[論文レビュー] Automatic Joint Parameter Estimation from Magnetic Motion Capture Data

James F. O’Brien, Robert E. Bodenheimer+2 more|arXiv (Cornell University)|Jan 1, 2000

Human Motion and Animation参考文献 27被引用数 183

ひとこと要約

この論文では、外部測定を一切行わずに、磁気モーショントラッキングデータから関節パラメータ（肢の長さ、関節位置、センサーオフセットなど）を自動的に推定する手法を提示する。線形最小二乗法を用いてセンサートランスフォーメーションデータに回転関節モデルをフィットさせることで、階層的スケルトンを推定し、高い精度を達成した。ヒューマン・サブジェクト、シミュレーション、物理的リンクアセムブリの3つの環境で検証され、誤差は1.5 cm未満であった。

ABSTRACT

This paper describes a technique for using magnetic motion capture data to determine the joint parameters of an articulated hierarchy. This technique makes it possible to determine limb lengths, joint locations, and sensor placement for a human subject without external measurements. Instead, the joint parameters are inferred with high accuracy from the motion data acquired during the capture Session. The parameters are computed by performing a linear least squares fit of a rotary joint model to the input data. A hierarchical structure for the articulated model can also be determined in situations where the topology of the model is not known. Once the system topology and joint parameters have been recovered, the resulting model can be used to perform forward and inverse kinematic procedures. We present the results of using the algorithm on human motion capture data, as well as validation results obtained with data from a simulation and a wooden linkage of known dimensions.

研究の動機と目的

• モーショントラッキングにおける肢の長さや関節オフセットの手動測定を不要にする。
• モーショントラッキングデータのみからアーチキテクチャッド・フィギュアの階層的構造を自動的に推定する。
• 被験者の解剖学的構造やセンサー配置に関する事前知識なしに、正確なフォワード・インバース・キネマティクスを可能にする。
• 補正が不実用なリアルタイムまたはインタラクティブなアプリケーションを支援する。
• 異なるスケールのデジタルキャラクターにモーションドメインをマッピングするための、ロバストで自動化された前処理ステップを提供する。

提案手法

• 磁気モーショントラッキングセンサからのグローバル変換行列を入力とする。
• 2つのセンサー間のペアに対して、回転関節モデルを線形最小二乗法でフィットさせ、関節中心を推定する。
• 運動中に互いに相対的に固定されたままの、センサー間の一致点を特定する。
• センサー間のフィットの品質を評価するための残差誤差指標を計算する。
• 残差をエッジの重みとして用い、最小全域木（minimum spanning tree）を構築して階層的トポロジーを推定する。
• 関節位置と階層構造を組み合わせることで、完全なアーチキテクチャッド・モデルを再構築する。

実験結果

リサーチクエスチョン

• RQ1 外部測定なしに、モーショントラッキングデータのみから関節中心や肢の長さを正確に推定できるか？
• RQ2 トポロジーが未知の状態で、モーショントラッキングデータからどの程度階層的構造を回復できるか？
• RQ3 推定されたパラメータの精度は、真値測定と比較してどの程度か？
• RQ4 人間の運動におけるノイズや非理想的な関節挙動に対しても、この手法は対応できるか？
• RQ5 遮蔽やセンサードリフトによるマーカーの曖昧な割り当てを、アルゴリズムが検出・処理できるか？

主な発見

• 複数のヒューマン・サブジェクトとモーショントラッキング・シークエンスにおいて、肢の長さ推定で平均誤差が1.5 cm未満であった。
• 寸法が既知の木製リンクアセンブリでは、アルゴリズムが真値から0.3 cm以内の肢の長さを推定した。
• シミュレーションでは、サブミリメートルの精度で関節パラメータを回復でき、ノイズに対するロバストネスを確認した。
• モーショントラッキングデータのみから階層的構造が成功裏に再構築され、最小全域木アプローチにより正しいトポロジーが正しく同定された。
• 誤差が低い関節フィットを検出・分離し、閉ループ構造のサイクル検出の可能性を示した。
• センサーノイズや非理想的な関節挙動に対しても、歩行や孤立した関節運動を含む多様なモーショントラッキングタイプにおいて、一貫した誤差を示した。