基于稀疏 IMU 的物理信息学习用于人体全身运动学预测
机器学习
2025-10-01 v1
摘要
准确且物理可行的人体运动预测对于安全无缝的人机协作至关重要。尽管近期在人体运动捕捉方面的进展实现了实时姿态估计，但许多现有方法的实用价值因缺乏未来预测和对物理约束的考虑而受限。传统运动预测方案严重依赖过去的姿态，而在现实场景中这并不总是可用的。为解决这些局限性，我们提出了一种物理信息学习框架，将领域知识集成到训练和推理中，仅使用来自 5 个 IMU 的惯性测量来预测人体运动。我们提出了一种考虑人体运动空间特征的网络。在训练期间，我们将正向和微分运动学函数作为额外的损失分量，以对学习到的关节预测进行正则化。在推理阶段，我们细化前一次迭代的预测以更新关节状态缓冲区，并将其作为网络的额外输入。实验结果表明，我们的方法实现了高精度和运动间的平滑过渡，并且对未见过的受试者具有良好的泛化能力。
引用
@article{arxiv.2509.25704,
title = {Physics-Informed Learning for Human Whole-Body Kinematics Prediction via Sparse IMUs},
author = {Cheng Guo and Giuseppe L'Erario and Giulio Romualdi and Mattia Leonori and Marta Lorenzini and Arash Ajoudani and Daniele Pucci},
journal= {arXiv preprint arXiv:2509.25704},
year = {2025}
}