Deep Inertial Pose：一种基于深度学习的人体姿态估计方法
计算机视觉与模式识别
2025-06-10 v1 信号处理
摘要
惯性运动捕捉系统因其便携性和无约束使用而吸引不断增长的关注。然而， accurate 人体关节估计需要多个复杂且需要专业知识的步骤，这导致像 Xsens Technologies 的最先进 MVN Awinda 等高昂的软件。本工作旨在研究神经网络如何抽象复杂的生物力学模型和解析数学，以实现姿态估计。因此，我们比较了不同神经网络架构和方法，了解这些方法如何准确地估计人体姿态，同时使用低成本（MPU9250）和高端（Mtw Awinda）磁力、角速度和重力（MARG）传感器。最有效的方法是 Hybrid LSTM-Madgwick 分离式方法，采用 Mtw Awinda 数据，实现了四元数角度误差为 7.96。还进行了消融研究，以研究数据增强、输出表示、窗口大小、损失函数和磁力计数据对姿态估计误差的影响。本工作表明，神经网络可以被训练来估计人体姿态，其结果相当于最先进的融合滤波器。
引用
@article{arxiv.2506.06850,
title = {Deep Inertial Pose: A deep learning approach for human pose estimation},
author = {Sara M. Cerqueira and Manuel Palermo and Cristina P. Santos},
journal= {arXiv preprint arXiv:2506.06850},
year = {2025}
}