論文の概要: WheelPoser: Sparse-IMU Based Body Pose Estimation for Wheelchair Users
- arxiv url: http://arxiv.org/abs/2409.08494v1
- Date: Fri, 13 Sep 2024 02:41:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 17:58:09.228582
- Title: WheelPoser: Sparse-IMU Based Body Pose Estimation for Wheelchair Users
- Title（参考訳）: WheelPoser:車いす利用者のためのスパースIMUによるボディポース推定
- Authors: Yunzhi Li, Vimal Mollyn, Kuang Yuan, Patrick Carrington,
- Abstract要約: 本稿では,車いす利用者を対象としたリアルタイムポーズ推定システムであるWheelPoserを紹介する。
我々のシステムは、ユーザの体と車椅子に4つの戦略的に配置されたIMUしか使用せず、カメラや高密度IMUアレイを使用した従来のシステムよりもはるかに実用的です。
WheelPoserは車椅子利用者のポーズを平均関節角度誤差14.30度、平均関節位置誤差6.74cmで追跡することができる。
- 参考スコア（独自算出の注目度）: 7.5279679789210645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite researchers having extensively studied various ways to track body pose on-the-go, most prior work does not take into account wheelchair users, leading to poor tracking performance. Wheelchair users could greatly benefit from this pose information to prevent injuries, monitor their health, identify environmental accessibility barriers, and interact with gaming and VR experiences. In this work, we present WheelPoser, a real-time pose estimation system specifically designed for wheelchair users. Our system uses only four strategically placed IMUs on the user's body and wheelchair, making it far more practical than prior systems using cameras and dense IMU arrays. WheelPoser is able to track a wheelchair user's pose with a mean joint angle error of 14.30 degrees and a mean joint position error of 6.74 cm, more than three times better than similar systems using sparse IMUs. To train our system, we collect a novel WheelPoser-IMU dataset, consisting of 167 minutes of paired IMU sensor and motion capture data of people in wheelchairs, including wheelchair-specific motions such as propulsion and pressure relief. Finally, we explore the potential application space enabled by our system and discuss future opportunities. Open-source code, models, and dataset can be found here: https://github.com/axle-lab/WheelPoser.
- Abstract（参考訳）: ボディポーズの追跡方法を研究してきた研究者は多岐にわたるが、これまでは車椅子の利用者を考慮に入れていなかったため、追跡性能は低かった。
Wheelchairのユーザーは、このポーズ情報を利用して怪我を防ぎ、健康状態を監視し、環境のアクセシビリティーの障壁を特定し、ゲームやVR体験と対話できる。
本稿では,車椅子利用者を対象としたリアルタイムポーズ推定システムであるWheelPoserを紹介する。
我々のシステムは、ユーザの体と車椅子に4つの戦略的に配置されたIMUしか使用せず、カメラや高密度IMUアレイを使用した従来のシステムよりもはるかに実用的です。
WheelPoserは車椅子利用者のポーズを平均関節角度誤差14.30度、平均関節位置誤差6.74cmで追跡することができる。
このシステムをトレーニングするために,車椅子に装着した167分間のIMUセンサと,推進や圧力緩和などの車椅子固有の動きを含む運動キャプチャーデータからなる,新しいWheelPoser-IMUデータセットを収集した。
最後に,本システムによって実現される潜在的なアプリケーション領域について検討し,今後の可能性について議論する。
オープンソースコード、モデル、データセットについては、https://github.com/axle-lab/WheelPoserを参照してください。
関連論文リスト
- Helpful DoggyBot: Open-World Object Fetching using Legged Robots and Vision-Language Models [63.89598561397856]
室内環境における四足歩行操作のためのシステムを提案する。
オブジェクト操作にはフロントマウントのグリップを使用しており、アジャイルスキルにエゴセントリックな深さを使ってシミュレーションでトレーニングされた低レベルのコントローラである。
実世界のデータ収集やトレーニングを行なわずに、2つの目に見えない環境でシステムを評価する。
