#今日论文推荐# CVPR 2022 最佳论文候选 | PIP: 6个惯性传感器实现全身动捕和受力估计

#今日论文推荐# CVPR 2022 最佳论文候选 | PIP: 6个惯性传感器实现全身动捕和受力估计

本文提出了一个基于物理的稀疏惯性动捕和人体受力估计方案：Physical Inertial Poser (PIP)。仅使用6个惯性传感器（Inertial Measurement Unit，IMU），该方案可以实时捕捉符合真实世界物理规律的人体运动，关节受力、以及地面作用力等信息。
该系统可以在CPU上以60fps的速度运行，算法延迟只有16毫秒，相比前人工作在公开数据及上达到了最高的姿态估计精度、动作平滑性、以及最低的系统延迟，并且首次实现了基于稀疏惯性传感器的人体受力估计。通过引入物理优化，该方案大幅提高了估计的人体动作的真实感和准确度。该研究入选CVPR 2022 Best Paper Finalist。

在电影制作、VR/AR、运动、医疗、游戏等众多领域，人体动作捕捉都有着重要的应用。目前商业的光学动捕系统往往需要在人体上穿戴大量的反光标记点，而商业的惯性动捕系统通常需要在人体上穿戴大量的惯性传感器。这些设备价格昂贵，穿戴麻烦，会阻挡人体的运动，不能满足普通消费者日常动作捕捉的需求。

近期很多研究工作提出使用少量彩色或深度相机进行人体动作捕捉，但它们受到相机摆放、环境照明、遮挡等影响，且限制人体只能在相机的视野内运动。使用稀疏惯性传感器进行人体动作捕捉是一个新兴的研究领域，这种方案有着不受遮挡影响，不限制人体运动范围的优势。目前最好的工作可以仅穿戴6个IMU在人体小臂、小腿、头部以及后背处进行人体姿态和运动估计。然而，由于输入惯性数据的稀疏性，基于稀疏IMU的最好的方案仍存在着坐/站难以区分的问题，输出结果存在抖动、身体穿过地面等反物理现象，且系统有着巨大的延迟。这些问题显著影响着该类动捕系统的实用性。
为了解决上述问题，本文引入基于动力学的物理优化，并创新地提出基于学习的RNN隐藏状态初始化策略以及双重比例微分（PD）姿态控制器，使得仅使用6个IMU即可估计符合真实世界物理规律的人体运动，并同时估计人体关节受力、地面作用力等。该方法大大提高了系统稳定性，使得系统可以进行长时间、稳定地运行，捕捉的动作和受力具有非常高的精确度和真实感。

论文题目：Physical Inertial Poser (PIP): Physics-aware Real-time Human Motion Tracking from Sparse Inertial Sensors
详细解读：https://www.aminer.cn/research_report/62c63d9c7cb68b460fe4cae7https://www.aminer.cn/research_report/62c63d9c7cb68b460fe4cae7
AMiner链接：https://www.aminer.cn/?f=cs