UMotion: Uncertainty-driven Human Motion Estimation from Inertial and Ultra-wideband Units

📄 arXiv: 2505.09393v1 📥 PDF

作者: Huakun Liu, Hiroki Ota, Xin Wei, Yutaro Hirao, Monica Perusquia-Hernandez, Hideaki Uchiyama, Kiyoshi Kiyokawa

分类: cs.GR, cs.AI, cs.CV

发布日期: 2025-05-14

备注: Accepted by CVPR 2025

💡 一句话要点

UMotion：基于不确定性的惯性和超宽带融合人体运动估计

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 人体运动估计 惯性测量单元 超宽带 传感器融合 不确定性建模

📋 核心要点

  1. 现有基于稀疏IMU的人体运动估计方法存在姿态模糊、数据漂移以及对不同体型适应性有限等挑战。
  2. UMotion通过融合IMU和UWB数据，并利用UKF框架处理传感器和人体运动的不确定性，实现更准确的姿态估计。
  3. 实验结果表明，UMotion能够有效稳定传感器数据，并在姿态精度上优于现有技术水平。

📝 摘要（中文）

本文提出了一种名为UMotion的、基于不确定性的在线融合人体形状和姿态估计框架，该框架利用六个集成在身上的超宽带(UWB)距离传感器和惯性测量单元(IMU)。UWB传感器测量节点间的距离以推断空间关系，结合人体测量数据，有助于解决姿态模糊和身体形状变化的问题。然而，IMU容易产生漂移，UWB传感器容易受到身体遮挡的影响。因此，我们开发了一个紧耦合的Unscented Kalman Filter (UKF)框架，该框架基于个体身体形状融合来自传感器数据和估计人体运动的不确定性。UKF通过实时对齐不确定的人体运动约束来迭代优化IMU和UWB测量，从而为每个传感器产生最佳估计。在合成和真实数据集上的实验表明，UMotion在稳定传感器数据和提高姿态精度方面优于现有技术。

🔬 方法详解

问题定义：论文旨在解决基于稀疏IMU的人体运动估计中存在的姿态模糊、数据漂移以及对不同体型适应性有限等问题。现有的方法难以有效融合多种传感器数据，并且无法充分考虑传感器和人体运动的不确定性，导致估计精度不高。

核心思路：论文的核心思路是利用UWB传感器提供的距离信息来约束人体姿态，从而解决姿态模糊问题。同时，通过UKF框架融合IMU和UWB数据，并考虑传感器和人体运动的不确定性，从而提高估计的鲁棒性和精度。这种方法能够更好地适应不同的体型，并减少数据漂移的影响。

技术框架：UMotion框架包含以下主要模块：1) IMU和UWB数据采集；2) 基于人体测量数据的身体形状建模；3) 基于UKF的传感器数据融合和人体姿态估计。UKF框架将IMU和UWB测量作为输入，并结合人体运动约束，迭代优化姿态估计。框架采用紧耦合的方式，将传感器数据和人体运动模型紧密结合，从而实现更准确的估计。

关键创新：论文的关键创新在于提出了一种基于不确定性的传感器融合方法，该方法能够有效处理IMU和UWB数据的不确定性，并将其融入到人体姿态估计中。与传统的传感器融合方法相比，UMotion能够更好地适应传感器噪声和人体运动的变化，从而提高估计的鲁棒性和精度。此外，UMotion还利用人体测量数据来约束身体形状，从而进一步提高姿态估计的准确性。

关键设计：UKF框架的关键设计包括：1) 状态向量的定义，包括人体姿态、速度和角速度等；2) 测量模型的建立，描述IMU和UWB测量与状态向量之间的关系；3) 过程噪声和测量噪声的建模，用于描述传感器和人体运动的不确定性；4) UKF的迭代更新过程，包括预测和更新两个步骤。论文中可能还涉及UWB传感器的标定和数据预处理等技术细节。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，UMotion在合成和真实数据集上均取得了优异的性能。与现有技术相比，UMotion能够显著提高姿态估计的精度，并有效稳定传感器数据。具体的性能数据（例如，姿态误差的降低百分比）在论文中进行了详细的展示。

🎯 应用场景

UMotion技术可应用于虚拟现实(VR)、增强现实(AR)、运动捕捉、康复训练、人机交互等领域。该技术能够提供准确、鲁棒的人体运动估计，为这些应用提供重要的技术支持。未来，UMotion有望进一步发展，实现更精确、更自然的人体运动跟踪，从而为用户带来更好的体验。

📄 摘要（原文）

Sparse wearable inertial measurement units (IMUs) have gained popularity for estimating 3D human motion. However, challenges such as pose ambiguity, data drift, and limited adaptability to diverse bodies persist. To address these issues, we propose UMotion, an uncertainty-driven, online fusing-all state estimation framework for 3D human shape and pose estimation, supported by six integrated, body-worn ultra-wideband (UWB) distance sensors with IMUs. UWB sensors measure inter-node distances to infer spatial relationships, aiding in resolving pose ambiguities and body shape variations when combined with anthropometric data. Unfortunately, IMUs are prone to drift, and UWB sensors are affected by body occlusions. Consequently, we develop a tightly coupled Unscented Kalman Filter (UKF) framework that fuses uncertainties from sensor data and estimated human motion based on individual body shape. The UKF iteratively refines IMU and UWB measurements by aligning them with uncertain human motion constraints in real-time, producing optimal estimates for each. Experiments on both synthetic and real-world datasets demonstrate the effectiveness of UMotion in stabilizing sensor data and the improvement over state of the art in pose accuracy.