Ultra Inertial Poser: Scalable Motion Capture and Tracking from Sparse Inertial Sensors and Ultra-Wideband Ranging

本文介绍了一种新的3D全身姿态估计方法——Ultra Inertial Poser。该方法使用轻量级嵌入式跟踪器，通过超宽带无线电测距技术动态地估计稀疏传感器布置下的传感器间距，从而约束惯性跟踪中的漂移和抖动，提高跟踪精度。该方法将传感器间距与每个传感器估计的3D状态融合，通过基于图的机器学习模型处理3D状态和距离，估计人体的3D全身姿态和平移。为了训练模型，作者使用运动捕捉数据库AMASS合成了惯性测量和距离估计数据。作者还贡献了一个包含10个参与者、25种动作类型、6个可穿戴IMU+UWB跟踪器和一个光学运动捕捉系统的新型运动数据集(UIP-DB)，共计200分钟的同步传感器数据。作者进行了大量实验，结果表明该方法在PIP和TIP上的表现均为最先进水平，将位置误差从13.62cm降至10.65cm（提高22%），将抖动从1.56km/s^3降至0.055km/s^3（降低97%）。

本文提出了一种新的基于惯性传感器的全身姿态估计方法，通过超宽带无线电测距技术测量传感器之间的距离来约束惯性跟踪中的漂移和抖动。

本文的关键思路是使用超宽带无线电测距技术测量传感器之间的距离来约束惯性跟踪中的漂移和抖动，从而提高姿态估计的准确性。

本文使用了轻量级嵌入式跟踪器，将廉价的惯性测量单元与超宽带无线电测距技术相结合，实现了对传感器之间距离的动态估计。作者使用AMASS数据库合成了惯性测量和距离估计的数据，同时还创建了一个包含10个参与者、25个动作类型、6个IMU+UWB跟踪器和一个光学运动捕捉系统的数据集（UIP-DB），并进行了广泛的实验验证。实验结果表明，相比于当前领域的其他方法，本文的方法在姿态估计的位置误差和抖动方面表现出了更好的性能。

在这个领域的相关研究包括PIP和TIP方法。