面向边缘计算赋能的元宇宙的轻量级人体姿态估计方法：基于压缩感知
信号处理
2024-09-04 v1 人工智能
摘要
估计用户在边缘计算网络（如5G/6G网络）上的3D运动的能力，是支撑扩展现实（XR）和元宇宙应用的关键。近期深度学习技术在给定稀疏传感器信号（即附着在XR设备上的惯性测量单元，IMU）的稀疏测量情况下优于优化技术进行3D人体姿态估计。然而，现有工作缺乏针对无线系统的适用性，因为在无线网络中传输IMU信号会面临显著挑战。此外，IMU信号的潜在冗余性尚未被考虑，导致高度冗余的传输。本文提出一种用于IMU信号冗余消除和在无线环境下轻量级传输的方法。该方法利用随机高斯矩阵将原始信号转换为低维空间。通过压缩感知理论，我们证明了设计的高斯矩阵可在功率传输约束下，将信号投射到低维空间并保留 Set-Restricted Eigenvalue 条件。此外，我们在接收端开发了一个深度生成模型，用于从噪声压缩数据中恢复原始IMU信号，从而实现XR和元宇宙应用中接收端的3D人体运动创建。在真实世界IMU数据集上的仿真结果表明，本框架仅需982%的原始信号测量即可实现高度准确的用户3D人体姿态，这与优化方法（即Lasso）相当，但快一个数量级。
引用
@article{arxiv.2409.00087,
title = {A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing},
author = {Nguyen Quang Hieu and Dinh Thai Hoang and Diep N. Nguyen},
journal= {arXiv preprint arXiv:2409.00087},
year = {2024}
}