap database
 オフラインステップとして、ChenおよびCai [12]によって提案されたスペクトルアルゴリズムを使用して、大規模なモーションキャプチャデータベースからのサンプルをクラスター化し、それを間引きします。 代表的なポーズのみを保存することにより、データベースのサイズが大幅に削減されます。 これにより、保存と検索がより効率的になります。 合成IMUと光学マーカーのセンサーデータが計算され、各ポーズと一緒にクラスター化データベースに保存されます。 実行時に、k最近傍アルゴリズムを使用して、逆四次重み付けスキームを使用して補間された、類似したポーズとセンサーデータの例を見つけます。 つまり、近くの各サンプルˆyの重みwが計算されます。
 w=1/dist(y, y^)^4
y=(θ, x, q)でxはマーカの位置、θはimuの姿勢、qはスケルトンの各姿勢。これで、データとyとデータセットy^の距離を測る。重み付け和か、下記式で表される。

 

その他
 事前分布をどうやってつかってるのかを参考にする。
 Kruger et al. [19]はkd-treeを使ってる。
  Liu et al. [22]はベイズを使ってる。

単語
Perturbed:摂動