HelmetPoser：面向多种环境下的头戴 IMU 数据集的 helmet-mounted 人体头部运动估计
机器人学
2025-02-17 v2
摘要
头戴佩戴定位系统对于提高工业、建筑和应急救援领域的安全性和协调性至关重要。这些系统，包括LiDAR-惯性定位（LIO）和视觉-惯性定位（VIO），常因尘土、烟雾和视觉特征有限等恶劣环境条件面临定位挑战。为解决这些限制，我们提出一种 novel 头戴惯性测量单元（IMU）数据集，配有真实值，旨在推动数据驱动的IMU姿态估计。该数据集使用头戴式系统捕获十名参与者在各种活动下的头部运动模式。我们探讨了神经网络，特别是长短期记忆网络（LSTM）和Transformer网络，用于校正IMU偏差并提高定位精度。此外，我们评估了这些方法在不同IMU数据窗口维度、运动模式和传感器类型下的性能。我们发布了公开可用的数据集，展示了先进神经网络方法用于头戴式定位的可行性，并提供评估指标以为未来研究在该领域建立基准。数据与代码可在 https://lqiutong.github.io/HelmetPoser.github.io/ 获取。
关键词
引用
@article{arxiv.2409.05006,
title = {HelmetPoser: A Helmet-Mounted IMU Dataset for Data-Driven Estimation of Human Head Motion in Diverse Conditions},
author = {Jianping Li and Qiutong Leng and Jinxing Liu and Xinhang Xu and Tongxin Jin and Muqing Cao and Thien-Minh Nguyen and Shenghai Yuan and Kun Cao and Lihua Xie},
journal= {arXiv preprint arXiv:2409.05006},
year = {2025}
}