读论文，第二天（2）：Deep inertial poser: learning to reconstruct human pose from sparse inertial

Deep inertial poser: learning to reconstruct human pose from sparse inertial measurements in real time

整体概述

从2018-2021年一直是SOTA，也是第一个基于稀疏传感器的利用深度学习的实时建模方法。

研究者首先将传感器数据合成到SMPL模型上生成IMU合成数据，随后将IMU合成数据输入RNN网络（输出为SMPL模型参数）进行模型训练，最后通过RNN进行姿态估计与三维建模。
我们表明，DIP达到了15.85◦角误差的精度，低于竞争的离线方法SIP。这很重要，因为我们的方法是实时运行的，而SIP需要完整的运动序列作为输入。为了进一步演示DIP的实时能力，我们将我们的方法集成到一个简单的VR概念验证演示器中；我们以原始的IMU数据作为输入，我们的管道预测全身的姿态，不需要任何时间过滤或事后处理。然后通过Unity可视化。综上所述，DIP在姿态估计文献中占据了一个独特的位置，因为它满足了上述三个约束条件：它是实时的，最小的侵入性，并在日常场所工作。图1。