論文 参考訳（メタデータ） (2024-09-30T20:58:38Z) - Exploring 3D Human Pose Estimation and Forecasting from the Robot's Perspective: The HARPER Dataset [52.22758311559]
本研究では,ユーザとスポット間のダイアドインタラクションにおける3次元ポーズ推定と予測のための新しいデータセットであるHARPERを紹介する。
キーノーベルティは、ロボットの視点、すなわちロボットのセンサーが捉えたデータに焦点を当てることである。
HARPERの基盤となるシナリオには15のアクションが含まれており、そのうち10つはロボットとユーザの間の物理的接触を含んでいる。
論文 参考訳（メタデータ） (2024-03-21T14:53:50Z) - SparsePoser: Real-time Full-body Motion Reconstruction from Sparse Data [1.494051815405093]
SparsePoserは、スパースデータから全身のポーズを再構築するための、新しいディープラーニングベースのソリューションである。
このシステムには、高品質な連続した人間のポーズを合成する畳み込み型オートエンコーダが組み込まれている。
本手法は,IMUセンサや6-DoFトラッキングデバイスを用いた最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T18:48:01Z) - QuestEnvSim: Environment-Aware Simulated Motion Tracking from Sparse
Sensors [69.75711933065378]
ヘッドセットとコントローラーのポーズは,高度に制約された環境においても,現実的なフルボディのポーズを生成可能であることを示す。
本稿では,環境表現,接触報酬,シーンランダム化の3つの特徴について論じる。
論文 参考訳（メタデータ） (2023-06-09T04:40:38Z) - IMUPoser: Full-Body Pose Estimation using IMUs in Phones, Watches, and
Earbuds [41.8359507387665]
我々は、多くのユーザーが所有しているデバイスで既にIMUを用いて身体のポーズを推定できる可能性を探る。
私たちのパイプラインは、利用可能なIMUデータのサブセットを受け取ります。
論文 参考訳（メタデータ） (2023-04-25T02:13:24Z) - HUM3DIL: Semi-supervised Multi-modal 3D Human Pose Estimation for
Autonomous Driving [95.42203932627102]
3Dの人間のポーズ推定は、自動運転車が歩行者の微妙で複雑な振る舞いを知覚し理解できるようにする新しい技術である。
提案手法は,これらの補完信号を半教師付き方式で効率的に利用し,既存の手法よりも大きなマージンで性能を向上する。
具体的には、LiDAR点を画素整列マルチモーダル特徴に埋め込み、トランスフォーマーの精細化段階を経る。
論文 参考訳（メタデータ） (2022-12-15T11:15:14Z) - QuestSim: Human Motion Tracking from Sparse Sensors with Simulated
Avatars [80.05743236282564]
人間の身体の動きのリアルタイム追跡は、AR/VRにおける没入感のある体験に不可欠である。
本稿では,HMDと2つのコントローラから疎信号を取り出す強化学習フレームワークを提案する。
一つのポリシーは、多様な移動スタイル、異なる体の大きさ、新しい環境に対して堅牢であることを示す。
論文 参考訳（メタデータ） (2022-09-20T00:25:54Z) - A cost effective eye movement tracker based wheel chair control
algorithm for people with paraplegia [0.0]
本稿では,車椅子を模倣するロボットを制御しようとすることで,眼から得た信号を有意義な信号に変換する手法を提案する。
システム全体のコスト効率は高く、単純な画像処理とパターン認識を使ってボットを制御する。
アンドロイドの応用が開発され、実際のシナリオにおいて車椅子をより洗練された制御のために患者の援助によって使用できる。
論文 参考訳（メタデータ） (2022-07-21T14:44:57Z) - Human POSEitioning System (HPS): 3D Human Pose Estimation and
Self-localization in Large Scenes from Body-Mounted Sensors [71.29186299435423]
HPS(Human POSEitioning System)は、周囲の環境の3Dスキャンで登録された人間の完全な3Dポーズを回復する手法です。
最適化に基づく統合は2つの利点を生かし、結果としてドリフトのないポーズの精度が得られることを示す。
hpsは、人間が外部カメラに直接視線を向けなくてもシーンと対話できるvr/arアプリケーションとして使用できる。
論文 参考訳（メタデータ） (2021-03-31T17:58:31Z) - Wheelchair Behavior Recognition for Visualizing Sidewalk Accessibility
by Deep Neural Networks [19.671946716832203]
本論文では,車いす座席下に設置したスマートフォンの3軸加速度計を用いて,車いすの動作から歩道のアクセシビリティを推定する手法を提案する。
本手法は,環境要因から歩道のアクセシビリティを認識する。
勾配、縁石、隙間。
本論文では,車椅子加速度から知識を抽出し,歩道のアクセシビリティ情報を可視化するプロトタイプシステムを開発した。
論文 参考訳（メタデータ） (2021-01-11T06:41:42Z) - An Intelligent and Low-cost Eye-tracking System for Motorized Wheelchair
Control [3.3003775275716376]
本論文は、運動障害者が効果的かつ努力的に動く能力を回復させることで、運動障害者を支援するシステムを提案する。
システム入力は、視線方向を推定するために処理されたユーザの目の画像であり、車椅子はそれに応じて移動された。
論文 参考訳（メタデータ） (2020-05-02T23:08:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。