从惯性测量重建人体姿态：一种基于生成模型的压缩感知方法
人机交互
2024-05-14 v3
摘要
感知、定位并估计人体的三维位置与朝向在虚拟现实（VR）和扩展现实（XR）应用中至关重要。随着VR/XR应用部署于5G及更下一代无线系统，这一问题变得更为重要且具挑战性。本文提出一种新颖框架，可根据噪声无线环境下惯性测量单元（IMU）传感器的稀疏测量重建用户的3D人体姿态。具体而言，我们的框架能够实现压缩IMU信号在噪声无线信道中的可靠传输，并在接收端（如边缘服务器）有效恢复此类信号。由于发射功率、恢复精度与恢复时延的约束，该任务极具挑战性。为应对这些挑战，我们首先在接收端开发深度生成模型，从IMU信号的线性测量中恢复数据。IMU信号的线性测量由基于压缩感知理论的测量矩阵经线性投影获得。我们框架成功的关键在于发射端测量矩阵的新颖设计，其既能满足IMU设备的功率约束，又能在接收端对IMU信号实现高精度恢复。这可通过扩展测量矩阵的集受限特征值条件并将其与功率传输约束的上界相结合来实现。我们的框架能从噪声压缩IMU信号中稳健恢复3D人体姿态。此外，我们预训练的深层生成模型达到了与基于优化的方法（即Lasso）相当的重建精度，但速度快一个数量级。
引用
@article{arxiv.2310.20228,
title = {Reconstructing Human Pose from Inertial Measurements: A Generative Model-based Compressive Sensing Approach},
author = {Nguyen Quang Hieu and Dinh Thai Hoang and Diep N. Nguyen and Mohammad Abu Alsheikh},
journal= {arXiv preprint arXiv:2310.20228},
year = {2024}
}