InitialPoser论文首次展示了仅使用6个惯性传感器进行人体动作捕捉的可能性。通过结合SMPL人体模型和联合优化框架，解决了逐帧加速度集成导致的不稳定性问题。然而，由于采用迭代优化方法，无法实现实时建模。此外，该方法与基于回归的神经网络推理相比，存在计算复杂性较高的局限性。研究还展示了能够恢复书写轨迹的能力。
整体概述
Initial Poser系列的第一篇论文，也就是第一个使用少量（6个）惯性传感器进行人体动作捕捉（姿态估计与建模）的论文。
传感器位置
手腕、小腿、腰部、头部
突破
- 利用了SMPL人体模型（利用一个现实的身体模型，结合了拟人化的约束（与一个骨骼装备）
- 一次优化一个序列的所有帧的所有姿态（一种联合优化框架，将身体模型的姿态适合到多个帧上的方向和加速度测量）
- 以前的大多数方法逐帧集成加速度，当使用很少的传感器时，会导致不稳定的估计。逐帧优化类似于双显式积分方案，该方案是不稳定的，仅在较小的时间间隔内精确。
- 因此，我们的目标函数加强了身体模型方向和加速度估计之间的一致性。实际地，实际的身体模型简化了估计问题，提供了足够的约束来解决稀疏测量的问题，即使是复杂的运动。
局限性
- 使用的是基于迭代优化的方法，不能实时建模
- 基于优化的方法，类似神经网络训练的过程（与之相对的是基于回归的方法，即使用训练好的神经网络进行推理的过程）
甚至可以利用SIP恢复书写轨迹
1154
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
