論文の概要: One Sensor, Whole Body - 3D Body Pose from a Single Consumer Earbud IMU

• arxiv url: http://arxiv.org/abs/2609.34978v1
• Date: Mon, 28 Sep 2026 11:55:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 18:08:50.757489
• Title: One Sensor, Whole Body - 3D Body Pose from a Single Consumer Earbud IMU
• Title（参考訳）: 一人のセンサ, 全体 - 一人の消費者から得た3Dボディポッド-
• Abstract要約: 一方の頭部IMUは79.0mmの剛性MPJPEで下肢の姿勢を回復し,1フィートあたりの接点は0.809マクロF1で回復する。 コンシューマー・フットの追加はポーズを著しく改善せず、4つのモデル・スプリットの組み合わせのうち2つで大幅に劣化する。 テスト対象のデバイスでは、イヤホンはそのスイートスポットだ。
• 参考スコア（独自算出の注目度）: 3.9374481291923353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Consumer earbuds already stream inertial motion data from the head, one of the most widely worn sensor locations on the body. We ask how much of the 3D body pose a single such head IMU can recover, and whether adding more consumer sensors actually helps. We build a multimodal capture pipeline that records four-view RGB-D video together with an AirPods head IMU and two Striv insole IMUs, synchronize the streams post-hoc, and generate pseudo-ground-truth with SAM 3D Body, yielding a 35-take single-subject benchmark spanning gait, turning, vertical, everyday, and clinically inspired motions. Adapting two recurrent model families (IMUPoser and MobilePoser), we show that one head IMU recovers lower-body pose at 79.0 mm rigid-MPJPE and per-foot ground contact at 0.809 macro-F1, and that a causal variant retains most of this accuracy at streaming latency. In paired per-take significance tests across both families, adding the consumer foot IMUs never significantly improves pose and significantly degrades it in two of four model-split combinations; a mounting-bias probe and feet-only ablation identify insole orientation quality, not foot placement, as the mechanism. Extending the output to a 20-joint full-body skeleton maps the boundary: gross distal-arm motion is partially recoverable from the head alone, proximal upper-body pose is not, and staged fine-tuning recovers the leg accuracy that naive joint training sacrifices to multi-task dilution. For learned pose from consumer wearables, sensor reliability, not sensor count, is the binding constraint here. For the devices tested, the earbud is its sweet spot. Code is available at https://github.com/ZhilinGuo/one-sensor-whole-body.
• Abstract（参考訳）: 消費者向けイヤホンはすでに頭部から慣性運動データをストリーミングしている。 私たちは、3Dボディのどれだけの部分が、そのような頭部IMUが回復できるのか、また、より多くの消費者センサーを追加することが実際に役立つのかを尋ねる。 我々は、AirPodsヘッドIMUと2つのStrivインソールIMUとともに4次元RGB-Dビデオを記録し、ストリームをポストホックに同期させ、SAM 3D Bodyと擬似グラウンドトルースを生成し、歩行、旋回、垂直、毎日、臨床にインスパイアされた動きに35テイクのシングルオブジェクトベンチマークを出力するマルチモーダルキャプチャパイプラインを構築した。 Inapting two recurrent model family (IMUPoser and MobilePoser) we showed that one head IMU recovers lower-body pose at 79.0 mm rigid-MPJPE and per-foot ground contact at 0.809 macro-F1。 両家族間でペアリングされた1回の摂取重要度テストでは、消費者足IMUはポーズを著しく改善せず、4つのモデル分割組み合わせのうち2つで格段に低下する。 アウトプットを20関節のフルボディ骨格に拡張することは、境界をマッピングする: 総遠腕運動は頭部のみから部分的に回復可能であり、上半身の近位ポーズは無く、段階的微調整は、関節トレーニングを犠牲にしてマルチタスクの希釈を犠牲にする脚の精度を回復する。 消費者ウェアラブルから学んだポーズとしては、センサーの信頼性はセンサー数ではなく、ここでは束縛の制約だ。 テスト対象のデバイスでは、イヤホンはそのスイートスポットだ。 コードはhttps://github.com/ZhilinGuo/one-sensor-whole-body.comで入手できる。

