Calibration-free IMU-based Relative Orientation Estimation under Dynamic Human Motion

📄 arXiv: 2610.31156v1 📥 PDF

作者: Ruiyuan Li, Hassan Osman, Ajay Seth, Manon Kok

分类: cs.RO, eess.SY

发布日期: 2026-10-22

备注: 8 pages, 7 figures, 1 table. Submitted to IEEE Sensors Journal

💡 一句话要点

提出无校准IMU相对定向估计方法以解决动态人类运动中的漂移问题

🎯 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: IMU 相对定向 动态人类运动 扩展卡尔曼滤波 运动分析 无校准方法 刚体约束 低通滤波器

📋 核心要点

  1. 现有IMU方法在动态人类运动中面临漂移、校准需求和高频冲击等挑战，限制了其应用。
  2. 本文提出了一种扩展卡尔曼滤波器，能够在无需校准的情况下同时估计IMU的相对定向和传感器位置。
  3. 在OpenSense数据集上，所提方法的相对定向误差为2.61°，显著优于使用离线校准和标记导出位置的基线方法。

📝 摘要（中文）

近年来，基于惯性测量单元（IMU）的无磁力计方法通过刚体约束减少关节运动估计中的漂移，但通常需要预校准的传感器位置、特定关节模型的假设或外部参考。本文提出了一种扩展卡尔曼滤波器，同时估计相对IMU定向和传感器位置，无需离线校准或全局定向锚点。系统的仿真研究表明，相对定向和传感器位置估计的质量依赖于不同的运动强度源。应用于OpenSense数据集时，该方法在步态和复杂任务中实现了2.61°的相对定向误差，显著优于基线方法的结果，表明该框架有效处理真实IMU数据并实现准确估计。

🔬 方法详解

问题定义：本文旨在解决动态人类运动中IMU相对定向估计的漂移问题，现有方法通常依赖于预校准的传感器位置和特定的运动模型，且未能有效应对高频冲击和噪声测量的数值微分问题。

核心思路：提出的扩展卡尔曼滤波器通过同时估计IMU的相对定向和传感器位置，避免了对离线校准和全局定向锚点的依赖，从而提高了动态环境下的估计精度。

技术框架：该方法的整体架构包括传感器数据采集、低通滤波器处理、相对定向和位置的联合估计模块，利用刚体约束来优化估计结果。

关键创新：最重要的创新在于提出了一种无需校准的IMU相对定向估计框架，能够有效处理动态人类运动中的高频冲击和噪声问题，与传统方法相比，显著提升了估计的准确性和鲁棒性。

关键设计：在设计中，使用低通滤波器来减小真实信号的异常值影响，确保在应用刚体约束时，估计结果的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提方法在OpenSense数据集上实现了2.61°的相对定向误差，相较于使用离线估计传感器位置的基线（10.40°）和标记导出位置的基线（7.43°）有显著提升，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括运动分析、康复医学、虚拟现实和增强现实等。通过提供准确的相对定向估计，该方法可以帮助改善运动监测和人机交互的效果，具有重要的实际价值和未来影响。

📄 摘要（原文）

Recent magnetometer-free inertial measurement unit (IMU) methods can reduce drift in joint motion estimation using rigid-body constraints, but they typically require pre-calibrated sensor locations, assumptions of specific joint models (e.g., hinge joints) or limited motion types, or an external reference for global orientation. Furthermore, challenges related to high-frequency impacts (e.g. at foot strikes during gait) and numerical differentiation of noisy measurements have not been explicitly addressed. We propose an extended Kalman filter that estimates relative IMU orientation and sensor location simultaneously, requiring neither offline sensor location calibration nor a global orientation anchor. A systematic simulation study shows that the quality of the relative orientation and the sensor location estimates depends on different motion-intensity sources: the joint center acceleration and the relative angular velocity, respectively. A low-pass filter (LPF) is used to mitigate real-signal outliers before applying the rigid-body constraint. When applied to the OpenSense dataset with real IMU measurements across four subjects with three lower-body joint types during walking and complex tasks including various motion types, the proposed method achieves an overall relative orientation error of 2.61°, compared with 10.40° for a baseline using offline-estimated sensor locations and 7.43° for a baseline using marker-derived sensor locations. These results show that the proposed calibration-free estimation framework handles real IMU data effectively and achieves accurate relative orientation without offline sensor location calibration.