論文の概要: SmartPoser: Arm Pose Estimation with a Smartphone and Smartwatch Using UWB and IMU Data

• arxiv url: http://arxiv.org/abs/2509.03451v1
• Date: Wed, 03 Sep 2025 16:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.593858
• Title: SmartPoser: Arm Pose Estimation with a Smartphone and Smartwatch Using UWB and IMU Data
• Title（参考訳）: SmartPoser:UWBデータとIMUデータを用いたスマートフォンとスマートウォッチによるアームポーズ推定
• Authors: Nathan DeVrio, Vimal Mollyn, Chris Harrison,
• Abstract要約: 市販のスマートフォンとスマートウォッチが協力して、腕のポーズを正確に見積もる方法について説明する。 我々は、これらのデバイス上のより最近のウルトラワイドバンド(UWB)機能を利用して、2つのデバイス間の絶対距離をキャプチャする。 市販機器を用いてソフトウェアのみの手法の性能を定量的に評価し,手首関節と肘関節との位置誤差を11.0cmで推定できることを示した。
• 参考スコア（独自算出の注目度）: 14.237453119638516
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The ability to track a user's arm pose could be valuable in a wide range of applications, including fitness, rehabilitation, augmented reality input, life logging, and context-aware assistants. Unfortunately, this capability is not readily available to consumers. Systems either require cameras, which carry privacy issues, or utilize multiple worn IMUs or markers. In this work, we describe how an off-the-shelf smartphone and smartwatch can work together to accurately estimate arm pose. Moving beyond prior work, we take advantage of more recent ultra-wideband (UWB) functionality on these devices to capture absolute distance between the two devices. This measurement is the perfect complement to inertial data, which is relative and suffers from drift. We quantify the performance of our software-only approach using off-the-shelf devices, showing it can estimate the wrist and elbow joints with a \hl{median positional error of 11.0~cm}, without the user having to provide training data.
• Abstract（参考訳）: ユーザの腕のポーズを追跡する能力は、フィットネス、リハビリテーション、拡張現実入力、ライフログ、コンテキスト認識アシスタントなど、幅広いアプリケーションで有用である。 残念ながら、この機能は消費者に簡単には利用できない。 システムは、プライバシー問題を持つカメラを必要とするか、複数のIMUまたはマーカーを使用する。 この研究では、市販のスマートフォンとスマートウォッチが協力して腕のポーズを正確に推定する方法を説明します。 これまでの作業を超えて、これらのデバイス上のより最近のウルトラワイドバンド(UWB)機能を活用して、2つのデバイス間の絶対距離をキャプチャします。 この測定は、相対的でありドリフトに苦しむ慣性データの完全な補完である。 市販のデバイスを用いてソフトウェアのみのアプローチの性能を定量化し,ユーザがトレーニングデータを提供しなくても手首と肘関節を11.0〜cmで推定できることを示した。

関連論文リスト

• MobilePoser: Real-Time Full-Body Pose Estimation and 3D Human Translation from IMUs in Mobile Consumer Devices [9.50274333425178]
  フルボディポーズとグローバル翻訳推定のためのリアルタイムシステムであるMobilePoserを紹介する。 MobilePoserは物理ベースのモーション推定を採用し、続いて深層ニューラルネットワークを用いてポーズ推定を行い、軽量のまま最先端の精度を達成している。 健康や健康、ゲーム、屋内ナビゲーションなど、さまざまな分野におけるMobilePoserのユニークな可能性を説明する一連のアプリケーションで締めくくります。
  論文  参考訳（メタデータ） (2025-04-16T21:19:47Z)
• Bring Your Rear Cameras for Egocentric 3D Human Pose Estimation [69.68568832269285]
  ヘッドマウントデバイス(HMD)の前に設置したカメラを用いて,エゴセントリックな3次元ポーズ推定を積極的に研究している。 自己閉塞性や視野範囲の制限により、フルボディトラッキングが同じであるかどうかは不明だ。 マルチビュー情報と熱マップの不確実性を用いて2次元関節熱マップ推定を改良するトランスフォーマーに基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-14T17:59:54Z)
• MuJo: Multimodal Joint Feature Space Learning for Human Activity Recognition [2.7532797256542403]
  HAR(Human Activity Recognition)は、人工知能における長年の問題であり、幅広い分野で応用されている。 本研究では,HAR 性能を向上させるため,総合的な Fitness Multimodal Activity データセット (FiMAD) を導入する。 本研究では,MM-Fit,myoGym, MotionSense, MHEALTHなどの実HARデータセットの性能向上を図る。
  論文  参考訳（メタデータ） (2024-06-06T08:42:36Z)
• Learning Visuotactile Skills with Two Multifingered Hands [80.99370364907278]
  マルチフィンガーハンドとバイソタクティブルデータを用いたバイマニアルシステムを用いて,人間の実演からの学習を探索する。 以上の結果から,バイスオタクティブルデータからの両指多指操作における有望な進歩が示唆された。
  論文  参考訳（メタデータ） (2024-04-25T17:59:41Z)
• An Examination of Wearable Sensors and Video Data Capture for Human Exercise Classification [9.674125829493214]
  IMUの性能を実世界の2つのデータセット上での人間の運動分類のためのビデオベースアプローチと比較する。 一つのカメラをベースとしたアプローチは、平均10ポイントのIMUを上回り得る。 このアプリケーションでは、簡単に使えるスマートフォンカメラと1台のセンサーを組み合わせることで、人間の運動を効果的に分類することができる。
  論文  参考訳（メタデータ） (2023-07-10T12:24:04Z)
• 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)
• 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)

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。