論文の概要: Transformer IMU Calibrator: Dynamic On-body IMU Calibration for Inertial Motion Capture

• arxiv url: http://arxiv.org/abs/2506.10580v1
• Date: Thu, 12 Jun 2025 11:18:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.698391
• Title: Transformer IMU Calibrator: Dynamic On-body IMU Calibration for Inertial Motion Capture
• Title（参考訳）: Transformer IMU Calibrator:Inertial Motion Captureのための動的オンボディIMU Calibration
• Authors: Chengxu Zuo, Jiawei Huang, Xiao Jiang, Yuan Yao, Xiangren Shi, Rui Cao, Xinyu Yi, Feng Xu, Shihui Guo, Yipeng Qin,
• Abstract要約: スパース慣性モーションキャプチャシステムのための新しい動的キャリブレーション法を提案する。 我々はRG'GとRBSを2つの緩和された仮定でリアルタイムに推定する。 我々の知る限りでは、私たちは初めて暗黙のIMU校正を達成した。
• 参考スコア（独自算出の注目度）: 25.103306425456005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a novel dynamic calibration method for sparse inertial motion capture systems, which is the first to break the restrictive absolute static assumption in IMU calibration, i.e., the coordinate drift RG'G and measurement offset RBS remain constant during the entire motion, thereby significantly expanding their application scenarios. Specifically, we achieve real-time estimation of RG'G and RBS under two relaxed assumptions: i) the matrices change negligibly in a short time window; ii) the human movements/IMU readings are diverse in such a time window. Intuitively, the first assumption reduces the number of candidate matrices, and the second assumption provides diverse constraints, which greatly reduces the solution space and allows for accurate estimation of RG'G and RBS from a short history of IMU readings in real time. To achieve this, we created synthetic datasets of paired RG'G, RBS matrices and IMU readings, and learned their mappings using a Transformer-based model. We also designed a calibration trigger based on the diversity of IMU readings to ensure that assumption ii) is met before applying our method. To our knowledge, we are the first to achieve implicit IMU calibration (i.e., seamlessly putting IMUs into use without the need for an explicit calibration process), as well as the first to enable long-term and accurate motion capture using sparse IMUs. The code and dataset are available at https://github.com/ZuoCX1996/TIC.
• Abstract（参考訳）: 本稿では,IMUキャリブレーションにおける制約的な絶対的仮定,すなわち座標ドリフトRG'Gと測定オフセットRBSが運動全体において一定であり,その適用シナリオを著しく拡張する,スパース慣性モーションキャプチャシステムのための新しい動的キャリブレーション法を提案する。 具体的には、RG'GとRBSを2つの緩和された仮定でリアルタイムに推定する。 一 短時間の窓際において、行列が無視的に変化すること。 二 人間の動き/IMU読みは、このような時間窓において多様である。 直観的には、第1の仮定は候補行列の数を減らし、第2の仮定は様々な制約を与え、解空間を大幅に減らし、IMUの短い履歴からRG'GとRBSの正確な推定を可能にする。 そこで我々は,2組のRG'G,RBS行列,IMU読解の合成データセットを作成し,トランスフォーマーモデルを用いてそれらのマッピングを学習した。 また、IMU読解の多様性に基づく校正トリガを設計し、その仮定を確実にした。 二 方法を適用する前にあつて行うこと。 我々の知る限り、私たちは暗黙的なIMUキャリブレーション(すなわち、明示的なキャリブレーションプロセスを必要とせずにIMUをシームレスに使用)を初めて達成し、スパースIMUを使用して長期的かつ正確なモーションキャプチャを可能にする。 コードとデータセットはhttps://github.com/ZuoCX1996/TICで公開されている。

関連論文リスト

• Neural 5G Indoor Localization with IMU Supervision [63.45775390000508]
  無線信号は、ユビキタスであるため、ユーザのローカライゼーションに適しており、暗黒環境で動作し、プライバシを維持することができる。 多くの先行研究は、チャネル状態情報(CSI)と完全に監督された位置の間のマッピングを学ぶ。 本研究は,慣性測定ユニット(IMU)から算出した擬似ラベルを用いて,本要件を緩和するものである。
  論文  参考訳（メタデータ） (2024-02-15T13:51:21Z)
• Multi-Visual-Inertial System: Analysis, Calibration and Estimation [26.658649118048032]
  マルチビジュアル・慣性システム(MVIS)の状態を推定し,センサ融合アルゴリズムを開発した。 我々は、関連する視覚慣性センサーの完全な校正に興味を持っている。
  論文  参考訳（メタデータ） (2023-08-10T02:47:36Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• DM-VIO: Delayed Marginalization Visual-Inertial Odometry [62.746533939737446]
  本稿では,遅延残差化とポーズグラフバンドル調整に基づく視覚慣性システムDM-VIOを提案する。 我々は,EuRoC,TUM-VI,および4Seasonsデータセットを用いて,空飛ぶドローン,大規模ハンドヘルド,自動車シナリオからなるシステムの評価を行った。
  論文  参考訳（メタデータ） (2022-01-11T18:30:37Z)
• Trust Your IMU: Consequences of Ignoring the IMU Drift [2.253916533377465]
  本研究では,未知の焦点長と半径歪みプロファイルを持つ相対ポーズ問題を共同で解くための最初の解法を開発した。 部分校正されたセットアップでは,精度が小さく,あるいは無視できるような,最先端のアルゴリズムに比べて大幅なスピードアップを示す。 市販の異なる低コストのUAV上で提案されたソルバーを評価し、IMUドリフトに関する新しい仮定が実用アプリケーションで実現可能であることを実証する。
  論文  参考訳（メタデータ） (2021-03-15T11:24:54Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)

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。