Physical Non-inertial Poser (PNP): Modeling Non-inertial Effects in Sparse-inertial Human Motion Capture

现有的惯性运动捕捉技术使用人类根坐标系来估计局部姿态，并默认将其视为惯性参考系。我们认为，当根具有线性加速度或旋转时，理论上应将根框架视为非惯性的。在本文中，我们通过物理学精心设计自回归估计器来建模非惯性参考系中不可忽略的虚位力。通过虚位力，可以在非惯性参考系中正确补偿与力有关的IMU测量（加速度），从而满足牛顿运动定律。在这种情况下，加速度和身体运动之间的关系是确定性的且可学习的，我们训练神经网络来模拟它以实现更好的运动捕捉。此外，为了使用合成数据训练神经网络，我们开发了一种通过模拟策略进行IMU合成的方法，以更好地模拟IMU硬件的噪声模型，并允许参数调整以适应不同的硬件。这种策略不仅建立了合成数据的网络训练，而且还实现了校准误差建模以处理不良的运动捕捉校准，从而提高了系统的稳健性。代码可在https://xinyu-yi.github.io/PNP/上获得。

如何在非惯性坐标系下实现更好的运动捕捉？

通过建立自回归估计器模拟虚拟力，对非惯性坐标系下的运动进行补偿，以满足牛顿定律，并使用神经网络进行建模。

论文提出了一种使用自回归估计器模拟虚拟力的方法，以更好地补偿非惯性坐标系下的运动，并使用神经网络建模加强运动捕捉的效果。同时，论文还提出了一种IMU综合仿真策略，以更好地建模IMU硬件的噪声模型，并增加系统的鲁棒性。研究者提供了开源代码。

近期相关研究包括：'DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills'，'DeepLoco: Dynamic Locomotion Skills Using Hierarchical Deep Reinforcement Learning'，'Neural Kinematic Networks for Unsupervised Motion Retargetting'等。