論文の概要: IMUCoCo: Enabling Flexible On-Body IMU Placement for Human Pose Estimation and Activity Recognition
- arxiv url: http://arxiv.org/abs/2508.01894v1
- Date: Sun, 03 Aug 2025 19:09:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.112912
- Title: IMUCoCo: Enabling Flexible On-Body IMU Placement for Human Pose Estimation and Activity Recognition
- Title（参考訳）: IMUCoCo:人間の姿勢推定と活動認識のための柔軟なオンボディIMU配置の実現
- Authors: Haozhe Zhou, Riku Arakawa, Yuvraj Agarwal, Mayank Goel,
- Abstract要約: IMU over Continuous Coordinates (IMUCoCo) は,体表面に配置された多数のIMUからの信号を統一された特徴空間にマッピングする新しいフレームワークである。
評価の結果,IMUCoCoは多種多様なセンサ配置において正確なポーズ推定をサポートすることがわかった。
- 参考スコア（独自算出の注目度）: 23.514920388531184
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: IMUs are regularly used to sense human motion, recognize activities, and estimate full-body pose. Users are typically required to place sensors in predefined locations that are often dictated by common wearable form factors and the machine learning model's training process. Consequently, despite the increasing number of everyday devices equipped with IMUs, the limited adaptability has seriously constrained the user experience to only using a few well-explored device placements (e.g., wrist and ears). In this paper, we rethink IMU-based motion sensing by acknowledging that signals can be captured from any point on the human body. We introduce IMU over Continuous Coordinates (IMUCoCo), a novel framework that maps signals from a variable number of IMUs placed on the body surface into a unified feature space based on their spatial coordinates. These features can be plugged into downstream models for pose estimation and activity recognition. Our evaluations demonstrate that IMUCoCo supports accurate pose estimation in a wide range of typical and atypical sensor placements. Overall, IMUCoCo supports significantly more flexible use of IMUs for motion sensing than the state-of-the-art, allowing users to place their sensors-laden devices according to their needs and preferences. The framework also supports the ability to change device locations depending on the context and suggests placement depending on the use case.
- Abstract（参考訳）: IMUは人間の動きを感知し、活動を認識し、全身のポーズを推定するために定期的に使用される。
一般的にユーザは、一般的なウェアラブルフォームファクタとマシンラーニングモデルのトレーニングプロセスによって判断される、事前に定義された場所にセンサーを配置する必要がある。
その結果、IMUを搭載した日常的なデバイスの増加にもかかわらず、ユーザエクスペリエンスの制限は、いくつかのよく探索されたデバイス配置(例えば、手首、耳)のみを使用することに大きく制約されている。
本稿では、人体上の任意の地点から信号を取り出すことができることを認め、IMUに基づくモーションセンシングを再考する。
IMU over Continuous Coordinates (IMUCoCo) は,体表面に配置された多数のIMUから空間座標に基づく統一特徴空間へ信号をマッピングする新しいフレームワークである。
これらの機能は、ポーズ推定とアクティビティ認識のために下流モデルにプラグインすることができる。
評価の結果,IMUCoCoは多種多様なセンサ配置において正確なポーズ推定をサポートすることがわかった。
全体として、IMUCoCoは最先端のモーションセンサーよりもはるかに柔軟なIMUの使用をサポートしており、ユーザーは必要に応じてセンサーを内蔵したデバイスを配置できる。
フレームワークはまた、コンテキストに応じてデバイスの位置を変更する機能をサポートし、ユースケースに応じて配置を提案する。
関連論文リスト
- Genie Envisioner: A Unified World Foundation Platform for Robotic Manipulation [65.30763239365928]
我々は,ロボット操作のための統一世界基盤プラットフォームであるGenie Envisioner(GE)を紹介する。
GEは、ポリシー学習、評価、シミュレーションを単一のビデオ生成フレームワークに統合する。
論文 参考訳（メタデータ） (2025-08-07T17:59:44Z) - BaroPoser: Real-time Human Motion Tracking from IMUs and Barometers in Everyday Devices [12.374794959250828]
スマートフォンとスマートウォッチで記録された、IMUとバロメトリックデータを組み合わせて、人間のポーズとグローバルな翻訳をリアルタイムで推定する、最初の方法であるBaroPoserを提案する。
本研究では, センサの高さ変化を推定し, 人間のポーズ推定精度の向上と非平坦な地形でのグローバルな翻訳予測の両立を図った。
論文 参考訳（メタデータ） (2025-08-05T10:46:59Z) - CAFuser: Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。
CAFuserは、RGBカメラ入力を用いて環境条件を分類し、コンディショントークンを生成する。
我々のモデルは、特に悪条件シナリオにおいて、ロバスト性と精度を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-14T17:56:20Z) - Masked Video and Body-worn IMU Autoencoder for Egocentric Action Recognition [24.217068565936117]
本稿では,身近なIMUの動作データをエゴセントリックなビデオと統合する行動認識手法を提案する。
体全体に配置された複数のIMUデバイスの複雑な関係をモデル化するために、複数のIMUデバイスにおける協調力学を利用する。
実験により,提案手法は複数の公開データセット上で最先端の性能を実現することができることが示された。
論文 参考訳（メタデータ） (2024-07-09T07:53:16Z) - 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) - Advancing Location-Invariant and Device-Agnostic Motion Activity
Recognition on Wearable Devices [6.557453686071467]
センサ位置をまたいだ運動モデルの一般化可能性に関する総合的な評価を行う。
我々の分析は、この課題を強調し、位置不変モデルを構築する上で重要な位置を特定する。
本稿では,センサ配置に関係なく,デバイス上での動作モデルを単一モデルから91.41%のフレームレベルF1スコアに展開する。
論文 参考訳（メタデータ） (2024-02-06T05:10:00Z) - DiffusionPoser: Real-time Human Motion Reconstruction From Arbitrary Sparse Sensors Using Autoregressive Diffusion [10.439802168557513]
限られた数のボディウーンセンサーからのモーションキャプチャーは、健康、人間のパフォーマンス、エンターテイメントに重要な応用がある。
最近の研究は、6つのIMUを用いて、特定のセンサー構成から全身の動きを正確に再構築することに焦点を当てている。
センサの任意の組み合わせから人の動きをリアルタイムで再現する単一拡散モデルDiffusionPoserを提案する。
論文 参考訳（メタデータ） (2023-08-31T12:36:50Z) - 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) - 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) - 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) - Attention-Based Sensor Fusion for Human Activity Recognition Using IMU
Signals [4.558966602878624]
本稿では,異なる身体部位に装着した複数のIMUセンサを用いた人体行動認識のための新しいアテンションベースアプローチを提案する。
異なる身体位置におけるセンサの重要性を学習し、注意に基づく融合機構を開発し、注意的特徴表現を生成する。
提案手法は,5つの公開データセットを用いて評価し,多種多様な活動カテゴリにおける最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-12-20T17:00:27Z) - SensiX: A Platform for Collaborative Machine Learning on the Edge [69.1412199244903]
センサデータとセンサモデルの間に留まるパーソナルエッジプラットフォームであるSensiXを紹介する。
動作および音声に基づくマルチデバイスセンシングシステムの開発において,その有効性を示す。
評価の結果,SensiXは3mWのオーバヘッドを犠牲にして,全体の精度が7～13%向上し,環境のダイナミクスが最大30%向上することがわかった。
論文 参考訳（メタデータ） (2020-12-04T23:06:56Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳（メタデータ） (2020-03-23T10:51:32Z)
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。