関連論文リスト

• Reliability-Gated Fusion of Consumer Head and Foot IMUs for Lower-Body 3D Pose [3.9374481291923353]
  信頼性問題はチャネルレベルであることを示す。 私たちは、各ストリームの各チャンネルをどれだけ信頼するかをモデルに教えます。 センサーカウントの代わりにゲートの信頼性を学ぶことは、展開可能なスパース慣性捕獲のためのレバーである。
  論文  参考訳（メタデータ） (2026-09-28T17:59:22Z)
• MuyBridge: Mobile Human Center-of-Mass Estimation from Monocular Video via Sparse Fusion [14.44079161740663]
  質量の中心 (CoM) は, スポーツ, リハビリテーション, 臨床運動の生体力学的解析において重要な量である。 MuyBridgeはオンデバイスシステムで、1台の携帯電話カメラのビデオストリームからアスリートのマストラジェクトリーのセグメンショナルセンターを推定する。
  論文  参考訳（メタデータ） (2026-09-02T17:38:36Z)
• Towards Real-World Wearable Motion Reconstruction [68.1355376294881]
  地上3Dモーションと消費者グレードのセンサを同期する大規模データセットを提案する。 第2に、利用可能なセンサの任意の部分集合から動きを再構成するベースライン生成モデルWHIPを提案する。 第三に、センサの相補性について体系的な研究を行い、異なるモードが相互に相補的な関係を定量化する。
  論文  参考訳（メタデータ） (2026-07-08T11:56:02Z)
• 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)
• DivaTrack: Diverse Bodies and Motions from Acceleration-Enhanced Three-Point Trackers [13.258923087528354]
  フルボディアバターの存在は、デジタルリアリティーにおける没入型社会と環境の相互作用に不可欠である。 現在のデバイスは、ヘッドセットと2つのコントローラーから3度の自由度(DOF)のポーズしか提供していない。 本研究では,多様な身体サイズや活動に適用した場合に,既存の手法よりも優れたディープラーニングフレームワークであるDivaTrackを提案する。
  論文  参考訳（メタデータ） (2024-02-14T14:46:03Z)
• SparsePoser: Real-time Full-body Motion Reconstruction from Sparse Data [1.494051815405093]
  SparsePoserは、スパースデータから全身のポーズを再構築するための、新しいディープラーニングベースのソリューションである。 このシステムには、高品質な連続した人間のポーズを合成する畳み込み型オートエンコーダが組み込まれている。 本手法は,IMUセンサや6-DoFトラッキングデバイスを用いた最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T18:48:01Z)
• QuestSim: Human Motion Tracking from Sparse Sensors with Simulated Avatars [80.05743236282564]
  人間の身体の動きのリアルタイム追跡は、AR/VRにおける没入感のある体験に不可欠である。 本稿では,HMDと2つのコントローラから疎信号を取り出す強化学習フレームワークを提案する。 一つのポリシーは、多様な移動スタイル、異なる体の大きさ、新しい環境に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:25:54Z)
• Human POSEitioning System (HPS): 3D Human Pose Estimation and Self-localization in Large Scenes from Body-Mounted Sensors [71.29186299435423]
  HPS(Human POSEitioning System)は、周囲の環境の3Dスキャンで登録された人間の完全な3Dポーズを回復する手法です。 最適化に基づく統合は2つの利点を生かし、結果としてドリフトのないポーズの精度が得られることを示す。 hpsは、人間が外部カメラに直接視線を向けなくてもシーンと対話できるvr/arアプリケーションとして使用できる。
  論文  参考訳（メタデータ） (2021-03-31T17:58:31Z)
• Fusing Wearable IMUs with Multi-View Images for Human Pose Estimation: A Geometric Approach [76.10879433430466]
  多視点画像と人手足に装着したIMUから3次元人間のポーズを推定する。 まず2つの信号から2Dのポーズを検出し、3D空間に持ち上げる。 単純な2段階のアプローチは、公開データセット上の大きなマージンによる最先端のエラーを低減する。
  論文  参考訳（メタデータ） (2020-03-25T00:26:54Z)

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。