論文の概要: Ground Reaction Inertial Poser: Physics-based Human Motion Capture from Sparse IMUs and Insole Pressure Sensors

• arxiv url: http://arxiv.org/abs/2603.16233v1
• Date: Tue, 17 Mar 2026 08:20:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.163745
• Title: Ground Reaction Inertial Poser: Physics-based Human Motion Capture from Sparse IMUs and Insole Pressure Sensors
• Title（参考訳）: 地中反応慣性電位:スパルスIMUとインソール圧力センサを用いた物理に基づく人体モーションキャプチャー
• Authors: Ryosuke Hori, Jyun-Ting Song, Zhengyi Luo, Jinkun Cao, Soyong Shin, Hideo Saito, Kris Kitani,
• Abstract要約: Ground Reaction Inertial Poser (GRIP) は、4つのウェアラブルデバイスを用いて物理的に可塑性な人間の動作を再構築する手法である。 従来のIMUのみのアプローチとは異なり、GRIPはIMU信号と足圧データを組み合わせて身体力学と地上相互作用の両方を捉える。
• 参考スコア（独自算出の注目度）: 39.7490141561719
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Ground Reaction Inertial Poser (GRIP), a method that reconstructs physically plausible human motion using four wearable devices. Unlike conventional IMU-only approaches, GRIP combines IMU signals with foot pressure data to capture both body dynamics and ground interactions. Furthermore, rather than relying solely on kinematic estimation, GRIP uses a digital twin of a person, in the form of a synthetic humanoid in a physics simulator, to reconstruct realistic and physically plausible motion. At its core, GRIP consists of two modules: KinematicsNet, which estimates body poses and velocities from sensor data, and DynamicsNet, which controls the humanoid in the simulator using the residual between the KinematicsNet prediction and the simulated humanoid state. To enable robust training and fair evaluation, we introduce a large-scale dataset, Pressure and Inertial Sensing for Human Motion and Interaction (PRISM), that captures diverse human motions with synchronized IMUs and insole pressure sensors. Experimental results show that GRIP outperforms existing IMU-only and IMU-pressure fusion methods across all evaluated datasets, achieving higher global pose accuracy and improved physical consistency.
• Abstract（参考訳）: 本研究では, 4つのウェアラブルデバイスを用いて, 物理的に可塑性な人体動作を再構成するGRIPを提案する。 従来のIMUのみのアプローチとは異なり、GRIPはIMU信号と足圧データを組み合わせて身体力学と地上相互作用の両方を捉える。 さらに、GRIPはキネマティック推定のみに頼るのではなく、物理シミュレーターにおける合成ヒューマノイドの形で人のデジタルツインを用いて、現実的かつ物理的にもっともらしい動きを再構築する。 GRIPは、センサーデータから身体の姿勢と速度を推定するKinematicsNetと、シミュレーション中のヒューマノイドを制御するDynamicsNetの2つのモジュールで構成されている。 頑健なトレーニングと公正な評価を実現するため,人間運動とインタラクションのための圧力・慣性センシング(PRISM)という大規模データセットを導入する。 実験結果から、GRIPは既存のIMUのみおよびIMUのみの融合法よりも優れており、グローバルなポーズ精度が向上し、物理的整合性が向上していることがわかった。

関連論文リスト

• ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
  ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。 ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。 結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-10-06T17:47:02Z)
• Physics-informed Ground Reaction Dynamics from Human Motion Capture [4.4795626402834055]
  本研究では,モーションキャプチャーデータから直接人体反応動態を推定する新しい手法を提案する。 我々は,Eulerの積分法とPDアルゴリズムを用いて,モーションキャプチャーデータから地上反応力を計算するための高精度で堅牢な手法を提案する。 提案手法は GroundLink データセット上でテストされた。
  論文  参考訳（メタデータ） (2025-07-02T04:02:16Z)
• Human Motion Capture from Loose and Sparse Inertial Sensors with Garment-aware Diffusion Models [25.20942802233326]
  Garment Inertial Poser (GaIP) は、粗いIMUセンサーから全身のポーズを推定する方法である。 実験の結果,シミュレーションおよび合成データに基づいて訓練した拡散法は,慣性フルボディポーズ推定器よりも優れていた。
  論文  参考訳（メタデータ） (2025-06-18T09:16:36Z)
• sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
  外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。 本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
  論文  参考訳（メタデータ） (2024-08-29T15:09:04Z)
• Dynamic Inertial Poser (DynaIP): Part-Based Motion Dynamics Learning for Enhanced Human Pose Estimation with Sparse Inertial Sensors [17.3834029178939]
  本稿では,スパース慣性センサを用いた人間のポーズ推定手法を提案する。 さまざまなスケルトンフォーマットからの多様な実慣性モーションキャプチャデータを活用して、動作の多様性とモデル一般化を改善する。 このアプローチは、5つのパブリックデータセットにわたる最先端モデルよりも優れたパフォーマンスを示し、特にDIP-IMUデータセットのポーズエラーを19%削減する。
  論文  参考訳（メタデータ） (2023-12-02T13:17:10Z)
• A Physics-Informed Low-Shot Learning For sEMG-Based Estimation of Muscle Force and Joint Kinematics [4.878073267556235]
  表面筋電図(sEMG)による筋力と関節キネマティクス推定はリアルタイム生体力学的解析に不可欠である。 ディープニューラルネットワーク(DNN)の最近の進歩は、完全に自動化され再現可能な方法で生体力学解析を改善する可能性を示している。 本稿では,筋力と関節キネマティクスのsEMGに基づく新しい物理インフォームドローショット学習法を提案する。
  論文  参考訳（メタデータ） (2023-07-08T23:01:12Z)
• Reconfigurable Data Glove for Reconstructing Physical and Virtual Grasps [100.72245315180433]
  本研究では,人間の手-物体相互作用の異なるモードを捉えるために,再構成可能なデータグローブの設計を提案する。 グローブは3つのモードで動作し、異なる特徴を持つ様々な下流タスクを実行する。 i)手の動きと関連力を記録し,(ii)VRの操作流速を改善するとともに,(iii)様々なツールの現実的なシミュレーション効果を生み出すことにより,システムの3つのモードを評価する。
  論文  参考訳（メタデータ） (2023-01-14T05:35:50Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)
• 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)

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。