Dispelling Four Challenges in Inertial Motion Tracking with One Recurrent Inertial Graph-based Estimator (RING)

要約

この論文では、慣性運動追跡 (IMT) 用の新しいニューラル ネットワーク ベースのソリューションであるリカレント慣性グラフベースの推定器 (RING) を拡張して、広範囲のサンプリング レートにわたって一般化します。
現実世界の 4 つの課題: 不均一な磁場、センサーとセグメントの位置ずれ、まばらなセンサーのセットアップ、および非剛体センサーの取り付け。
RING は、二重ヒンジ ジョイントを備えた 3 セグメントの運動連鎖の回転状態を慣性データから推定することができ、4 つの課題がすべて同時に存在する場合、実験の平均絶対 (追跡) 誤差 8.10 +/- 1.19 度を達成します。
このネットワークは、シミュレーション データに基づいてトレーニングされていますが、実験データに基づいて評価されており、シミュレーションから実験へのゼロショット一般化の顕著な能力が強調されています。
私たちはアブレーション研究を実施して、RING のパフォーマンスに対する 4 つの課題のそれぞれの影響を分析し、さまざまなサンプリング レートに対する堅牢性を示し、RING がリアルタイム動作できることを実証します。
この研究は、IMT技術をよりアクセスしやすく多用途にすることでIMT技術を進歩させるだけでなく、制約のない環境での非剛体センサーアタッチメントを備えたスパースIMTの非専門家による使用を含む、新しい応用分野の可能性を高めます。

要約(オリジナル)

In this paper, we extend the Recurrent Inertial Graph-based Estimator (RING), a novel neural-network-based solution for Inertial Motion Tracking (IMT), to generalize across a large range of sampling rates, and we demonstrate that it can overcome four real-world challenges: inhomogeneous magnetic fields, sensor-to-segment misalignment, sparse sensor setups, and nonrigid sensor attachment. RING can estimate the rotational state of a three-segment kinematic chain with double hinge joints from inertial data, and achieves an experimental mean-absolute-(tracking)-error of 8.10 +/- 1.19 degrees if all four challenges are present simultaneously. The network is trained on simulated data yet evaluated on experimental data, highlighting its remarkable ability to zero-shot generalize from simulation to experiment. We conduct an ablation study to analyze the impact of each of the four challenges on RING’s performance, we showcase its robustness to varying sampling rates, and we demonstrate that RING is capable of real-time operation. This research not only advances IMT technology by making it more accessible and versatile but also enhances its potential for new application domains including non-expert use of sparse IMT with nonrigid sensor attachments in unconstrained environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google