面向不同体型的人类运动捕捉：基于稀疏惯性传感器的形状感知惯性姿态估计

稀疏惯性传感器的人类运动捕捉近年来受到广泛关注。然而，现有方法几乎都仅依赖模板成人体型来建模训练数据，这在针对大幅不同体型个体（如儿童）进行泛化时提出了挑战。这主要源于由于体型变化导致的 IMU 测量加速度的变化。为填补这一空白，我们提出了 Shape-aware Inertial Poser (SAIP)，即首个在稀疏惯性方法中考虑体型差异的解决方案。具体而言，我们分解与体型和姿态相关的传感器测量，以有效建模它们的联合相关性。首先，我们训练一个回归模型，将真实身体的 IMU 测量加速度转化为匹配模板成人体模型的加速度，从而补偿与体型相关的传感器测量。随后，我们可以轻松遵循最新方法来估计模板体型的完整身体运动。最后，我们利用第二个回归模型将关节速度映射回真实身体，并结合基于体型的物理优化策略来计算主体运动。此外，我们的方法依赖于体型感知，首次引入惯性体型估计方案，通过使用基于多层感知器 (MLP) 的网络来建模受体型条件制约的 IMU-姿态相关性。为验证 SAIP 的有效性，我们还提供了首个包含不同体型个体的 IMU 运动捕捉数据集。该数据集包含10名儿童和10名成人，身高范围为110 cm至190 cm，总计400分钟的配对 IMU-运动样本。广泛的实验结果表明，SAIP 能够有效处理不同体型的人体运动捕捉任务。代码和数据集已提供，地址为 https://github.com/yinlu5942/SAIP。