A Tightly Coupled IMU-Based Motion Capture Approach for Estimating Multibody Kinematics and Kinetics
作者: Hassan Osman, Daan de Kanter, Jelle Boelens, Manon Kok, Ajay Seth
分类: cs.RO, eess.SY
发布日期: 2025-05-13
💡 一句话要点
提出一种紧耦合的基于IMU的运动捕捉方法，用于估计多体运动学和动力学
🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)
关键词: 运动捕捉 惯性测量单元 多体动力学 卡尔曼滤波 状态估计 机器人 康复医学
📋 核心要点
- 基于IMU的运动捕捉易受磁干扰和漂移误差影响，限制了其在实际场景中的应用。
- 提出一种紧耦合方法，通过IEKF将IMU数据与多体动力学模型集成，同时估计运动学和动力学。
- 实验表明，该方法在摆和Kuka机器人上均实现了较高的关节角度和扭矩估计精度。
📝 摘要（中文）
惯性测量单元(IMU)使得在实验室以外的各种环境中进行便携式多体运动捕捉(MoCap)成为可能，使其成为诊断移动障碍和支持临床或家庭环境中康复的实用选择。然而，与IMU测量相关的挑战，包括磁失真和漂移误差，使其在MoCap中的更广泛应用变得复杂。本文提出了一种紧耦合的运动捕捉方法，该方法通过迭代扩展卡尔曼滤波器(IEKF)将IMU测量直接与多体动力学模型集成，以同时估计系统的运动学和动力学。通过强制执行运动学和动力学特性，并仅使用加速度计和陀螺仪数据，我们的方法提高了基于IMU的状态估计精度。我们的方法旨在允许整合额外的传感器数据，例如光学MoCap测量和关节扭矩读数，以进一步提高估计精度。我们使用来自3自由度(DoF)摆和6自由度Kuka机器人的高精度地面实况数据验证了我们的方法。
🔬 方法详解
问题定义：论文旨在解决基于IMU的运动捕捉中，由于磁干扰和漂移误差导致的精度问题。现有方法难以在实验室以外的复杂环境中实现高精度的运动学和动力学估计。
核心思路：论文的核心思路是将IMU测量数据与多体动力学模型进行紧耦合，利用模型的约束来提高状态估计的精度。通过迭代扩展卡尔曼滤波器(IEKF)同时估计系统的运动学和动力学参数，从而减少误差累积。
技术框架：该方法的核心是一个基于IEKF的状态估计器。整体流程如下：1) 使用IMU传感器获取加速度计和陀螺仪数据；2) 将IMU数据输入到IEKF中；3) IEKF利用多体动力学模型作为约束，对IMU数据进行滤波和融合；4) IEKF输出系统的运动学（如关节角度）和动力学（如关节扭矩）估计值。该框架允许集成其他传感器数据，如光学MoCap数据或关节扭矩传感器数据，以进一步提高估计精度。
关键创新：该方法最重要的创新点在于将IMU测量与多体动力学模型进行紧耦合。与传统的松耦合方法相比，紧耦合方法能够更有效地利用模型的约束信息，从而提高状态估计的精度和鲁棒性。此外，该方法仅使用加速度计和陀螺仪数据，避免了对磁力计的依赖，从而减少了磁干扰的影响。
关键设计：该方法使用迭代扩展卡尔曼滤波器(IEKF)进行状态估计。状态向量包括系统的关节角度、角速度等运动学参数，以及关节扭矩等动力学参数。测量模型将IMU测量值（加速度和角速度）与状态向量联系起来。系统模型基于多体动力学方程，描述了状态向量随时间的演化。IEKF通过迭代的方式，不断更新状态向量的估计值，直到收敛。关键参数包括IEKF的噪声协方差矩阵，需要根据实际情况进行调整。
🖼️ 关键图片
📊 实验亮点
该方法在3自由度摆和6自由度Kuka机器人上进行了验证。在摆的实验中，关节角度的RMSD最大为3.75度，关节扭矩的RMSD最大为2 Nm。在Kuka机器人的实验中，关节角度的RMSD最大为3.24度，关节扭矩的RMSD最大为3.73 Nm。实验结果表明，该方法能够实现较高的运动学和动力学估计精度。
🎯 应用场景
该研究成果可应用于康复医学、运动分析、人机交互等领域。例如，可以利用该技术开发便携式运动捕捉系统，用于诊断移动障碍、评估康复效果，或为运动员提供运动指导。此外，该技术还可以应用于机器人控制领域，提高机器人的运动精度和鲁棒性。
📄 摘要（原文）
Inertial Measurement Units (IMUs) enable portable, multibody motion capture (MoCap) in diverse environments beyond the laboratory, making them a practical choice for diagnosing mobility disorders and supporting rehabilitation in clinical or home settings. However, challenges associated with IMU measurements, including magnetic distortions and drift errors, complicate their broader use for MoCap. In this work, we propose a tightly coupled motion capture approach that directly integrates IMU measurements with multibody dynamic models via an Iterated Extended Kalman Filter (IEKF) to simultaneously estimate the system's kinematics and kinetics. By enforcing kinematic and kinetic properties and utilizing only accelerometer and gyroscope data, our method improves IMU-based state estimation accuracy. Our approach is designed to allow for incorporating additional sensor data, such as optical MoCap measurements and joint torque readings, to further enhance estimation accuracy. We validated our approach using highly accurate ground truth data from a 3 Degree of Freedom (DoF) pendulum and a 6 DoF Kuka robot. We demonstrate a maximum Root Mean Square Difference (RMSD) in the pendulum's computed joint angles of 3.75 degrees compared to optical MoCap Inverse Kinematics (IK), which serves as the gold standard in the absence of internal encoders. For the Kuka robot, we observe a maximum joint angle RMSD of 3.24 degrees compared to the Kuka's internal encoders, while the maximum joint angle RMSD of the optical MoCap IK compared to the encoders was 1.16 degrees. Additionally, we report a maximum joint torque RMSD of 2 Nm in the pendulum compared to optical MoCap Inverse Dynamics (ID), and 3.73 Nm in the Kuka robot relative to its internal torque sensors.