論文の概要: ArmPoser: Real-Time, Calibration-Free Arm Pose Estimation from Smartwatch IMU
- arxiv url: http://arxiv.org/abs/2609.08806v1
- Date: Tue, 08 Sep 2026 14:33:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 15:39:40.974777
- Title: ArmPoser: Real-Time, Calibration-Free Arm Pose Estimation from Smartwatch IMU
- Title（参考訳）: ArmPoser:スマートウォッチIMUによるリアルタイム、校正不要のアームポース推定
- Abstract要約: ArmPoserは、単一のスマートウォッチIMUを使用したキャリブレーションレスアームポーズ推定システムである。
デバイスネイティブの軸を操作することで、ArmPoserは座標変換、明示的なアライメント、骨オフセットのキャリブレーションの必要性を取り除く。
パブリックベンチマークとwatchOSとAndroidスマートウォッチを用いた10名の参加者30名を対象に,ポーズ推定の評価を行った。
- 参考スコア（独自算出の注目度）: 10.45626225974314
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Arm pose estimation enables applications in fitness, extended reality input, rehabilitation, and life logging. Prior smartwatch-based approaches rely on calibration poses and preprocessing pipelines that transform raw IMU measurements into standardized training formats. These steps hinder deployment in everyday settings and introduce errors due to imperfect calibration and sensor drift. We present ArmPoser, a calibration-free arm pose estimation system using a single smartwatch IMU. Our central contribution is training models directly in the reference frame native to consumer smartwatches, aligning learning with how IMU data is produced by deployed devices. By operating on device-native axes, ArmPoser removes the need for coordinate transformations, explicit alignment, and bone-offset calibration used in prior work. We further augment training with physically grounded variations in watch placement and arm morphology to account for user-specific variability. ArmPoser also includes a wear-configuration module that infers anterior or posterior forearm placement and crown orientation. We evaluate pose estimation on public benchmarks and on a 10-participant, 30-activity study using watchOS and Android smartwatches, where ArmPoser matches or exceeds calibrated baselines without any user calibration.
- Abstract（参考訳）: アームポーズ推定は、フィットネス、拡張現実入力、リハビリテーション、ライフログの応用を可能にする。
これまでのスマートウォッチベースのアプローチは、生のIMU測定を標準化されたトレーニングフォーマットに変換するキャリブレーションポーズと前処理パイプラインに依存していた。
これらのステップは、日常的な設定でのデプロイメントを妨げ、不完全なキャリブレーションとセンサーのドリフトによるエラーを発生させる。
単一スマートウォッチIMUを用いたキャリブレーションフリーアームポーズ推定システムであるArmPoserを提案する。
私たちの中心的な貢献は、消費者向けスマートウォッチにネイティブなリファレンスフレームでモデルを直接トレーニングすることであり、IMUデータがどのようにデプロイされたデバイスによって生成されるかと学習を一致させています。
デバイスネイティブのxを操作することで、ArmPoserは、前処理で使用される座標変換、明示的なアライメント、骨オフセットのキャリブレーションの必要性を取り除くことができる。
さらに,時計の配置や腕の形態が物理的に変化し,ユーザ固有の変動を考慮に入れたトレーニングを増強する。
ArmPoserには、前腕または後腕の配置とクラウンオリエンテーションを推測する着用設定モジュールも含まれている。
そこでは,ArmPoserがユーザキャリブレーションを伴わずに校正基準値に適合または超過する,公開ベンチマークと,watchOSとAndroidスマートウォッチを用いた10名を対象に,30名の参加者を対象に,ポーズ推定を行った。
関連論文リスト
- Joint Angle Estimation with Customized Wristband Based on Online Incremental Learning [13.41427943923829]
本研究では,オンライン・インクリメンタル・ラーニング・アプローチを用いて手首関節の角度を推定するシステムを提案する。
その結果, ひずみ変動下では, センサの性能が良好であることが示唆された。
論文 参考訳（メタデータ） (2026-05-28T11:15:48Z) - SmartPoser: Arm Pose Estimation with a Smartphone and Smartwatch Using UWB and IMU Data [14.237453119638516]
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。
論文 参考訳（メタデータ） (2025-09-03T16:16:55Z) - Pose-Robust Calibration Strategy for Point-of-Gaze Estimation on Mobile Phones [52.87468614536999]
キャリブレーション点と頭部の多様性が推定精度に与える影響を分析する。
実験により、キャリブレーション中により広い範囲の頭部ポーズを導入することで、推定器がポーズ変動を処理する能力を向上させることが示されている。
携帯電話を移動しながらキャリブレーションポイントを固定する動的キャリブレーション戦略を提案する。
論文 参考訳（メタデータ） (2025-08-14T01:28:30Z) - 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) - PosePilot: An Edge-AI Solution for Posture Correction in Physical Exercises [0.0]
この研究は、リアルタイムにパーソナライズされた修正フィードバックで認識する新しいシステムであるPosePilotを提示する。
エッジデバイス用に設計されたPosePilotは、自宅や屋外のさまざまなエクササイズに拡張できる。
論文 参考訳（メタデータ） (2025-05-25T15:13:54Z) - Kalib: Easy Hand-Eye Calibration with Reference Point Tracking [52.4190876409222]
カリブ (Kalib) は、視覚基礎モデルの一般化性を利用して課題を克服する手眼自動校正法である。
校正中は、ロボットの後ろの空間内のカメラ座標3D座標に運動基準点を追跡する。
Kalibのユーザフレンドリな設計と最小限のセットアップ要件により、非構造化環境での継続的操作のソリューションとなり得る。
論文 参考訳（メタデータ） (2024-08-20T06:03:40Z) - Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。
テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。
事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
論文 参考訳（メタデータ） (2024-02-27T04:56:04Z) - 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) - AlphaPose: Whole-Body Regional Multi-Person Pose Estimation and Tracking
in Real-Time [47.19339667836196]
提案するAlphaPoseは,リアルタイムに動作しながら,身体全体のポーズを正確に推定・追跡できるシステムである。
我々は,COCO-全体,COCO,PoseTrack,提案したHalpe-FullBodyポーズ推定データセットにおいて,現在の最先端手法よりも高速かつ高精度であることを示す。
論文 参考訳（メタデータ） (2022-11-07T09:15:38Z) - Unified Data Collection for Visual-Inertial Calibration via Deep
Reinforcement Learning [24.999540933593273]
本研究では,ロボットアーム上で自動データ収集を行う動作ポリシーを学習するための新しい定式化を提案する。
本手法はモデルフリー深部強化学習を用いてキャリブレーション過程をコンパクトにモデル化する。
シミュレーションでは、手作りのポリシーよりも10倍速くキャリブレーションを実行できます。
論文 参考訳（メタデータ） (2021-09-30T10:03:56Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳（メタデータ） (2021-01-12T12:02:26Z)
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。