論文の概要: Learning Biomechanically Plausible Human Motion from Sparse Radar Point Clouds

• arxiv url: http://arxiv.org/abs/2608.03637v1
• Date: Tue, 04 Aug 2026 13:20:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.205863
• Title: Learning Biomechanically Plausible Human Motion from Sparse Radar Point Clouds
• Title（参考訳）: スパースレーダ点雲から生体力学的に可塑性な人体運動を学習する
• Authors: Jonas Leo Mueller, Markus Gambietz, Alexander Weiss, Daniel Krauss, Bjoern M. Eskofier,
• Abstract要約: 我々は、フルボディの骨格モデルを、エンドツーエンドのトレーニング可能なレーダベースのポーズ推定フレームワークに統合する。 生体力学スケルトンをスケールするために、レーダーポイント雲の特徴から被写体比を予測する。 動き予測ネットワークは、時間的レーダ列を一般化座標にマッピングし、予測された関節角を3D位置に変換する。
• 参考スコア（独自算出の注目度）: 39.56983715336933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radar-based human pose estimation has focused on improving learning algorithms while representing the body as unconstrained keypoint coordinates. We address the underexplored dimension of anatomical fidelity by integrating a full-body skeletal model into a differentiable, end-to-end trainable radar-based pose estimation framework, in which the pose network is supervised through forward kinematics while subject-specific geometry is fitted beforehand. Subject-specific body segment proportions are predicted from radar point cloud features to scale a biomechanical skeleton. A motion prediction network maps temporal radar sequences to generalized coordinates, and differentiable forward kinematics converts predicted joint angles into 3D positions. A contact classification loss encourages physically plausible foot-ground interaction. Under leave-one-subject-out cross-validation on 11 healthy participants performing rehabilitation exercises, the framework achieves 6.456 +/- 1.759 cm mean per-joint position error (MPJPE), 8.083 +/- 0.884 degrees mean per-joint angle error (MPJAE), 0.935 +/- 0.009 contact classification F1, and 3.4 +/- 1.3 % scaling error. This proof-of-concept study demonstrates the feasibility of recovering interpretable biomechanical descriptors from a single low-cost radar sensor in a controlled laboratory setting, a prerequisite for future clinical motion analysis.
• Abstract（参考訳）: レーダーに基づく人間のポーズ推定は、身体を制約のないキーポイント座標として表現しながら学習アルゴリズムの改善に焦点を当てている。 本研究では, 全身骨格モデルを, 前方運動学を通してポーズネットワークを制御し, 対象特定形状を事前に調整した, エンドツーエンドの訓練可能なレーダベースポーズ推定フレームワークに統合することにより, 解剖学的忠実性の未探索次元に対処する。 生体力学スケルトンをスケールするために、レーダーポイント雲の特徴から被写体比を予測する。 動き予測ネットワークは、時間的レーダ列を一般化座標にマッピングし、予測された関節角を3D位置に変換する。 接触分類損失は、物理的に妥当な足場相互作用を促進する。 リハビリテーション訓練を行う健常者11名を対象に,6.456+/-1.759cm平均関節位置誤差(MPJPE),8.083+/-0.884°平均関節角度誤差(MPJAE),0.935+/-0.009コンタクト分類F1,3.4+/-1.3%のスケーリング誤差を達成した。 本研究は,1つの低コストレーダーセンサから解釈可能なバイオメカニカルディスクリプタを回収できる可能性を示す。

関連論文リスト

• Topology-Driven Transferability Estimation for 3D Medical Vision Foundation Models [24.834339924064505]
  3次元医用画像における高密度予測タスクのためのボクセル・ワイド・フレームワークを提案する。 本フレームワークは,高密度特徴のスパース1-スケルトン幾何グラフと意味ラベルとのアライメントから,転送可能性を直接推定する。 本フレームワークは,平均重み付きケンドール(0.36)を56倍の速度で評価しながら,最先端の転写性評価を実現する。
  論文  参考訳（メタデータ） (2026-07-05T09:45:18Z)
• SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
  Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。 我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-13T07:37:00Z)
• Phase-Separated Complex Hilbert PCA on Markerless 3D Pose Estimation Data: A Global Phase Network and Its Extension to a Continuous Field on the Body Surface [4.849773844811223]
  スポーツ運動におけるキネマティック・チェーンの定量的解析は,パフォーマンス評価と外傷予防に不可欠である。 KS(Kinematic-Sequence)やCRP(Continuous relative phase)といった従来の手法は、隣接する結合対に限られる。 我々は、マーカーレス3Dポーズ推定データにおいて、各動き相に対して複素ヒルベルト主成分分析(CHPCA)を別々に適用する。
  論文  参考訳（メタデータ） (2026-04-27T12:44:35Z)
• Scalable Injury-Risk Screening in Baseball Pitching From Broadcast Video [2.994962964425238]
  放送映像から臨床的に関連のある18のバイオメカニクス指標を回収する単眼ビデオパイプラインを提案する。 提案手法はDreamPose3Dをベースとして,骨盤軌道を回復するドリフト制御のグローバルリフトモジュールを導入する。 これらの指標をケガ予測に用いた自動スクリーニングモデルは、トミー・ジョン手術のAUC 0.811と、7,348ピッチャーの腕の重傷の0.825を達成している。
  論文  参考訳（メタデータ） (2026-03-05T06:38:32Z)
• Towards Unconstrained 2D Pose Estimation of the Human Spine [12.131745767490298]
  SpineTrackは、制約のない環境で2Dスピンのポーズ推定のための最初の包括的なデータセットである。 SpinePoseを導入し、知識蒸留と解剖学的正則化戦略を用いて、身体と脊椎のキーポイントを共同で予測する、最先端のボディポーズ推定装置を拡張した。
  論文  参考訳（メタデータ） (2025-04-10T20:11:02Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Koopman pose predictions for temporally consistent human walking estimations [11.016730029019522]
  そこで我々は,下肢運動の非線形ダイナミクスを組み込んだクープマン理論に基づく新しい因子グラフ因子を提案する。 以上の結果から,本手法は骨格形状の外れ率を約1m削減し,自然歩行軌跡を最大10m以上保存できることが示唆された。
  論文  参考訳（メタデータ） (2022-05-05T16:16:06Z)
• MotioNet: 3D Human Motion Reconstruction from Monocular Video with Skeleton Consistency [72.82534577726334]
  モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。 本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
  論文  参考訳（メタデータ） (2020-06-22T08:50:09Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。