Augmenting Inertial Motion Capture with SLAM Using EKF and SRUKF Data Fusion Algorithms

要約

慣性モーション キャプチャ システムでは、低コストの IMU を使用して人体セグメントの向きを取得していますが、これらのセンサーだけではリンクの位置を推定することはできません。
そのため、本研究ではSLAM法と慣性データ融合を組み合わせてリンク位置を推定しました。
SLAM は、カメラを使用して環境の再構築されたマップでターゲットを追跡する方法です。
この論文では、姿勢推定のための四元数ベースの拡張および平方根アンセンテッド カルマン フィルター (EKF & SRUKF) アルゴリズムを提案します。
カルマン フィルターは、SLAM 位置データ、マルチリンクの生体力学的制約、垂直参照に基づく測定値を使用してエラーを修正します。
センサー バイアスに加えて、融合アルゴリズムはリンク ジオメトリを推定することができ、センサー位置の先験的な知識がなくても生体力学的制約を課すことができます。
光学追跡システムは、人間の腕の動きのさまざまなシナリオで提案されたアルゴリズムのパフォーマンスを実験的に評価するためのグラウンド トゥルースの基準として使用されます。
提案されたアルゴリズムは、位置と姿勢の推定で最大 5.87 (cm) と 1.1 (度) の精度を達成します。
EKF と比較して、SRUKF アルゴリズムはよりスムーズで高い収束率を示しますが、2.4 倍の計算負荷がかかります。
収束後、SRUKF は EKF よりも位置と姿勢の推定でそれぞれ最大 17% 低く、36% 正確です。
SLAM の代わりに絶対位置測定法を使用すると、EKF の場合は 80% と 40%、SRUKF の場合は 60% と 6% の位置推定誤差と姿勢推定誤差がそれぞれ減少しました。

要約(オリジナル)

Inertial motion capture systems widely use low-cost IMUs to obtain the orientation of human body segments, but these sensors alone are unable to estimate link positions. Therefore, this research used a SLAM method in conjunction with inertial data fusion to estimate link positions. SLAM is a method that tracks a target in a reconstructed map of the environment using a camera. This paper proposes quaternion-based extended and square-root unscented Kalman filters (EKF & SRUKF) algorithms for pose estimation. The Kalman filters use measurements based on SLAM position data, multi-link biomechanical constraints, and vertical referencing to correct errors. In addition to the sensor biases, the fusion algorithm is capable of estimating link geometries, allowing the imposing of biomechanical constraints without a priori knowledge of sensor positions. An optical tracking system is used as a reference of ground-truth to experimentally evaluate the performance of the proposed algorithm in various scenarios of human arm movements. The proposed algorithms achieve up to 5.87 (cm) and 1.1 (deg) accuracy in position and attitude estimation. Compared to the EKF, the SRUKF algorithm presents a smoother and higher convergence rate but is 2.4 times more computationally demanding. After convergence, the SRUKF is up to 17% less and 36% more accurate than the EKF in position and attitude estimation, respectively. Using an absolute position measurement method instead of SLAM produced 80% and 40%, in the case of EKF, and 60% and 6%, in the case of SRUKF, less error in position and attitude estimation, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google